作者：張云 史睿

摘要

區(qū)別于能夠?qū)崿F(xiàn)海量數(shù)據(jù)的管理、簡單分析與可視化的傳統(tǒng)商業(yè)智能，艾瑞的此份商業(yè)智能報告將聚焦于人工智能技術(shù)如何用于商業(yè)智能決策，實現(xiàn)商業(yè)經(jīng)營的智能化與自動化。

本報告中的重要觀點：

1. 中國企業(yè)精細化運營的需求正在爆發(fā);
2. 商業(yè)智能，幫助企業(yè)實現(xiàn)數(shù)據(jù)驅(qū)動認知到數(shù)據(jù)驅(qū)動決策的轉(zhuǎn)變;
3. 商業(yè)智能主要應(yīng)用于金融、電商、物流、出行等領(lǐng)域;
4. 中國AI論文成果達到國際一線水平;
5. 技術(shù)方面，商業(yè)智能的未來將從強調(diào)單一技術(shù)，到各學科、分支、算法等融會貫通;
6. 技術(shù)以外，企業(yè)、技術(shù)供應(yīng)商對場景的理解是產(chǎn)業(yè)升級的關(guān)鍵;
7. 商業(yè)智能的落地是一項系統(tǒng)工程，企業(yè)的工程實踐能力有待增強。

商業(yè)智能行業(yè)概念界定

商業(yè)智能的下一步，智能化與自動化

商業(yè)智能(BI，Business Intelligence)概念的提出可追溯至1958年，通常將其視為把企業(yè)中現(xiàn)有數(shù)據(jù)轉(zhuǎn)化為知識，幫助企業(yè)做出明智的業(yè)務(wù)經(jīng)營決策的工具。過去的商業(yè)智能不能給出決策方案，也不能自動處理企業(yè)運行過程中遇到的問題。借助于人工智能與其他相關(guān)學科的技術(shù)進步，現(xiàn)代商業(yè)智能已能在特定場景中實現(xiàn)商業(yè)經(jīng)營的智能化與自動化。因此，本報告聚焦于將人工智能技術(shù)用于商業(yè)智能決策，試圖對人工智能在商業(yè)落地的真實現(xiàn)狀進行說明，凸顯AI技術(shù)(不包括智能語音、計算機視覺等感知智能)在現(xiàn)階段應(yīng)用的價值。

商業(yè)智能與大數(shù)據(jù)

大數(shù)據(jù)為商業(yè)智能的發(fā)展提供土壤

互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)高速發(fā)展，海量、高維度且可實時接入更新的數(shù)據(jù)隨之而來，為機器學習等前沿技術(shù)在各領(lǐng)域中的探索及落地提供可能，進一步拓展了被服務(wù)人群且顯著提升服務(wù)質(zhì)量。另一面，產(chǎn)業(yè)缺乏通用標準約束，數(shù)據(jù)在采集及流轉(zhuǎn)過程中污染程度不一，數(shù)據(jù)加密不規(guī)范引致的數(shù)據(jù)泄露時有發(fā)生，數(shù)據(jù)孤島亦成為企業(yè)業(yè)務(wù)發(fā)展的掣肘(如金融方面，企業(yè)多為基于自身平臺積累的獨有數(shù)據(jù)做征信，評分適用范圍將大大受限)，通用標準的建立需要政府及產(chǎn)業(yè)界的共同努力。

商業(yè)智能與大數(shù)據(jù)

從數(shù)據(jù)驅(qū)動認知，到數(shù)據(jù)驅(qū)動決策

智能技術(shù)的運用一方面將拓展大數(shù)據(jù)的應(yīng)用場景，從幫助業(yè)務(wù)人員認知到實現(xiàn)企業(yè)最優(yōu)決策，另一方面，自然語言處理的進步也正在解決人機交互的部分問題，自然語言查詢、自然語言生成都將進一步釋放商業(yè)智能的效率和價值。

