2021即將迎來(lái)最后一個(gè)月份。每到這時(shí)，關(guān)于未來(lái)的技術(shù)趨勢(shì)預(yù)測(cè)總會(huì)見(jiàn)諸報(bào)端。前不久，Gartner公司就宣布了企業(yè)組織在2022年需要探究的幾大戰(zhàn)略性技術(shù)趨勢(shì)，它們或?qū)⒃谖磥?lái)5－10年內(nèi)推動(dòng)重大顛覆和機(jī)遇。

其中，既有看起來(lái)相對(duì)新穎的分布式企業(yè)、云原生平臺(tái)CNP、超自動(dòng)化，也有火了幾年的生成式AI、決策智能DI等。

今天想跟大家深入聊一聊的，就是號(hào)稱“世界級(jí)難題”的——決策智能DI。

早在2017年，AI浪潮剛剛襲來(lái)的時(shí)候，業(yè)內(nèi)就流傳著類似的預(yù)言：未來(lái)所有的企業(yè)都是人工智能企業(yè)。而AI公司的典型樣貌，不就是利用智能技術(shù)讓企業(yè)決策更高效、更精準(zhǔn)、更靈活嗎？

看起來(lái)似乎很簡(jiǎn)單，將經(jīng)營(yíng)中產(chǎn)生的大數(shù)據(jù)扔給AI不斷地訓(xùn)練學(xué)習(xí)，形成適配業(yè)務(wù)需求的決策模型，將原本依靠經(jīng)驗(yàn)的“人治”變?yōu)椤皵?shù)治”，就可以了。

類似的案例也不少見(jiàn)，比如某服裝廠商將原本要靠店長(zhǎng)每天統(tǒng)計(jì)上報(bào)補(bǔ)貨數(shù)量，全部變成了系統(tǒng)根據(jù)銷售情況自動(dòng)安排補(bǔ)貨；某自來(lái)水公司原本需要靠人工來(lái)調(diào)節(jié)水壓，運(yùn)用AI智能判斷調(diào)壓，省了人工和運(yùn)營(yíng)成本，住戶體驗(yàn)也更好了……聽(tīng)起來(lái)皆大歡喜。

但現(xiàn)實(shí)中，我們走訪了許許多多的傳統(tǒng)企業(yè)智能化項(xiàng)目，發(fā)現(xiàn)事情并非如此簡(jiǎn)單。

和成功相比，失敗或停滯的案例更多。

這些企業(yè)中，不乏幾十年的深厚管理功力，更不缺少推進(jìn)智能化項(xiàng)目的魄力和眼光，否則也不會(huì)最先擁抱AI。

但是，這些探索中，有的智慧門(mén)店，在嘗試了十幾家之后宣告終止；

有的企業(yè)好幾年還停留在數(shù)據(jù)采集、數(shù)據(jù)治理階段，距離決策智能遙遙無(wú)期；

有的預(yù)測(cè)模型，根本達(dá)不到預(yù)期效果，還不如依靠專家經(jīng)驗(yàn)的傳統(tǒng)方式……

這些現(xiàn)實(shí)問(wèn)題，是很多企業(yè)在智能化探索中很少愿意去講的故事，一些AI技術(shù)服務(wù)商也往往會(huì)隱去這些“失敗案例”，傾向于暢想“技術(shù)利好”。

據(jù)Gartner公司的測(cè)算，到2030年，智能決策將超過(guò)所有其他類型的人工智能活動(dòng)，占全球人工智能衍生商業(yè)價(jià)值的44％。也就是說(shuō)，未來(lái)組織必須使用決策智能，以增強(qiáng)競(jìng)爭(zhēng)優(yōu)勢(shì)。

