[[390090]]

01 數(shù)據(jù)自我決策

曾擔任谷歌和百度深度學習與人工智能部門負責人的吳恩達在2016年的《哈佛商業(yè)評論》上發(fā)表的一篇文章中寫道：

如果普通人能在不到一秒的時間內完成一項腦力任務，現(xiàn)在或不久的將來就可以用人工智能將該任務自動化。

有人提出質疑，認為只要是一分鐘之內的思考任務，人工智能都可以完成。毫無疑問，人工智能正在經(jīng)歷一個爆炸式增長的階段。依靠適當?shù)乃惴ê妥銐虻臄?shù)據(jù)進行訓練，機器可以做出非常好的決策，就像有經(jīng)驗的人能做到的那樣。

雖然這些都是簡單的小任務，但是從數(shù)量和準確性中獲得的好處對于一個企業(yè)或整個行業(yè)來說是非常重要的。有一些眾所周知的例子：人臉識別、語音識別、語法糾正和語言翻譯。

異常監(jiān)控是一個特別有用的領域。長期以來，傳統(tǒng)的數(shù)據(jù)分析方法一直用于檢測欺詐事件，通常需要進行復雜且耗時的調查，以處理不同的知識領域。

事實證明，人工智能和機器學習在檢測垃圾郵件方面非常有效。從那以后，人工智能和機器學習在異常監(jiān)控中的應用已經(jīng)擴展到信用卡欺詐監(jiān)控、放射學診斷和信息安全中的系統(tǒng)入侵檢測。

02 個性化客戶體驗

產品推薦在亞馬遜和Netflix的案例研究中得到了充分肯定。這兩家公司驚人的收入增長很大程度上是建立在產品推薦引擎上的，這些引擎是由人工智能算法和大量在線數(shù)據(jù)驅動的。即使不成為互聯(lián)網(wǎng)巨頭，也可以利用人工智能和機器學習技術來推薦更好、更相關的產品和服務。

我們在房地產行業(yè)的一個客戶成功地建立了市場中最大的數(shù)字資產之一，但遺憾的是，網(wǎng)站上大量的匿名用戶限制了企業(yè)了解他們并向合作伙伴提供有價值的洞察力的機會。

于是該企業(yè)開展了一項機器學習活動，在匿名用戶進入網(wǎng)站時，詢問他們是否首次購房。盡管客戶的響應度不高，但企業(yè)依然收集到了足夠的數(shù)據(jù)來訓練機器學習算法。該算法檢測點擊流和其他瀏覽行為的模式，從而實時且準確地預測首次購房者。

這給企業(yè)帶來了新機會，可以產生與該目標受眾高度相關的首次購房報價和產品。

如果客戶允許我們訪問他們的更多數(shù)據(jù)(例如，位置、聲音、移動、溫度等感知數(shù)據(jù)，以及日歷、電子郵件和社交網(wǎng)絡等個人數(shù)據(jù))，就可以推斷出更準確、更具體的用戶上下文(例如，他們的活動、環(huán)境、情緒，甚至壓力水平)?？紤]到這種豐富的上下文，設計師將需要做很多工作。

在機器學習時代，定義用戶體驗的是個體，而不是目標群體。

03 做出更好的決策

人工智能和機器學習非常擅長“大海撈針”，而人類更善于觀察“針”并決定如何使用它。除了簡單的小任務外，大多數(shù)業(yè)務決策都需要良好的判斷力、同理心、直覺和創(chuàng)造力。由于認知偏見，人類實際上在模式識別方面表現(xiàn)很差，因為人類大腦非常不善于預測統(tǒng)計趨勢。

大腦會被拋硬幣這樣簡單的事情困?。涸谶B續(xù)5次得到正面后，大多數(shù)人會想，“下次肯定是反面!”從統(tǒng)計上看，即使連續(xù)得到100次正面，下一次得到反面的概率仍然是1/2。只要動動腦子，大多數(shù)人都能克服這種認知偏見，得出正確的結論。

還有一個更具挑戰(zhàn)性的問題。行為經(jīng)濟學先驅阿莫斯·特沃斯基(Amos Tversky)和丹尼爾·卡內曼(Daniel Kahneman)進行了一項實驗：

一個城鎮(zhèn)有兩家醫(yī)院。在大醫(yī)院里，每天大約有45個嬰兒出生;在小醫(yī)院里，每天大約有15個嬰兒出生。雖然大約50%的嬰兒是男孩，但確切的比例每天都在變化—有時高于50%，有時低于50%。

在一年的時間里，每家醫(yī)院會記錄超過60%的新生兒是男孩的日期。你認為哪家醫(yī)院會有更多記錄?

大醫(yī)院。小醫(yī)院。相同。

結果：56%的人選擇了選項3，22%的人選擇了選項1，其余22%的人選擇了選項2。

正確答案應該是2，因為更多的事件會導致更平均的概率趨勢。為了應對這種認知偏見，需要花費更多的精力。

這不是一個鉆牛角尖的問題，在日?；顒又薪?jīng)常發(fā)生。為一個產品設定價格時，除了需要知道競爭對手的定價、歷史定價、產品的必備性質和定制性質外，還需要預測消費者對該產品的未來潛在需求，以及供應商和供應鏈數(shù)據(jù)對該產品的未來潛在供應。

人工智能和機器學習技術將在基于數(shù)據(jù)預測未來趨勢方面變得更好。人類的工作是使用數(shù)據(jù)和算法，應用洞察來做出更好、更理性的決策。

對于重要的業(yè)務決策，如定價、庫存管理、供應鏈管理、人員和設備調度、維護調度等，需要進行分解，劃分出信息處理、模式識別和預測等部分，讓數(shù)據(jù)/人工智能模型/機器學習模型給出答案。而需要同理心、創(chuàng)造力和常識的部分應保留在人類判斷的范圍內。

數(shù)據(jù)在幫助建立高響應力組織方面非常有效。通過盡早有效地應對來自市場、客戶和組織內部的信號，可以更好地完成以下工作：

• 帶著不完善的信息前進。
• 在必須決策的最后時刻再做決定。
• 提高變革能力。
• 能夠產生新的價值來源。

一方面，企業(yè)領導者需要了解組織約束和人類的認知偏見，并學習如何從個人和制度上消除或減輕它們。另一方面，通過技術能力來收集干凈的數(shù)據(jù)，將其放到適當?shù)奈恢?，應用正確的算法。

小結

數(shù)據(jù)洞察可以幫助組織中的人員做出更好的決策，來為客戶提供更好的產品和服務或創(chuàng)建新的商業(yè)模式。

數(shù)據(jù)的爆炸式增長正在推動數(shù)字化生態(tài)系統(tǒng)的發(fā)展，重塑組織架構，通過數(shù)據(jù)創(chuàng)建新的產品、增強個性化和增加客戶服務價值。麥肯錫全球研究院(McKinsey Global Institute)指出，與傳統(tǒng)組織相比，數(shù)據(jù)驅動型組織的獲客率高出23倍，留存率高出5倍，獲利率高出18倍。

組織正在以歷史上前所未有的速度發(fā)展，與客戶之間的數(shù)字化交互正在揭示新的商業(yè)意義，以及關于客戶價值是什么和如何最好地交付它的洞察。