读<智能商业双螺旋之二: 数据智能> 有感

中心思想

作者提出了一个大的命题: "无数据, 不智能; 无智能, 不商业". 然后他将"数据智能融入具体商业"落地到 3 件具体的"抓手": 数据化, 算法化和产品化.

• 数据化是基础, 通过业务在线来实现, 通过数据清洗找到真正有价值的数据.
• 算法是数据的引擎, 用大白话来说, 算法就是把产品逻辑和市场机制变成概率论和数学方法, 追求大概率成功和大概率可靠.
• 产品化是数据智能和商业场景的最终载体, 将机器的结果给到用户, 用户的行为反馈给机器.

我的感受

说老实话，看完这篇文章，我有一种面临职业迭代的紧张感。产品经理是各家用户体验和商业化的排头兵，这个岗位经过10年的发展，能力模型已经非常成熟。 但是，在智能商业的时代下，它对产品经理提出了新的要求：你要具备和“智能商业“有关的能力，否则在下一个时代很可能丧失驱动力。

摘要

前言

1. 无数据, 不智能; 无智能, 不商业. 人工智能是一场技术革命, 它必然会将越来越多的商业智能化.
2. 在我看来, 想把数据智能融入具体商业, 要做好三件事: 数据化, 算法化和产品化.

数据化: 商业创新的基础

1. 对于当下的商业而言, 智能化指的是商业决策会越来越多地依赖机器学习, 依赖人工智能. 机器将逐步取代人, 在越来越多的商业决策上扮演非常重要的角色, 它能取得的效果远超过今天人工运作产生的效果.
2. 基于数据智能的商业必将超越 1913 年横空出世的福特流水线, 给人类整体的生产力带来一次根本性的巨大突破.
3. 如果我们更全面地检视蚂蚁小贷的业务, 就会发现它做了 3 件关键的是: 特定商业场景的数据化, 忠实于商业逻辑的算法及其迭代优化, 以及将数据智能与商业场景无缝融合的产品. 这三件事会融汇贯通, 相互包含, 在反馈闭环中共同演化, 这是未来智能商业的样貌.
   • 蚂蚁小贷的算法工程师建立了三套机器学习的算法模型来处理这些海量数据, 即偿贷能力模型(相关经营数据), 偿贷意愿模型(客户风险偏好及信用度), 定价模型(价格偏好及策略), 给每位客户进行风险评级和定价.
   • 这个过程中, 客户的数据越来越多, 数据维度越来越丰富, 参数越来越准确, 算法模型越来越有效, 风险控制的成本越来越低, 信贷对象的体验越来越好, 覆盖的贷款用户也越来越广. 整个业务进入高速发展的正向循环. 更重要的是, 这是一个基于数据和算法,且自动的智能化用户体验提升过程, 商业效率也得到了极大的提升.
4. 所谓数据化, 不仅包括客户的经营数据, 还有更多维度的数据被记录, 分析和融入, 构成了客户全方位的描摹.
5. "数据化"本质上是将一种现象转别为可量化形式的过程...互联网技术使我们终于可以低成本, 全方位地记录数据, 而只有我们拥有足够大量, 足够多维度的"大数据"时, 才可能真正客观, 真实而深刻地理解我们周遭的环境, 事物的本源及我们自己.
6. 有效的数据初始化是至关重要的第一步. 可以说, 没有数据的初始化, 就没有后续的商业创新. 而成本高昂的数据初始化工作能否创造巨大的客户价值, 就成为当下海量创业项目能否存活立足的重要考验. 企业家的创造性也将在这一领域大放异彩.

算法化: 智能商业的"引擎", 而非"工具"