商業(yè)智能應(yīng)用場景

商業(yè)智能主要應(yīng)用于金融、電商、物流、出行等領(lǐng)域

類比人類智能，人工智能可分為賦予機器語音、圖像等感知能力的感知智能和賦予機器思考能力的認知、決策智能。認知能提升感知(如對語義的理解判斷將提升機器的語音識別率)，感知也會輔助決策(如智慧商超中機器視覺對客流屬性、消費行為的觀察、記錄可輔助商超做出營銷決策)，本報告聚焦于認知智能在商業(yè)場景中的應(yīng)用情況。

中美商業(yè)智能環(huán)境對比

中美同屬商業(yè)智能第一方陣，發(fā)展態(tài)勢各有千秋

過去的幾十年中，中國科技智能環(huán)境不如西方幾乎成了很多人的刻板印象，但在如今的商業(yè)智能領(lǐng)域，我國從“中國制造”到“中國智造”，從奮起直追到彎道超車，已進入商業(yè)智能領(lǐng)域第一方陣，成為發(fā)展最快的國家之一。總的來說，由于中美文化差異、人口差別、工作強度不同等因素，相比美國，中國將技術(shù)落地的加速度更快，新興商業(yè)模式拓展力強，但業(yè)務(wù)的發(fā)展仍缺乏全面性與標準化。目前，中國通過單點突破彎道超車，并開始重視精細化運營，由局部最優(yōu)逐漸向全局最優(yōu)靠攏。

中國商業(yè)智能技術(shù)環(huán)境

論文成果達到國際一線水平，企業(yè)積極應(yīng)用創(chuàng)新性成果

AAAI(The Association for the Advancement of Artificial Intelligence)是人工智能領(lǐng)域頂級的綜合性會議，會議論文涉及機器學習、自然語言處理、搜索、規(guī)劃、視覺、知識表達等人工智能各分支的學術(shù)探討和應(yīng)用研究。2017年AAAI大會收到論文2571篇，創(chuàng)下新高，中國學者的論文提交量與錄用率均達到國際一線水平，與美國持平。收錄論文不僅有來自高校學者，還有來自百度、騰訊、華為、360、今日頭條等企業(yè)研究人員，如百度的《Collaborative Company Profiling：Insights from an Employee’s Perspective》——從員工角度出發(fā)，嘗試利用AI讓企業(yè)人力價值最大化。

國內(nèi)企業(yè)與高校間的合作也愈發(fā)緊密，騰訊即有與香港科技大學的實驗室合作，高校可利用企業(yè)的海量數(shù)據(jù)與測試平臺，企業(yè)則可將創(chuàng)新性成果落地實踐。需要指出的是，盡管目前AI的商業(yè)應(yīng)用中國并不落后甚至在某些維度領(lǐng)先美國，但在原創(chuàng)性研究、創(chuàng)新土壤、人才儲備方面，中美仍有較大差距。

商業(yè)智能產(chǎn)業(yè)圖譜

商業(yè)智能行業(yè)投融資梳理

行業(yè)集中度低，融資火熱，天使輪、A輪居多

商業(yè)智能應(yīng)用場景眾多，包括營銷、金融、交通等領(lǐng)域，各領(lǐng)域涉及企業(yè)眾多，行業(yè)集中度較低，融資方面，2012-2016年最為火熱，其中，2015年融資次數(shù)達到31次，同時有兩家新三板掛牌企業(yè)，是2012-2016年中融資次數(shù)最多的一年;從融資輪次來看，大部分融資尚處于早期的天使輪、A輪階段;另外，從企業(yè)所涉領(lǐng)域來看，服務(wù)于金融領(lǐng)域的企業(yè)最受資本市場青睞。

商業(yè)智能核心技術(shù)剖析

了解技術(shù)是發(fā)展技術(shù)的前提

人工智能正在重塑科學、技術(shù)、商業(yè)、政治以及戰(zhàn)爭，而大眾對技術(shù)的認知程度和該技術(shù)的重要性相比顯得遠遠不夠。即使只有工程師和機修工有必要知道汽車發(fā)動機如何運作，每位司機也都必須明白轉(zhuǎn)動方向盤會改變汽車的方向、踩剎車會讓車停下。另外，當今人工智能的各個分支其實在五十年前就已有相關(guān)基礎(chǔ)，當時的一些科學家認為，人工智能的所有問題都將在十年內(nèi)解決。但事實是直到今天，很多問題仍懸而未決并難以解決。過高的預期引致不當?shù)氖斯ぶ悄軞v史上的兩次冬天無疑阻礙了技術(shù)、產(chǎn)業(yè)發(fā)展的步伐，并讓踏實做事的人受到傷害。因此，我們有必要對商業(yè)智能技術(shù)的概念模型、發(fā)展現(xiàn)狀與應(yīng)用前景進行客觀認知，了解它的能力與邊界。