如果搞不清楚可能踩到的坑，反而會(huì)在當(dāng)下透支企業(yè)——尤其是傳統(tǒng)行業(yè)對(duì)決策智能以及AI的信心。

所以，我們決定通過(guò)五個(gè)“大失敗“案例，帶大家參觀一下決策智能DI可能有哪些失敗姿勢(shì)。

姿勢(shì)一：沒(méi)數(shù)據(jù)，卻要洞察

智能指導(dǎo)決策，首先要求AI能夠從各種異構(gòu)化數(shù)據(jù)中洞察出隱藏的業(yè)務(wù)邏輯。但許多企業(yè)的數(shù)據(jù)卻散落在各個(gè)渠道。其中，最為撕裂的要數(shù)線上與線下。

我們采訪的某A服裝品牌，就是線下購(gòu)物商場(chǎng)起家的。伴隨移動(dòng)互聯(lián)網(wǎng)的快速發(fā)展，線上業(yè)務(wù)近些年快速崛起和壯大，還沒(méi)來(lái)得及與傳統(tǒng)的線下渠道、供應(yīng)體系深度磨合，已經(jīng)形成了分庭抗禮的狀態(tài)。

線上、線下分屬兩個(gè)渠道，分管領(lǐng)導(dǎo)／老板之間有著直接的利益沖突，訂單、庫(kù)存、會(huì)員數(shù)據(jù)等都不愿意共享和打通。而企業(yè)壯大之后，創(chuàng)始人的權(quán)力也受到多方掣肘，很難強(qiáng)勢(shì)地要求雙方整合成全國(guó)乃至全球“一盤(pán)貨”，最后A企業(yè)不得不各個(gè)渠道各建一個(gè)系統(tǒng)。

統(tǒng)籌幾千家門(mén)店、幾萬(wàn)個(gè)SKU、多層分銷體系，是一件非常龐大復(fù)雜的工作，數(shù)據(jù)之間無(wú)法協(xié)同，還有大量數(shù)據(jù)存在于紙質(zhì)文件、報(bào)銷票據(jù)等等。

對(duì)A企業(yè)來(lái)說(shuō)，看不到全局?jǐn)?shù)據(jù)，生產(chǎn)、調(diào)撥、發(fā)貨、庫(kù)存、訂貨等各個(gè)業(yè)務(wù)單元，想要做分析預(yù)測(cè)也就變得十分困難。

舉個(gè)例子，工廠要看到動(dòng)態(tài)銷售情況，掌握哪些款式賣的好可能要追單，會(huì)提前聯(lián)系原材料廠商、對(duì)布料進(jìn)行預(yù)處理，從而快速響應(yīng)。

而A企業(yè)雖然有了一個(gè)系統(tǒng)，但線上線下的內(nèi)部數(shù)據(jù)并不互通，依靠AI進(jìn)行銷售預(yù)測(cè)就不一定準(zhǔn)確了，形成了“不了解市場(chǎng)變化——無(wú)法高效生產(chǎn)——做不到精準(zhǔn)補(bǔ)貨——消費(fèi)者買不到或不喜歡——庫(kù)存壓力大現(xiàn)金流緊張——不愿意做數(shù)字化投入——更不了解消費(fèi)者”的惡性循環(huán)。

姿勢(shì)二：有意識(shí)，但數(shù)據(jù)質(zhì)量低

當(dāng)然，也有一部分企業(yè)意識(shí)到了數(shù)據(jù)統(tǒng)一化的重要性，并且渠道統(tǒng)籌、內(nèi)部推動(dòng)更加有力，這樣的企業(yè)往往會(huì)更大膽地?fù)肀�AI。

比如某食品品牌B，很早就成立了大數(shù)據(jù)和算法部門(mén)，招攬了許多算法專家、開(kāi)發(fā)人員，希望基于大數(shù)據(jù)搭建起消費(fèi)者洞察模型，指導(dǎo)營(yíng)銷決策和運(yùn)營(yíng)決策。

