今天不是人工智能的爆炸时代，却是场景构建的基础元年

一边是看似神奇的人工智能时代的爆炸，一边是企业对于大数据无用论的抱怨、或是对大数据的全然不知。人工智能时代真的来临了吗？

事实上，今天大数据在企业实际商业应用中存在两大困难，一是今天的人工智能还无法做到对场景的常识理解；二是即使大数据技术有一些发现，也尚未在实际商业中发挥直接作用。

作为企业，到底如何少踩坑地跨入大数据时代？

我们用原力大数据一路填过的坑来谈企业应该如何应对。

人工智能爆炸时代尚未来临

1.    看似神奇的人工智能时代的爆炸？

最近经常接触大型企业客户，他们是真正的大数据应用者，他们总和我说“我们要搞人工智能“，“我们接下来要做的就是深度学习”，或者问我，“原力大数据的平台有没有用深度学习算法”。

以至于让大家产生一种错觉，人工智能技术就是一切，人工智能的爆炸时代来临了。

2.    企业对大数据的全然不知，或抱怨大数据无用？

事实上，业内人都知道，大数据在企业的应用面临着困境——传统行业和中小企业根本不懂大数据，很多用过大数据的企业也不认可大数据。

绝大多数的实体经济企业或中小企业（比如：零售连锁、房地产、药品、物流等）只听说过大数据，并不知道大数据有什么用、不清楚从哪里可以获得数据，更不知道自己要如何使用大数据。

而对于真正使用过大数据的一些企业（比如：银行、通信运营商），我却常常听到客户抱怨大数据没用，“精准营销还没有我拍脑袋靠谱”“某AI语音客服平台很扯”“客户识别模型根本不准”。

3.    人工智能时代真的来临了吗？

一边是看似神奇的人工智能时代的爆炸，一边是企业对于大数据无用论的抱怨、或是对大数据的全然不知。

我特别赞同美国三院院士、加州大学伯克利分校教授MichaelI. Jordan对于今天人工智能的描述：“现今的我们，并非处于一个人工智能的神奇大爆炸时代。我们有可能要花上百年的时间，人工智能这个高楼大厦才能真正地建立起来。”

对此，我的观点是：

今天不是人工智能的爆炸时代，却是大数据应用场景构建的基础元年；

人工智能这座大楼建立的核心，就在于构建大数据应用的基础场景。

大数据在企业实际商业应用中存在两大困难

目前，大数据在企业的实际商业应用中存在两大困难：

困难1：今天的人工智能还无法做到对场景的常识理解

马未都先生关于北京话规则的解读可以清晰地说明这种情况

晓说 2017：口述历史:对谈马未都(下) 京城旧事

事实上，在我们日常生活和工作场景中都面临着很多看似有规则实际没有规则的常识场景，而这些问题是人工智能没有办法帮我们解决的。正如视频里面同样的句式、语法、逻辑，如果用人工智能建立语义识别的规则，就会产生错误。这就是人工智能在实际商业应用中产生的第一个困难。

困难2：即使大数据技术有一些发现，也尚未在实际商业中发挥直接作用

我们在大数据应用领域还有一个更大的困难，今天即使大数据的技术和能力能够帮助我们有一定发现，但是这些发现都没有真正地在商业中发挥直接作用。

以大数据舆情系统为例，舆情系统可以告诉我们一件事情是正面、负面、影响力有多大、扩展趋势如何等等。

一个企业如果面临正在传播中的负面信息，企业会做的是找媒体公关公司进行澄清、控制负面报道；另一方面会雇水军传播正面言论。

当企业发现一个热点事件，会借势进行热点营销，找营销策划公司来做营销方案，然后找广告投放公司在合适的媒介进行宣传。

你会发现在一个真实的商业场景中，舆情平台没有带来任何实质性的商业价值，这就是今天大数据产品普遍面临的尴尬和困境。

今天的大数据和人工智能大多仍然在关注技术和算法，这是导致大数据用不起来或者效果不好的根本原因。

今天的大数据和人工智能更多关注的仍是技术和算法，这些技术和能力还无法为客户进行精准营销、挽回流失用户产生实际价值和回报，这是导致大数据用不起来或应用效果不好的根本原因。

人工智能、深度学习、神经网络、遗传算法、决策树，这些算法只是技术和能力，并不等于它能够搞定精准营销、帮你把要流失的用户找回来，这就是我们大数据应用的现状。

构建大数据的应用场景，

是实现大数据技术到应用落地的关键

从大数据技术到应用落地的中间还缺少非常重要的一环，就是构建大数据应用场景。只有构建有效的大数据应用场景，才能实现大数据技术的应用落地。原力大数据一直聚焦于大数据应用场景的构建，在这里分享我们在构建大数据应用场景三个方面的认知和实践：

