笔趣阁

手机浏览器扫描二维码访问

04 智能商业双螺旋之二 数据智能（第3页）

万物互联之“广”和数据智能之“深”，其价值都集中体现在互联网产品上。通过创造性的产品设计，既把数据智能的价值不折不扣地传递给用户，又使用户低成本、高频度地进行反馈，从而使数据智能持续提升。实际上，这里所说的“产品”已不止于“端”的概念，从更广泛的意义上说，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。

因此，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。这样的智能商业才是对传统商业的颠覆，才能真正实现降维攻击，胜者一骑绝尘，败者万劫不复。谷歌超越雅虎、脸书超越MySpace（一个社交网站）、优步颠覆出租车行业等，莫不如此。

数据化、算法化加上产品化构成了智能商业的三大基石。例如谷歌，其搜索引擎的三大核心，一是网页内容的数据化，二是基于PageRank的算法引擎，三是谷歌巨大的产品创新——极为简洁的搜索框和基于相关性排序的结果页。然而这还不够，要让智能商业一天比一天更聪明，还有一样东西不可或缺——反馈闭环。

用户行为通过产品的“端”实时反馈到数据智能的“云”上，“云”上的优化结果又通过“端”实时提升用户体验。在这样的反馈闭环中，数据既是高速流动的介质，又持续增值；算法既是推动反馈闭环运转的引擎，又持续优化；产品既是反馈闭环的载体，又持续改进功能，在为用户提供更好的产品体验的同时，也促使数据反馈更低成本、高效率地发生。

一言以蔽之，数据化、算法化和产品化就是在反馈闭环中完成了智能商业的“三位一体”的。智能交通体系是另一个例子。以无人驾驶汽车为代表的整体智能交通体系已经不是科幻，谷歌首次实现了根据路况数据设计路线，本质上就是将关于路线选择的算法在线了，而今天在美国，无人驾驶汽车已经上路试验，就是汽车这个“端”的全面智能化。

在中国，阿里巴巴最新的实践则是交通“云”的全面智能化。依据各方面交通数据的整体打通，预测未来一小时里的每一个路口可能的交通状况，进而对接城市交通指挥系统，有的放矢。在北京这样复杂的路况下，此套体系的预测准确率超过95%。其中，数据化、算法迭代和产品同样在反馈闭环中实现了三位一体。智能交通体系首先以一连串事物的数据化为前提，包括地理位置的数据化、车况的数据化、天气的数据化，以及红绿灯、分道线、行人的数据化等；其次，它还是算法实时优化的结果——不仅是车况本身的优化，更是整体智能交通体系的优化；再次，它当然离不开从汽车到红绿灯等种种产品的智能化；最后，它更是众多数据反馈闭环的集合体——路况数据使车辆实时优化行车路线，周遭环境数据使车辆实时决定行驶速度，乘客身体状况的数据使车辆实时调整车窗开合。

本质上，商业从一开始就是基于某种反馈闭环的，从而了解客户所需，提供相应的产品或服务。然而，不论是发挥商业天分猜测客户需求，还是通过市场调查听取客户需求，都始终失之于准确、困之于成本。不过，到今天，当客户可以通过全本实时的数据把他们的需求直接告诉商家时，当商家可以凭借敏捷迭代的算法引擎精确满足客户的需求时，当产品借助互联网的巨大能量成为数据智能和用户实时互动的端口时，我们终于可以说，我们找到了促使这个反馈闭环成本更低、效率更高，甚至自动运转的颠覆性工具。它可以被视作数据智能的“永动机”，只要有在线的互动，有数据的反馈，这台机器就永不停歇地学习，实时敏捷地进行优化。

数据、算法、产品在反馈闭环中“三位一体”，唯有如此，智能商业才能完成对传统商业的降维打击，DT时代的商业跃升才有发力点。

活数据：让反馈成为闭环

我们之所以花费大量精力去了解、分析有关商业智能的知识和案例，绝非单纯为了满足我们的好奇心和求知欲。将这些理念同我们自身的工作和事业相连接，让自己能够赢在起跑线上，才是我们最终的目的。所以，如果这些理念不能平稳地着陆与实现，一切就都只是纸上谈兵，毫无价值。

因此，如何才能帮助一个企业在数据方面取得足够的成功？怎样利用数据智能真正把自己的企业变成一个精准商业的模型？类似这样的问题才应是我们关注的焦点。这里我们就将重点介绍一个在实操方面很有价值的新概念——活数据。