作為傳統(tǒng)企業(yè)，B是極有魄力和眼光的，但智能決策需要非常多的工程能力，而不僅僅是算法能力。

舉個(gè)例子，要解決銷售預(yù)測(cè)的問(wèn)題，就要統(tǒng)一數(shù)據(jù)標(biāo)準(zhǔn)、采集全環(huán)節(jié)數(shù)據(jù)，聯(lián)動(dòng)渠道、門(mén)店銷售、供應(yīng)鏈、生產(chǎn)、庫(kù)存等多種數(shù)據(jù)，讓“從頭到尾”的數(shù)據(jù)都被精準(zhǔn)采集，才能避免供需不協(xié)同的問(wèn)題。

而食品賽道的特點(diǎn)之一，渠道多而散，既有大型超市，也有夫妻店、無(wú)人貨架……這些渠道要貨、補(bǔ)貨的數(shù)據(jù)往往比較粗獷，有的小店經(jīng)營(yíng)者缺乏經(jīng)驗(yàn)，庫(kù)存還有很多，卻報(bào)了一個(gè)超過(guò)安全水位的補(bǔ)貨數(shù)字，安排生產(chǎn)之后，幾個(gè)月根本賣不掉，影響退貨率不說(shuō)，消費(fèi)者吃到的食物口感變差，還會(huì)損傷品牌口碑。

而要實(shí)現(xiàn)高質(zhì)量的數(shù)據(jù)管理，需要的不光是高精尖的算法人員，還必須懂業(yè)務(wù)、懂運(yùn)營(yíng)，自主定義好數(shù)據(jù)標(biāo)準(zhǔn)，才能讓后續(xù)工作事半功倍，訓(xùn)練出更適配業(yè)務(wù)的模型，真正讓AI幫助減少不必要的損耗，發(fā)揮出技術(shù)價(jià)值。

姿勢(shì)三：降成本，但輪子不適配

沒(méi)有企業(yè)對(duì)成本不敏感，一些“血厚”的老牌企業(yè)可以拿出足夠多的預(yù)算，組建團(tuán)隊(duì)，自行開(kāi)發(fā)決策智能工具，而更多企業(yè)會(huì)選擇使用技術(shù)服務(wù)商造好的輪子，比如一些“行業(yè)大腦”“行業(yè)解決方案”。

讓更專業(yè)的人做專業(yè)的事，通過(guò)Paas、SaaS模式，能夠大大降低企業(yè)構(gòu)建決策智能的難度。但是，相比于數(shù)字化方案，決策智能對(duì)于個(gè)性化方案的需求度更高，許多“大腦”“輪子”可能并不適配企業(yè)現(xiàn)狀。

拿我們采訪過(guò)的化妝品牌C為例，在應(yīng)用決策智能的時(shí)候就遇上了兩個(gè)問(wèn)題。

第一，各個(gè)平臺(tái)的數(shù)據(jù)無(wú)法打通。

不同互聯(lián)網(wǎng)生態(tài)、不同內(nèi)容平臺(tái)上沉淀的用戶數(shù)據(jù)是無(wú)法“出塔”的，只能在生態(tài)內(nèi)部進(jìn)行有限的洞察和使用，在某狗上的營(yíng)銷策略無(wú)法看到某貓上的用戶行為數(shù)據(jù)，技術(shù)服務(wù)商的“輪子”只能跑在自家生態(tài)的路上，這就讓精準(zhǔn)營(yíng)銷效率降低了。

第二，“輪子”大小與業(yè)務(wù)進(jìn)展不匹配。

作為國(guó)牌，品牌C還達(dá)不到雅詩(shī)蘭黛集團(tuán)、歐萊雅集團(tuán)這樣的規(guī)模和量級(jí)，項(xiàng)目和市場(chǎng)都在快速發(fā)展迭代期，對(duì)于決策智能項(xiàng)目的要求也是能夠小步迭代、低成本輕量級(jí)。一些技術(shù)服務(wù)商一上來(lái)就推薦什么全球零售倉(cāng)儲(chǔ)物流體系化解決方案、建設(shè)海外平臺(tái)，用C企業(yè)技術(shù)負(fù)責(zé)人的話來(lái)說(shuō)——聽(tīng)起來(lái)就很可怕。