核心技術(shù)之機器學習

機器學習概述

將數(shù)據(jù)輸入計算機，一般算法會利用數(shù)據(jù)進行計算然后輸出結(jié)果，機器學習的算法則大為不同，輸入的是數(shù)據(jù)和想要的結(jié)果，輸出的則為算法模型，即把數(shù)據(jù)轉(zhuǎn)換成結(jié)果的算法模型。通過機器學習，計算機能夠自己生成模型，進而提供相應(yīng)的判斷，實現(xiàn)某種人工智能。工業(yè)革命使手工業(yè)自動化，而機器學習則使自動化本身自動化。

核心技術(shù)之機器學習

支持向量機、樸素貝葉斯、決策樹、神經(jīng)網(wǎng)絡(luò)等經(jīng)典算法

核心技術(shù)之機器學習

人工智能、機器學習及深度學習的相互關(guān)系

近幾年掀起人工智能熱潮的深度學習，屬于機器學習的一個子集，在思想和理論上并未顯著超越二十世紀八十年代中后期神經(jīng)網(wǎng)絡(luò)學習的研究，但得益于海量數(shù)據(jù)的出現(xiàn)、計算能力的提升，原來復雜度很高的算法得以落地使用，并在邊界清晰的領(lǐng)域獲得比過去更精細的結(jié)果，大大推動了機器學習在工業(yè)實踐中的應(yīng)用。但值得指出的是，深度學習的應(yīng)用范圍還很有限，統(tǒng)計學習仍然在機器學習中被有效地普遍采用。另外，人工智能不是一種特定的技術(shù)方法，所有方法都是在對人工智能這個課題進行研究的產(chǎn)物。機器學習和象征著理性主義的知識工程、行為主義的機器人一樣，是人工智能的一個分支。

核心技術(shù)之知識圖譜

知識圖譜的應(yīng)用

就覆蓋范圍而言，知識圖譜可分為應(yīng)用相對廣泛的通用知識圖譜和專屬于某個特定領(lǐng)域的行業(yè)知識圖譜。通用知識圖譜注重廣度，強調(diào)融合更多的實體，主要應(yīng)用于智能搜索等領(lǐng)域。行業(yè)知識圖譜需要考慮到不同的業(yè)務(wù)場景與使用人員，通常需要依靠特定行業(yè)(如金融、公安、醫(yī)療、電商等)的數(shù)據(jù)來構(gòu)建，實體的屬性與數(shù)據(jù)模式往往比較豐富。

核心技術(shù)之運籌學

運籌學概述

運籌學是一門用量化分析的方法做決策與優(yōu)化的科學和藝術(shù)，它為管理決策提供智慧，并以自己的智慧解決管理決策問題。體現(xiàn)運籌學思想和方法的某些早期先驅(qū)性的研究工作，可以追溯到20世紀初期，如1908年丹麥工程師Erlang提出的電話話務(wù)理論(運籌學中排隊論的起源)。運籌學是一門應(yīng)用性很強的學科，在研究和解決各種復雜的實際問題中綜合使用代數(shù)、統(tǒng)計學、計算機科學、模擬(仿真)等各種方法，不斷得到創(chuàng)新和發(fā)展，至今已成為一個包括許多分支的龐大的學科。在大數(shù)據(jù)時代，數(shù)據(jù)科學結(jié)合運籌學尖端理論是實現(xiàn)數(shù)據(jù)驅(qū)動的科學決策的堅實基礎(chǔ)。

