企業不擅分析,難以迎接人工智慧

If Your Company Isn't Good at Analytics, It's Not Ready for AI
尼克.哈里遜 Nick Harrison , 黛博拉.歐尼爾 Deborah O'Neill
瀏覽人數:27554
企業才剛開始發現,人工智慧技術可能用哪些不同的方式來改造企業。但有件事已經很清楚:企業必須投注時間與金錢,用來準備將基本流程自動化與開發結構化分析與集中處理的資料流程,如此才能充分運用這些新技術。

主管團隊常以為,若是直接採用人工智慧和其他先進科技,就能跳級超越(leapfrog)現有的基本資料分析最佳實務。但在自動化流程與結構化分析達到關鍵多數的程度之前,就急於採用複雜的人工智慧,這種企業最終可能變得動彈不得。它們可能會苦於承擔昂貴的創業合伙關係、無法理解的黑箱系統、繁瑣的雲端運算叢集(cluster),以及沒有工程師撰寫程式碼的開放原始碼工具組。

相反地,擁有強大基本分析的企業,像是銷售資料和市場趨勢等分析,若是添加人工智慧層級之後,就可在複雜與關鍵的領域做出重大突破。例如,我們合作的某家電信公司,現在預測顧客是否會採用機器學習的精準度,比以往高出75倍。之所以能達到這樣的精準度,是因為它之前已把相關流程自動化,因而能夠運用更多標準的分析技術,來快速聯絡顧客,並了解他們的偏好。

那麼,企業如何判斷自己是否已準備好,可採用人工智慧與其他先進技術?

將基本流程自動化

第一,經理人應自問,在耗費大量資金和拖慢營運作業的問題領域,公司是否已把那些領域的流程自動化了。企業應把涉及大量資料的重複性流程都自動化,特別是在分析或速度快所帶來的智慧是一種優勢的領域裡。若沒有先把這類資料輸入流程自動化,企業會發現新的人工智慧系統得出錯誤的結論,因為它們分析的是過時的資料。例如,網路零售商能每日調整產品價格,因為它們已經能自動收集競爭對手的價格。但對那些仍靠人力檢查對手價格的零售商,可能需要多達一星期的時間,才能收集到相同的資訊。結果這類零售商發現,自家調整價格的速度永遠跟不上競爭對手,即使引進人工智慧也一樣,因為自家公司用的是過時資料。有一家零售商就碰到這種情況。

沒有基本的自動化,想按下一個按鈕就解決複雜問題的策略願景,始終是癡人說夢。以基金經理人為例,雖然這個行業很適合採用人工智慧,但很多經理人花費數個星期以人力匯整資料,並檢查大量Excel試算表帶來的人為錯誤。這讓他們根本沒有準備好採用人工智慧,以即時預測客戶投資組合的下一個風險,或者即時用模型來呈現不同的情境。

同時,已把基本資料操作流程自動化的企業,可以主動出擊。有了自動定價引擎,保險業者和銀行推出新方案的速度,就能和網路競爭對手一樣快。例如,某家傳統保險業者只是把收集基準定價數據的流程自動化,就把報價更新頻率從好幾天一次,變成每15分鐘一次。一家公用事業公司,不再像過去每半年一次派人到顧客家中查電表,改為根據自動化智慧電表上的度數,來提供客製化、即時定價和特別方案,使得公司的服務更有競爭力。

結構化資料分析

對於達成效率或目標很重要的流程一旦自動化之後,經理人就必須開發結構化分析與集中處理的資料流程,好讓資料收集的方式標準化,而且只需要輸入資料一次。

有了更集中的資訊架構,所有系統都會回去參照主要的「真相來源」(source of truth),把更新資料傳送到整個系統,而所有的決定都會反映某個顧客或議題的單一觀點。例如,一組結構化的分析,能提供顧客歷史資料的完整全貌,給零售產品類別的經理,告訴他們哪些產品受到哪類顧客的歡迎、哪個產品賣到哪裡、顧客交替購買哪些產品、顧客忠誠地持續不變採購哪些產品。

經理人有了這些資訊,就能更妥善配置產品,並了解為什麼顧客會做出這些選擇。經理人了解顧客做這些決定背後的驅動因素,便能更充分地與供應商討論產品類別管理,像是解釋非常相似的產品將被下架,以挪出空間,給更獨特的產品。

試用人工智慧

把這些標準的結構分析和人工智慧整合之後,就有可能完善地預測、解釋與規範顧客行為。例如前述那個電信業者的例子,經理人了解顧客特質,但他們需要人工智慧來分析收集到的廣泛資料集,以預測顧客是否有離開的風險。在機器學習技術找出潛藏「流失風險」的顧客之後,經理人回頭檢視結構化分析,以決定留住這些顧客的最佳方法,並利用自動化流程,快速得出適當的挽留顧客方案。

如果作判斷的時候,也必須用到非結構化的資料,像是社群媒體、電話客服中心紀錄、影像、開放式問卷調查等,此時人工智慧系統能帶來巨大的差異。例如,亞馬遜(Amazon)能在購物者自己都還不知道想要某些商品時,就先推薦商品給他們,這是因為亞馬遜利用機器學習技術,把非結構化資料,加在自身強大、集中收集的結構化分析基礎之上,那些結構化分析包括顧客付款細節、地址和產品歷史等。

人工智慧也能協助進行不以歷史績效為基礎的決定。擁有強大的結構化分析功能的零售商,知道如何根據現有的銷售方式,來找出配銷產品的最佳方法。但這要靠機器學習技術來預測,目前還無法供應的產品,未來的銷售情況會如何,部分是因為還無法取得結構化資料。

最後,人工智慧系統能以分散的資料組為基礎,做出更正確的預測。在自動化與結構化資料分析方面有堅強基礎的基金經理,可以把人工智慧應用到各種不同的資料集,來更正確地預測股票的表現;例如可以應用在氣候資料,或是計算不同地點的汽車,也可用來分析供應鏈。有些運用資料的先驅者,甚至開始運用人工智慧系統,來分析彼此不相關的社群媒體訊息裡呈現的消費者態度資料,以判斷企業受歡迎的程度有何消長。

企業才剛開始發現,人工智慧技術可能用哪些不同的方式來改造企業。但有件事已經很清楚:企業必須投注時間與金錢,用來準備足夠的自動化與結構化資料分析,如此才能充分運用這些新技術。無論喜不喜歡,你都不能省略這些基本工夫。(劉純佑譯)



尼克.哈里遜 Nick Harrison

奧緯顧問公司零售與消費品全球事業的合夥人與共同領導人。


黛博拉.歐尼爾 Deborah O'Neill

奧緯顧問公司(Oliver Wyman)數位與金融服務實務合夥人。


本篇文章主題分析