不用企業(yè)自己反復(fù)“造輪子”，這很好，但輪子也有大小，適配企業(yè)業(yè)務(wù)的輪子才能讓決策智能真正跑起來(lái)。

姿勢(shì)四：有決心，但戰(zhàn)略耐力短

利用AI能夠更好提升決策效率和決策質(zhì)量，已經(jīng)成為共識(shí)。做出“智能化轉(zhuǎn)型”的決定并不難，但推進(jìn)智能項(xiàng)目進(jìn)程，就不是一朝一夕、一帆風(fēng)順的了，往往需要企業(yè)的掌舵人具備長(zhǎng)期戰(zhàn)略思維，以及深度把握企業(yè)方向的能力。

就拿某鞋類企業(yè)D來(lái)說(shuō)，在2018年就嘗試引入了數(shù)字化建設(shè)，希望積累大量會(huì)員數(shù)據(jù)來(lái)為消費(fèi)者洞察服務(wù)。然而項(xiàng)目落地不到一年，老板覺(jué)得沒(méi)有達(dá)到預(yù)期的狀態(tài)，大數(shù)據(jù)平臺(tái)建立起來(lái)之后完全沒(méi)有產(chǎn)生經(jīng)濟(jì)效益，就直接將項(xiàng)目暫停了，相關(guān)平臺(tái)也沒(méi)有再更新迭代和使用。

追求短期見(jiàn)效，也讓該企業(yè)面臨著較大的內(nèi)部管理動(dòng)蕩，數(shù)字項(xiàng)目負(fù)責(zé)人的離職更替率較高。

老板因?yàn)橐庾R(shí)到自家企業(yè)的數(shù)字化能力相對(duì)落后，開(kāi)始努力追趕，這期間不停嘗試引入新的技術(shù)管理者，領(lǐng)導(dǎo)者的更替總會(huì)帶來(lái)一輪方向變化和員工換血，不可避免地導(dǎo)致重復(fù)建設(shè)與投入，無(wú)法徹底、全面地實(shí)施變革。

頻繁地調(diào)整戰(zhàn)略、團(tuán)隊(duì)動(dòng)蕩，也讓線上線下渠道權(quán)益的平衡與整合，多個(gè)信息化系統(tǒng)的打通，門(mén)店的數(shù)字化改造等等，許多“硬骨頭”無(wú)法高效推進(jìn)。

智能決策的落地需要土壤，民營(yíng)企業(yè)和家族企業(yè)的管理特質(zhì)，以及背后的激勵(lì)體系、企業(yè)文化，或許才是成功更需要的質(zhì)素。

姿勢(shì)五：有AI，但沒(méi)知識(shí)

全局?jǐn)?shù)據(jù)＋厲害算法，智能決策就一定比“人治”強(qiáng)嗎？答案是否定的。

誠(chéng)然，決策智能需要不斷挖掘和分析消費(fèi)者、研發(fā)、生產(chǎn)、供應(yīng)鏈等各種數(shù)據(jù)，再基于算法模型建立一套新的決策機(jī)制，但這個(gè)過(guò)程是終極理想狀態(tài)，至少在目前，人的傳統(tǒng)經(jīng)驗(yàn)、行業(yè)知識(shí)依然非常重要。

某飲料企業(yè)E告訴我們，目前該企業(yè)已經(jīng)慢慢長(zhǎng)出了一些自動(dòng)化決策的標(biāo)準(zhǔn)，可以從某些維度給出建議，比如從短視頻博主的曝光量、點(diǎn)贊量、粉絲畫(huà)像、成長(zhǎng)軌跡等，判斷對(duì)方的帶貨效果。

但技術(shù)人員也坦誠(chéng)，目前還不太確定，這些建議一定能夠給業(yè)務(wù)部門(mén)帶來(lái)不錯(cuò)的價(jià)值。目前的市場(chǎng)投放決策，還是要依靠營(yíng)銷人員的專業(yè)經(jīng)驗(yàn)去判斷，有時(shí)候甚至是靈感的東西。