核心技術(shù)之運籌學

從軍事到民用，優(yōu)化各領(lǐng)域組織決策

最早期的較為正式的運籌學活動出現(xiàn)在第二次世界大戰(zhàn)時期，有一批英國的科學家著手研究利用科學方法進行決策，以最佳使用戰(zhàn)時資源，當時的工作小組將自己的工作稱為Operational Research(簡稱OR)。戰(zhàn)后的工業(yè)復蘇時期，運籌學思想被引入民用領(lǐng)域，用來應(yīng)對組織中與日俱增的復雜性和專業(yè)化所產(chǎn)生的問題，大幅提升了生產(chǎn)力。雖然運籌學的大部分實踐應(yīng)用產(chǎn)生的效益小于下表所列案例，但這些典型反映了大型的計劃完善的運籌學的研究可能帶來的重要影響。

商業(yè)智能應(yīng)用之廣告營銷

精準營銷負責引流獲客，個性化推薦促活留存

商業(yè)智能在廣告營銷領(lǐng)域的主要應(yīng)用為精準營銷與個性化推薦，兩者均通過用戶數(shù)據(jù)，對用戶貼標簽，并基于產(chǎn)品特征與投放需求，建立不同的決策模型進行營銷;兩者最大的不同在于，精準營銷用于引流獲客階段，以短信或優(yōu)惠券的方式進行營銷，提升響應(yīng)率，優(yōu)化企業(yè)運營;個性化推薦用于留存促活階段，使得消費者在最合適的時間，以最恰當?shù)姆绞剑@得最合意的產(chǎn)品、資訊以及服務(wù)的推薦。

商業(yè)智能應(yīng)用之電商

收益管理的本質(zhì)是優(yōu)化

商業(yè)智能在電商領(lǐng)域的主要應(yīng)用為商品組合、定價策略、促銷管理等多方面的優(yōu)化，可歸結(jié)為收益管理，即指在適當?shù)臅r間和地點下，以合適的價格向不同的用戶提供最恰當?shù)姆?wù)或產(chǎn)品，以實現(xiàn)資源約束下，企業(yè)收益最大化的目標。收益管理最早起源于航空運輸業(yè)，當時的民航處于價格管制狀態(tài)，為解決旅客誤機導致的座位虛耗、企業(yè)收益流失，出現(xiàn)了“超售”思想，除航空業(yè)外，收益管理也廣泛應(yīng)用于酒店服務(wù)、電子商務(wù)、交通出行以及物流運輸?shù)阮I(lǐng)域。

商業(yè)智能應(yīng)用之交通出行

通過人工智能+運籌學，最小化路程與出行時間

路徑優(yōu)化是指如何找到從出發(fā)地到達目的地之間最短時間、最優(yōu)價格的最短路徑;訂單分配研究的是供需匹配問題，結(jié)合多維度影響因素(例如路途距離、路況、騎手騎行速度、需求時間段等)匹配需求和供給;另外，除路徑優(yōu)化與訂單分配外，電商領(lǐng)域中提到的定價優(yōu)化也應(yīng)用于交通出行，例如網(wǎng)約車定價，但與電商不同的是，網(wǎng)約車因其需求的及時性要求較強，賬號共享性弱，使其擁有更大的個性化定價空間。

路徑優(yōu)化可理解為尋求由起點出發(fā)，通過所有給定需求點后再回到原點的最短路徑問題，路徑優(yōu)化誕生于TSP問題(Traveling Salesman Problem，旅行銷售員問題)，即訪問除原出發(fā)結(jié)點以外的每個節(jié)點一次且僅一次，應(yīng)用場景例如拼車實時路線規(guī)劃、某些貨物需在某一時間段送到(時間窗口)。

訂單分配可理解為供需匹配問題，供需匹配可分為靜態(tài)匹配與動態(tài)匹配，靜態(tài)匹配即有n個需求，n個供給，每一個供給只能滿足一個需求，每一個需求也只需要一個供給，應(yīng)用場景例如物流追蹤、車輛與乘客靜態(tài)匹配等;當匹配雙方并非事先確定時，則為動態(tài)匹配問題，動態(tài)匹配的本質(zhì)在于優(yōu)化結(jié)合隨機建模，當匹配的一端實時產(chǎn)生時，以優(yōu)化模型決定如何匹配能夠達到最大價值，應(yīng)用場景例如網(wǎng)約車隨時產(chǎn)生的乘客與車輛匹配。

