【資料猿導讀】 當前人工智慧(AI)的現狀是呼聲很高，落地很少，“只見人工，不見智慧，有多少人工就有多少智慧”的吐槽，也讓AI行業在高速發展的同時質疑聲不斷。就此話題，本文作者蘇春園將探討從“資料”產生“智慧”、從BI到AI的角度，以及用案例的方式拋磚引玉，闡述人工智慧時代資料與智慧的關係。

作者 | 蘇春園

官網 | www.datayuan.cn

微信公眾號ID | datayuancn

關於人工智慧（AI）如何商業化應用的討論如火如荼，從16年的星星之火，17年的燎原之勢，到今年可以說是無孔不入了。現在要是哪個場合沒有AI元素，主辦方都不好意思邀請嘉賓出席。

突然有一天，有人說了句玩笑話，說當前的人工智慧應用，只見“人工”，不見“智慧”，有多少“人工”就有多少“智慧”。本來是調侃一下，但大家突然感覺好想還真是這麼個意思，不經意之間點破了當前AI的現狀，那就是呼聲很高，但落地很少。

所以就這個話題，我將繼續與品覺老師約茶聊天，這回主要探討如何從“資料”產生“智慧”。我更關心的視角是，企業如何應用資料進行商業分析與決策，如何從大量的“資料”中產生支援決策的“智慧”。接下來是我們的一些實踐與思考，拋磚引玉，大家多拍磚。

《資料的本質》 作者：車品覺

大資料專家，前阿里巴巴集團副總裁、現紅杉資本專家合夥人，被譽為“中國資料化思考第一人”

以矽谷Palantir為例

在《資料的本質》一書中，品覺老師提到了Palantir的例子。大家都知道，Palantir是全球AI領域的明星公司，被認為用演算法解決了很多最為複雜的社會和商業問題。但與Palantir深度交流過之後，品覺發現實際上在他們的客戶專案裡面，大量的工作是在做資料ETL與資料整合，而基於AI的演算法應用、關聯分析，只是浮出水面的那冰山一角。

（Palantir示例場景 圖片來源於網路）

兩個案例看本土實踐

在本土，我們也遇到很多類似的場景，今天也分享幾個例子。

以一家行業領先的連鎖零售品牌為例，這家客戶在全國有千家門店，主營有時效性的生鮮類產品。我們第一次討論，確定的切入場景是門店銷售預測以及基於此的智慧訂貨，這是一個典型的AI與業務結合的應用場景。從這個場景切入，因為這是在業務這一側表現出來的顯著痛點，高層們都非常重視。

但正式接觸之後，我們與客戶IT團隊很快意識到，第一層和第二層樓（“資料的基礎”）還沒有蓋好，直接上馬第三層樓（“AI應用”）是不切實際的。

具體來說，要對門店銷售進行預測，需要對門店促銷的歷史資料以及銷售資料進行關聯建模。門店會對不同單品進行促銷，並根據季節因素經常性的輪換推薦不同的產品。不同單品的促銷與否以及推薦力度，毫無疑問會直接影響到單品銷售額以及門店銷售額的變化。更進一步，有些門店還會根據一些門店端非常特殊的原因，比如極端天氣或者小區周邊活動等，進行促銷的調整。這些促銷相關的資料，對於發現產品銷售的關聯性至關重要，是構建模型特徵工程的關鍵變數。

我們與客戶IT團隊緊密合作，對相關促銷資料進行了系統地梳理，發現歷史資料有很大缺失。演算法團隊花了大量的時間來構建與尋找合適的模型特徵值，但由於關鍵資料的缺失，模型效果提升很緩慢。

更進一步追蹤，為什麼這些關鍵的促銷資料在之前並沒有很好的得到留存？一個關鍵原因是BI（商業智慧）的應用還沒有到位。

客戶以往看資料做決策主要是去看POS、ERP系統裡面自帶的報表資料，以及加上OA裡面有一些彙總類或者填報類的資料。而業務系統裡面的報表資料，與真正的BI的應用還是有本質區別。

BI的各種應用幫助企業打通各個核心業務環節，倒逼企業構建紮實的資料基礎。比如，通過BI裡面的聯動分析，分析某單品促銷與銷售的整體關聯表現，再進一步進行BI的鑽取分析，追蹤到具體門店級別的，發現某單店的關聯表現。

這些分析都是非常經典的BI分析場景，如果有了這些場景，就能夠第一時間發現，其實有些分析是無法進行下去的，原因是對應的原始資料並沒有落下來，比如前面提到的促銷資料。而這些發現是將進一步的倒逼IT系統的優化，以及相應業務流程的完善，及時補充資料完整性和一致性。

而這個層層倒逼的邏輯，在我們另一個500強客戶身上也是出奇的一致。

這是一個FMCG快速消費品巨頭的中國業務，我們的目標是將銷售預測的準確率再提升5個百分點。

相對大部分國內客戶而言，這家全球客戶有更深入的BI投入和應用基礎，有相對完備的資料沉澱，所以啟動AI的應用容易很多。但是，當真正進入到最後1%就要落地的時候，我們遇到了很多“地雷”。

很有意思的是，這些“地雷”都不是AI演算法直接相關，也基本都是資料不一致的問題。更進一步，我們發現這些資料基礎問題，都是出現在相應的BI場景還沒有覆蓋的地方。比如該客戶BI場景正要但還沒有覆蓋到品類促銷的主題分析，所以這些場景背後存在很多的資料孤島以及對應的資料口徑不一致的邏輯。

欲速則不達。

為了進一步推動AI場景應用的落地，我們與客戶討論發現，最快的辦法是先回到BI層面，快速的把缺失的分析場景進行敏捷的構建。

這個構建的過程本身帶來了資料孤島的打通、指標體系與統計口徑的一致，以及確認了各業務部門的統一視角。所以，BI的不斷完善，本質上是為AI場景的落地夯實了基礎。

有了這些資料基礎的提升，我們也快速推進了AI的落地和迭代。

“無BI，不AI”

在《資料的本質》裡面，品覺老師把“資料”與“智慧”兩者比喻為氣宗與劍宗。劍宗強調犀利快速，而氣宗強調底子紮實和後勁十足。兩者的關係是以氣御劍，劍氣兼修。這個比喻非常形象。

我們資料提了一個說法叫：“無BI，不AI”。也許有些絕對，但這個理念我們在與大量客戶合作的溝通中確實發現很有普適性。

BI與AI兩者相輔相成，當構建的BI分析場景越來越成熟、完善，能夠進行演算法和模型的AI應用越多，而反之，則不斷倒逼基礎分析和資料的完善，形成良性的閉環。

養資料，生智慧。

從BI分析到AI應用，不斷倒逼升級資料基礎。從資料出發，反覆迭代，最終構建企業的決策大腦。

關於作者

蘇春園，資料猿專欄專家，觀遠資料創始人兼CEO，卡內基梅隆大學資訊科技與管理專業碩士，曾擔任納斯達克上市公司MicroStrategy微策略軟體全球高管&中國研發總裁，為多家500強客戶提供商業智慧與大資料分析產品與方案。觀遠資料是國內新銳的智慧資料分析公司，獲多家全球頂級VC投資，通過AI+BI的一站式商業智慧分析平臺，為客戶提供可行動的決策建議。

注：本文由觀遠資料&蘇春園投遞並授權資料猿釋出，投稿請傳送至郵箱：[email protected]

4月26日-4月27日，AI in China 之智慧製造-資料驅動產業變革-高峰論壇即將開始，期待我們的見面