1. 如果我们将数据看做是 DT时代的一桶高标号汽油, 那么算法无疑就是这台引擎. 只有算法才能让数据中的能量得以完全喷发出来, 为智能商业这辆汽车推进加速.
2. 在商业语境下, 算法就是一组反应了产品逻辑和市场机制的计算指令的集合.
3. 算法是机器学习的核心, 笨机器用本办法, 靠着算法的持续迭代优化, 变得越来越聪明.
4. 机器学习的原始材料是数据, 数据越多越好. 并且机器学习能够克服各种复杂情况, 只要数据足够丰富, 简单的学习算法可以轻松编写百万行长的新算法, 工程师的工作轻松多了.
5. 数据时代的智能商业对算法提出了全新的要求: 算法的迭代方向, 参数工程等, 都必须与商业逻辑, 机制设计, 甚至价值观融合为一. 当算法迭代优化时, 决定其方向的不仅是数据和机器本身的特定, 更包含了我们对商业本质的理解, 对人性的洞察和对创造未来商业新样貌的理想.
6. 这就是我们将算法成为智能商业的引擎而费工具的关键理由, 它是智能的核心. 基于数据和算法, 完成机器学习, 实现人工智能. 第三次工业革命发展到今天, 计算方法已经产生了从量变到质变的飞跃, 可以说是数据时代最根本的特征.

产品化: 数据智能和商业场景的最终载体

1. 其实人工智能只是人类的一个工具. 智能商业的核心就是能主动地了解用户, 通过学习不断提升用户体验. 而真正把用户, 数据和算法创造性地连接起来的是产品, 这也是互联网时代特别强调产品重要性的根本原因.

2. 产品和数据, 算法的互补作用可以形象地比喻成"端+云". "端"就是产品, 是与用户完成个性化, 实时, 海量, 低成本互动的端口. 它不仅直接完成用户体验, 同时使数据记录和用户反馈闭环得以发生, 和"云"互动; 而"云"则是数据聚合, 算法计算的平台, 它通过算法优化, 更好地揣摩用户需求, 提升用户体验. 作为端的产品, 具备以下三大关作用:

   • 产品设计直接影响用户体验
   • 上传: 将"端"的行为数据向"云"反馈
   • 下达: 将"云"的数据智能传递到"端"

3. 上传下达, 双管齐下, 数据闭环靠产品互动实现. 而产品体验依赖于数据智能, 数据和产品合二为一. 一切的数据智能体系, 都必须最终融合在功能直接, 交互友好, 价值明确的互联网产品上, 其智能的价值才能真正的体现出来.

4. 互联网产品是一种包含了"云"的智能和"端"的体验的完整互联网服务, 它是数据智能和商业场景紧密融合的最终载体, 也必将取代营销, 成为商业运营的关键.

5. 智能商业的成功, 最关键的一步往往是一个极富想象力的创新产品: 针对某个用户问题, 定义了全新的用户体验方式, 同时启动了数据智能的引擎, 持续提升用户体验.

6. 数据化, 算法化加上产品化, 构成了智能商业的三大基石.

7. 还有一样东西不可或缺----反馈闭环提升用户体验. 在反馈闭环中, 数据既是高速流动的介质, 又持续增值; 算法即是推东反馈闭环运转的引擎, 又持续优化; 产品即是反馈闭环的载体, 又持续改进功能, 在为用户提供更好的产品体验的同时, 也促进数据反馈更低成本, 高效地发生.数据化, 算法化和产品化就是在反馈闭环中完成智能商业的"三位一体"的.

活数据: 让反馈成为闭环

1. 想让数据与现实生活无缝衔接, 就需要数据在线, 实时记录而不是主动采集; 要不断更新, 随时可用来产生洞察; 需要在实际业务场景中被灵活使用, 驱动下一个鞠策产生. 这个概念成为"活数据"
   • 数据是活的
     • 活数据一定是始终在线且不断更新的, 可以随时被使用.
   • 数据需要被灵活使用
     • 活数据在不断被消化, 处理, 产生增值服务, 同时又能产生更多的数据, 形成数据回流.
2. 活数据的三大特征:
   • 全本记录, 而非样本调查
   • 先有数据, 后有洞察. 我们重视的是相关性, 而不是因果性.
   • 数据就是决策, 数据智能的引擎机器要能够直接决策.
3. 企业智能化的两大步骤:
   • 核心业务在线化是你首先要考虑的事情, 也就是运用 IOT 技术让线下场景变成线下场景.
   • 业务环节自动化. 用机器取代人来决策和服务.
4. 企业智能化, 简单而言就是"能学习的决策机器", 不但能够做出决策, 就连决策的效率和效果也可以通过学习的闭环不断进行优化改进, 这当然需要数据和算法的支撑.
5. 在某个特定的业务场景下, 通过在线化和自动化形成智能商业的初步闭环, 这是接下来最值得大家去研究的事情.