商業(yè)智能應(yīng)用之供應(yīng)鏈

通過大數(shù)據(jù)與優(yōu)化技術(shù)提升供應(yīng)鏈系統(tǒng)效率與柔性

物流系統(tǒng)分為多層，包括入庫前的倉庫地址選擇、入庫時的策略以及銷售預測、入庫后的庫存優(yōu)化、倉儲優(yōu)化、清倉以及出庫時貨運分配、配送路線規(guī)劃等。其中，倉庫的選擇和物流的配送是供應(yīng)鏈管理的核心，在某地區(qū)開展新業(yè)務(wù)時，如何設(shè)定樞紐的數(shù)量、樞紐位置等對最終運送的成本有著很大的影響;配送路線規(guī)劃涉及到我們在交通出行領(lǐng)域中談到的路徑優(yōu)化與車輛調(diào)度問題，通過結(jié)合實時需求、時間窗口、承重限制等因素，對送貨路線進行制定，最小化成本與時間，實現(xiàn)物流智能化高效運營。

商業(yè)智能應(yīng)用之金融風控

利用數(shù)據(jù)與技術(shù)，提高風控準確率，布局全流程風控

金融的本質(zhì)在于給風險定價，對于風險及時且有效的識別、預警、防控一直是金融機構(gòu)的核心。金融風控強調(diào)數(shù)據(jù)與技術(shù)，智能風控企業(yè)結(jié)合高維度的大數(shù)據(jù)，利用決策樹、神經(jīng)網(wǎng)絡(luò)等機器學習技術(shù)，針對信貸評級、授信、貸后預警，反欺詐等場景提供解決方案，傳統(tǒng)金融機構(gòu)由過去的以經(jīng)驗或小量數(shù)據(jù)對風險進行把控，到現(xiàn)在以大數(shù)據(jù)及技術(shù)進行風控，實現(xiàn)金融風控升級。但同時，精細化運營全覆蓋也是風控市場需考慮的關(guān)鍵點，即從系統(tǒng)的第一層出發(fā)，做全流程的金融風控，識別真正符合金融產(chǎn)品的優(yōu)質(zhì)客戶，當潛在用戶的信用存在風險時，應(yīng)從營銷端就避免引入此類風險用戶。

商業(yè)智能應(yīng)用之投研分析

人機協(xié)作，助力投研分析質(zhì)效提升

商業(yè)智能在投研分析中的應(yīng)用可與食材料理類比，將原始數(shù)據(jù)比喻成料理中的原料A，A被清洗擇選后成為可用烹飪原料B，參考不同料理食譜，對B進行制作，最終生成佳肴，映射于投研分析領(lǐng)域中，清洗擇選方法包括去重、數(shù)據(jù)排序、實體發(fā)現(xiàn)、實體關(guān)聯(lián)、領(lǐng)域知識圖譜等，食譜即不同算法與模型，最終生成可視化投研報告。與人工分析生成的報告不同，機器人報告最大的優(yōu)勢在于生成快、可以清晰明了的將大量數(shù)據(jù)進行羅列呈現(xiàn);智能機器的效率相對高，但目前仍缺少創(chuàng)造性，在投研分析領(lǐng)域，機器人與分析師的協(xié)同合作將提升分析質(zhì)量與效率。

商業(yè)智能應(yīng)用之智能投顧

自動化程度逐步提高，AI+投顧新模式將用戶資金自動對接

智能投顧，顧名思義即人工智能+投資顧問。傳統(tǒng)的投資顧問相當于私人銀行中的客戶經(jīng)理通過與客戶的深度溝通，結(jié)合客戶個人的風險偏好和理財目標，傳達給后臺技術(shù)人員制定理財配置模型，再由客戶經(jīng)理將此方案給到客戶;智能投顧可被理解為將私人銀行的后臺標準服務(wù)線上化。相比傳統(tǒng)投顧，智能投顧擁有可簡化流程、適合全民理財、可定制短/中/長多周期投資方案、可進行風險預警等優(yōu)勢，同時也面臨客戶對機器的弱信任感問題、現(xiàn)階段政策以及所需客戶財務(wù)狀況全面性等限制與挑戰(zhàn)。