大数据是近年来我们经常听到的一个概念，它的特征是：大量、多样、快速、高质量。但我们会发现，这4个词只是在描述两个事实——数据的“大”与“快”，这些并不能帮助我们更好地进行商业决策。难道我们对数据的需求仅仅停留在“大”与“快”这两个方面吗？我们到底应该怎样去使用它呢？

想要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，驱动下一个决策的产生。这个概念我称为“活数据”。

“活”的两层含义

这里提到的“活”字，有以下两层含义。

1.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。

2.数据需要被灵活使用

“活数据”在不断地被消化、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。

“活数据”的三大重要特征

了解了“活”字的具体含义之后，我们再来看看“活数据”的三大重要特征。

1.全本记录，而非样本抽查

虽然按照统计学的方法，一个随机样本也可以在相当程度上推导出全局的特征，但商业的环境是动态的，始终处于不断变化的过程之中，一个间隔很长时间才收集到的样本，充其量只能将静态的一部分描述出来，并不足以支撑商业决策的全部需求。

众所周知，在传统时代收集数据是一件极其麻烦的事情。首先得先整理出问题，随后设计合理的问卷调查，再有针对性地找人专门填问卷，这样才有可能收集到一些对商业决策有些许帮助的数据。但互联网的第一步就是连接、在线，你只要让自己的业务处于在线状态，就会得到巨大的好处。要知道，你的用户的所有行为都会在互联网上留下清晰的印迹，而将这些行为直接记录下来，就能够让你对这个用户进行全面而深刻的了解。

淘宝并不需要经常性地组织抽样调查，去询问用户对淘宝的服务是否满意。淘宝的每一个用户在登录后，后续的所有行为都会被自动记录下来。他们看了哪些商品、在某一款商品的详情页上停留了多长时间、最后购买了何种商品，这些数据都会被自动记录下来。这种不加选择全本记录的方式，毫无疑问意味着巨大的数据记录成本。因此，今天我们谈论“活数据”的最大前提，一定是数据记录成本的大幅下降。这个前提如果无法得到满足，“活数据”的概念不谈也罢，因为它无法落地。

2.先有数据，后有洞察

传统市场调查方法的第一步是整理问题，如果你想了解一个问题，或者想测试某一个假设，你就要根据这个问题去收集相关的数据。其中最麻烦的地方在于，一旦你发现自己遗漏了一些问题，或者产生了一些新问题，这个过程就必须推倒重来，从头收集相关的数据和信息。

但是在“活数据”时代，市场调查的整个过程被颠倒了。在越来越多的人口中，可以听到这样的说法：“我们重视的是相关性，而不是因果性。”由于数据存储和计算成本足够低，我们可以把所有相关数据都记录下来，在业务的发展过程中去看哪些数据的使用能够让我们更好地进行洞察，能够帮助我们重新进行商业决策。简而言之，就是先有数据记录，再有分析和洞察。这样做的最大好处，是避免了事后出现新的需要调查的问题而被迫进行重复作业，这种传统方式所带来的成本是巨大的。

3.数据就是决策

数据就是决策。也就是说，数据智能的引擎机器要能够直接做决策，而不是传统的利用数据分析来支持人的决策。如果数据仅仅被用来支持人的决策，那便无法形成真正的闭环，不具备大规模复制推广的价值。

举个例子，如今很多企业不太理解数据工程师跟商业智能（BI）分析师的区别。其实，BI是businessintelligence的缩写，也就是所谓的商业分析部门，规模稍微大一点的公司都有这个部门。BI分析师最核心的工作就是研究数据，然后将数据分析成一个个报告，支持高管做出某些商业决策。这里提到的数据其实是离线的，目的是支持决策，并非我们正在讨论的“活数据”的概念，真正的“活数据”一定要能将数据本身产生的洞察直接变成商业决策。

说到这里，让我再以淘宝为例。如果用户在淘宝上通过关键字搜寻自己想要的商品，那么他第一眼会看到什么、在第一次点击之后再给他看什么，类似这样的决策其实都是机器自主完成的。用户看到的一切其实都是机器想让他看到的，都是通过数据智能的算法自动形成的，不存在任何人为干预。

实话实说，早期我们也走了不少弯路。那时，为了帮助淘宝卖家进行数据化运营，我们的数据部门会不断地为卖家后台推送数据分析报告，然而收效甚微。后来我们发现，数据部门推送的这些数据，不仅使用率很低，就连打开率也不高，很多淘宝卖家甚至看不懂这些数据分析报告。在得出这一结论后，我们猛然意识到，其实卖家真正需要的不是去理解这些晦涩庞杂的数据，而是让数据直接帮助他们更快更好地做出决策，让他们的运营效率产生质的飞跃。