新品開(kāi)發(fā)也同樣如此，智能決策系統(tǒng)可以給出一些建議，提前預(yù)判可能會(huì)遇到哪些問(wèn)題，用什么樣的包裝材料，生產(chǎn)上可能出現(xiàn)什么瑕疵，但對(duì)于一些創(chuàng)意方向、從零到一的需求創(chuàng)造，目前的智能決策系統(tǒng)還不算成功，只是讓研發(fā)人員看到的數(shù)據(jù)維度更多、思考更全面、決策更加精細(xì)化而已，最終決策還是靠專業(yè)人士來(lái)完成。

比如他們就將一個(gè)logo設(shè)計(jì)成了環(huán)抱的弧形，從心理上讓消費(fèi)者感覺(jué)更親近，這個(gè)創(chuàng)意就來(lái)自于專業(yè)判斷，而非AI洞察。

寫(xiě)在最后

說(shuō)了這么多“失敗姿勢(shì)”，并不是想給企業(yè)和AI行業(yè)潑冷水，而是成功各有各的成功，但失敗之處某種程度上都是相通的。當(dāng)千行百業(yè)都渴望AI、擁抱AI的時(shí)候，提示風(fēng)險(xiǎn)、避免踩雷，才能讓AI產(chǎn)業(yè)化和產(chǎn)業(yè)AI化更良性地發(fā)展下去。

具體到?jīng)Q策智能這一技術(shù)上，通過(guò)這些先行者的探索，可以發(fā)現(xiàn)影響成功率的因素非常多，主要有四個(gè)方面。

1．?dāng)?shù)據(jù)化程度。要能做到業(yè)務(wù)全流程、全場(chǎng)景的數(shù)字有跡可循，為智能提供基本養(yǎng)料。

2．組織力支撐。歸根結(jié)底，決策離不開(kāi)管理科學(xué)，企業(yè)管理、文化、組織架構(gòu)等都要適配智能項(xiàng)目。

3．價(jià)值場(chǎng)景。決策智能到底如何發(fā)揮價(jià)值，需要找到最符合企業(yè)增長(zhǎng)效益、符合數(shù)據(jù)邏輯的場(chǎng)景，這又對(duì)技術(shù)人員的綜合能力提出了要求。

4．外部支持。目前，我國(guó)的企業(yè)管理大多還停留在梳理商業(yè)規(guī)則（Business Rules）和搭建商業(yè)規(guī)則階段，少數(shù)進(jìn)入了自動(dòng)分析決策智能（Automatic Prescriptive Analytic）階段，技術(shù)服務(wù)商和基礎(chǔ)設(shè)施提供商也需要適配企業(yè)智能化的不同階段，提供相適配的技術(shù)工具與商業(yè)支持。比如輕量級(jí)、模塊化的組件，幫助企業(yè)快速搭建智能系統(tǒng)，低成本試錯(cuò)；比如反壟斷的推進(jìn)，讓跨生態(tài)的數(shù)據(jù)流動(dòng)起來(lái)。

維基百科中，決策智能指的是“ An engineering discipline that augments data science with theory from social science， decision theory， and managerial science”，一門(mén)運(yùn)用社會(huì)科學(xué)、決策理論和管理科學(xué)知識(shí)來(lái)擴(kuò)展數(shù)據(jù)科學(xué)的工程學(xué)科。

這就已經(jīng)說(shuō)明了，決策智能的成功，從來(lái)都不是AI技術(shù)本身所能獨(dú)自決定的。它依賴于整個(gè)社會(huì)、企業(yè)、用戶的全面改變，而這一天一定會(huì)到來(lái)。

從這個(gè)角度看，失敗其實(shí)也是一種勝利，只有真正試水，才有可能成為最先感受到春江水暖的那只鴨子。