商業(yè)智能的挑戰(zhàn)與未來

從強調(diào)單一技術(shù)，到各領(lǐng)域融會貫通

在大數(shù)據(jù)的背景下，商業(yè)場景中任一問題的解決，往往是多學科思想的交融，而非對單一方法的依賴。在計算機科學、人工智能、運籌學、博弈論等諸多學科領(lǐng)域的綜合與交叉中，一個個貼合實際業(yè)務(wù)場景的解決方案應(yīng)運而生，使得商業(yè)智能切實優(yōu)化企業(yè)決策方式，助力業(yè)務(wù)增長。融合也表現(xiàn)在人工智能的各分支上，如關(guān)于語義網(wǎng)的研究，自然語言理解、機器學習、人機交互都很重要。最后，任何一種學習算法都有自己的優(yōu)勢和局限，所謂的解決一切問題的終極算法，很有可能是對現(xiàn)有算法的兼容并包。當然，如何讓各算法相遇相融并在不大幅降低效率的前提下提升通用性，仍是一個非常復雜但值得探索的難題。

商業(yè)智能的挑戰(zhàn)與未來

技術(shù)以外，對場景的理解是產(chǎn)業(yè)升級的關(guān)鍵

在人工智能成為產(chǎn)業(yè)界、學術(shù)圈、投資人以及媒體關(guān)注的焦點以來，大眾對深度學習等技術(shù)尤為關(guān)注。但在工業(yè)實踐中，對具體業(yè)務(wù)場景的理解與對實際問題的界定，與采用何種模型、算法同等重要，前者在很大程度上決定了后者是否能夠有效降低企業(yè)運營成本或者幫助相關(guān)業(yè)務(wù)增加收入，這是技術(shù)能夠落地、產(chǎn)業(yè)得以升級的關(guān)鍵。

在AAAI2017中，Uber人工智能實驗室主任Gary Marcus即表示當前飛速發(fā)展的深度學習等技術(shù)可能只是在不斷逼近通用人工智能的一個局部最優(yōu)點，而這樣的逼近方式可能讓我們錯過那些真正更好地實現(xiàn)通用人工智能的方法。因此，在運用技術(shù)解決某個問題之前，絕不應(yīng)先入為主地認定要是用某個具體的機器學習算法，而應(yīng)首先對業(yè)務(wù)場景加以分析，抓住核心問題要素，這是做出最優(yōu)技術(shù)選擇的前提。

商業(yè)智能的挑戰(zhàn)與未來

智能的落地是一項系統(tǒng)工程，企業(yè)的工程實踐能力有待增強

商業(yè)智能業(yè)務(wù)應(yīng)用的落地需要建立在完善的數(shù)據(jù)整合、管理之上，再由相應(yīng)的算法、模型基于高效的計算框架將數(shù)據(jù)轉(zhuǎn)化為可視化的業(yè)務(wù)規(guī)律，進一步驅(qū)動或直接生成企業(yè)決策，因此商業(yè)智能是一項系統(tǒng)工程，算法設(shè)計、架構(gòu)搭建、系統(tǒng)配合、流程控制、質(zhì)量監(jiān)督、危機處理等缺一不可，項目工程經(jīng)驗非常重要。

另一方面，類比國際頂級SaaS企業(yè)Salesforce，其產(chǎn)品通用功能大概只占50%，產(chǎn)品背后依然有大量供應(yīng)商及自身服務(wù)團隊結(jié)合客戶差異化的場景做定制服務(wù)，因此尚處早期的商業(yè)智能領(lǐng)域，在很長一段時期內(nèi)，服務(wù)方式仍將以定制化的解決方案為主(尤其面對大企業(yè)的時候)，以SaaS等標準化的產(chǎn)品為輔，并在部分場景中以PaaS服務(wù)接入客戶ERP、CRM等信息系統(tǒng)，快速、低成本地將商業(yè)智能賦能于企業(yè)。

End.

轉(zhuǎn)載請注明來自36大數(shù)據(jù)（36dsj.com)： 36大數(shù)據(jù) ? 2017年中國商業(yè)智能行業(yè)研究報告