數據智能能撬動傳統製造業嗎？

什麼是「人工智慧「？按字面意思理解，就是」像人一樣「，智能的言下之意是：」機器能取代一部分人的工作「。那麼人做的是什麼呢？比如，你去樓下的咖啡館，第一次你點了一杯少糖的拿鐵，第二次你又點了一杯少糖的拿鐵，第三次，那個有眼力見兒的服務員見到你，問你，」先生，您是不是要一杯少糖的拿鐵？「再比如，你正要出門上班，你操心的老媽從廚房伸出頭來說：「今兒要下雨，雨傘在衣帽櫃里，拿上！」

為什麼有眼力見兒的店員知道你喜歡少糖的拿鐵？因為你前兩次給了他信息和反饋。為什麼操心的老媽能提醒你帶傘？因為1. 她看了天氣預報，所以比你掌握更多的信息；2. 她知道你不愛帶傘，這是你一直以來給她的反饋；3. 她知道這兩者之間有關聯性，會導致她心愛的兒子淋雨然後感冒。

人工智慧必須基於信息和反饋，它的本質是預判。通過初始信息構建的任何模型，都不可能是完美的，計算機需要通過反饋不斷修正這個模型，不斷收斂的模型才是有實際應用價值的，不然它就不可能做到「智能」，而這種修正的過程是通過機器自己完成的。怎樣才能讓非常笨的機器做出比較聰明的預判呢？我們需要有很多很多的訓練樣本，給機器反饋很多很多次，這才是大數據為什麼要「大」，因為不夠大，機器的訓練就不夠，就沒辦法比較聰明。

而傳統的統計學，運行機制這樣的，我需要一個靠譜的能代表整體的抽樣，花式交叉的分析維度，以及一個聰明的、有行業經驗的、有Insight的人類大腦，去挖掘出這些數據潛在的秘密。我並沒有要預測什麼事，我要知道的是事實到底是什麼樣的，以及我到底應該怎麼辦。

人工智慧，並不需要很多維度，它只需要在某一個方面的數據量足夠大。因為它的運行邏輯是「循環」，或者用一個更流行的詞，閉環。它是用上一次的數據來修正下一次的預判，它是業務到業務。用戶叫了快車-走了路線A-用戶評價說繞路了-機器下次推薦路線B-用戶此後一直用路線B-機器認為路線B靠譜…，或者，從X點到Y點，90%的人在高峰時段選擇路線B，機器認為路線B更靠譜。在這個循環中，我們其實根本不需要知道打車的人是誰，我也不用了解他有什麼需求，用戶的所有偏好都已經體現在行為里，不需要人的介入，演算法會讓產品越來越「人性化」。

而傳統製造業通過市場調研來迭代他們的產品，調研是一個從寬到窄，從抽象到具象的推導過程。每個廠家的市場或調研部門，都耗費很多聰明的人類大腦去洞察消費者到底要什麼。從他們有什麼價值觀開始，然後推導出情感需求，功能需求，然後產品細節，然後形成一個具體的產品。所以傳統調研並不需要數據量很大，而是需要數據維度很廣，這樣決策者才能從各個角度去驗證一個假設，或者發現「數據背後的秘密」。而生產一個產品，我們需要非常多的假設，我們需要挖掘非常多的事實，去支持一個可能產生的insight。你可以說，產品上市後的表現也會構成一個反饋，從而形成閉環，但這是一個非常長的循環，循環太長，就會丟失信息。以至於等到這個產品終於問世了，然後賣砸了，我們還是搞不清，到底是哪個環節出了問題，是價值觀沒推導到正確的需求呢，還是需求沒有推導出正確的產品細節呢，還是消費者說的細節A我們理解成了細節B呢，還是營銷的問題？然後我們只好在每一個環節都開始再一次的調研驗證，為了找出原因，為了優化產品，為了提高傳播效率，為了打到精準人群。

這一切都顯示人工智慧精準、高效而美好。然而，它是有局限性的。人工智慧目前的應用，基本都在服務領域：我有從A到Z各種option，根據你的喜好，推薦適合你的那種；收集各種信息，然後在你需要的時候推給你，猶如提醒你帶傘的老媽；或者看了一千萬份病例，然後確診了某種疑難雜症。但人工智慧做的是確定性下的工作，只有情景是可收斂、可預期的，計算機才能著手計算概率。什麼是人工智慧難以企及的呢？一個汽車廠商不能光依靠搜集所有的互聯網數據做文本分析，就知道要造一輛什麼樣的車。喬布斯最終還是靠自己偏執的天才而不是「大數據」造出了iPhone.

數據智能可以縮短流程、柔化產業鏈、讓營銷更有效率、提高坪效、提升滿意度，但是它不能憑空創造出一件新的產品。任何演算法，都不能算出一件各方面剛好契合人類需求的產品，這個決定需要綜合衡量太多因素，體察太多細微情感，然後也許還需要一次靈光乍現。創造力是人類不可取代的價值。任何數據與分析結論，都只能輔助決策，不能替代那個創造價值的人類大腦。

回到傳統生產製造與傳統調研那個太長的閉環，這個問題究竟要如何解決呢？

如果所有環節都上雲，那麼我們就會在某種程度上降低信息的耗散，增加確定性。產品上市後的運營與推廣相對而言是最容易上雲的部分，精準投放及之後用戶行為能告訴我們投放究竟有沒有用，庫存和供應鏈數據化能告訴我們供應是否出現問題，4S店的分布與消費者的到店行為追蹤幫我們排除掉售前因素導致的流失，價格監測幫我們及時發現競爭者的優惠攔截。

數據分析的層面，感謝上帝，我們終於可以不用沿街去發問捲來收集數據了，而是著手從海量的數據里得出有意義的結論。另外一方面，從數據智能的層面，我們還能通過人工智慧的各個小閉環不斷優化這些方面：通過用戶點擊行為更精準的投放、通過庫存、銷售和預判打造更柔性的供應鏈、以及更符合消費者的4S店分布、更優的售前服務、反應更快速的優惠政策。

好，排除掉所有周邊支持因素，現在你只需要卓越的創造力和細緻的微觀體感，造一個好產品就可以了。

機器可以幫你很多，但真的不能幫你全部。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！