1.    把场景细化到最小粒度，解决AI无法做到的对场景的常识理解

把场景细化到最小粒度，因为只有细化到最小粒度，才能解决AI无法做到的对场景的常识性理解。

客户流失对于每一个企业的损失都是特别大的，也是很常见的一个应用场景，每个企业都会做提前的预警和干预来防止高价值用户的流失。

我们就以最常见的客户流失预警为例：

大多数企业的做法是把一堆的数据丢进去，然后采用分类预测类的数据建模，生成一份潜在客户流失清单，然后采取无差异的客户挽留措施，可效果通常不太好。

导致客户流失的原因可能有很多，无差异的建模、再进行无差异的客户挽留措施，效果必定不好。

我们的做法是把场景细分到最小粒度。

以一个游戏用户流失的案子为例，资费、产品、竞争等原因都会导致客户流失，仅资费而言，可能又涉及到产品的资费过高或者手机流量消费过高。把费用过高的原因细化到N个不同的情况，针对每一个具体场景进行分析和算法模型的构建，再针对一个具体的场景进行营销执行，比如一个客户是由于免费到付费状态导致的流失，为了避免这种情况再发生，我们应该增强对付费用户权益的宣传。

大量实践案例表明，只要把场景细分得合理，我们就能够让大数据应用变得有效。我们就一个案例做效果评估，流失挽留率平均提升了158%，最高提升6.6倍，这就是为什么我们说要把场景细化到最小粒度。

2.    把人的因素纳入场景设计，降低大数据应用门槛

很多数据分析应用工具不能大规模推广的原因在于设置的门槛太高，这是大数据产品目前存在的最大局限。

今天的大数据应用与计算机DOS操作系统时代非常类似，DOS时代使用电脑需要输入命令行，只有从事计算机工作或者经常用的人才会用，所以很难普及。

我们今天的大数据分析应用产品如同DOS时代，做数据应用的人也需要理解业务、理解数据、懂得简单的SQL操作，甚至有一定的建模能力。这对于一般岗位的人来说太难了，毕竟不是每一个工作人员都是技术人员。

对应用而言，目前大数据应用的门槛过高，我们需要像Windows升级一样，把我们的应用场景构建成傻瓜式的简单操作，并且界面需要十分友好。也就是说当我需要真正进行大数据应用的时候，这个人并不需要懂数据，也不需要懂技术、懂建模。产品使用起来足够简单，针对某项岗位的具体工作，不再需要关心数据提取或数据分析建模，这个时候，我们才能降低大数据应用产品的使用门槛。

在这给大家分享一个比较成功的大数据产品——原力大数据智慧营销平台，它服务于企业的存量运营。我们针对不同的场景设计了4个简单工具，数据识别（告诉你什么事重要）、用户洞察（不用数据操作、不用提数，就可以做客户画像）、精准营销（里面有一堆的模型和规则，帮你解决每一次营销的数据和客户获取问题）、应用评估（不让你干活，自动生成报告告诉你这次营销效果怎么样，是成功还是失败，事后如何优化）。

原力智慧营销平台的成功归功于两点。第一，底层仍然是大数据的模型和算法，足够细分的场景和模型保证了良好的使用效果；第二，上层应用层足够切合场景，没有使用难度，不增加客户工作量，客户体验良好。

在这里分享一个智慧营销平台在手机实体连锁企业的应用案例。针对这个手机连锁企业，我们为它在底层构建了32个细化场景和模型，满足日常的营销和运营需求。这些场景中包含客户数据的真实性和有效性核查；是否在换机周期（3-7个月）内购买过手机（如果购买过，意味着他的购买率很低，日常营销就不要再向他发宣传彩信）等。通过这个大数据产品的应用，我们把彩信到店引流的成本降低了一半，到店人流量增长了20%。

事实证明，大数据应用产品只要有效，且操作起来没有门槛，产品就能够被客户接受。

3.    创造新的大数据场景化工具

我们未必非要用人工智能来预测未来，也可以用大数据技术来提高效率。我们的产品——原力大数据热点库，基于爬虫技术爬取公开媒体渠道及网络内容，该产品的设计来源于服务的需求，告诉你现在最重要的热点或者行业资讯。

互联网时代，每个企业都有运营公众号的需求，对于企业来说原力大数据热点库是一个刚需产品，毕竟不是每个企业都有一个“咪蒙”，每一篇文章都能像大V一样做到10w+、100w+，我们做的是用大数据解决知识问题和效能问题。文案不是最重要的，追热点更重要。原力大数据热点库把热点营销文案水平维持在60-70%左右，把2-3人工作减少到1人，用机器和算法实现，使得企业对热点的响应速度更快，提升30%左右的拉粉速率。

今天是大数据应用场景构建的元年，还有很多企业没有应用大数据或没有用好大数据，大数据应用存在巨大机会。各个行业中都存在大量、丰富的大数据应用场景需求，与行业、与企业深度合作，共同探索和构建有效的大数据应用场景，是实现从技术到应用落地的最关键一环。