近日，艾瑞咨询发布了2017年度《中国商业智能行业研究报告》，聚焦于人工智能和商业智能的行业应用，即人工智能技术如何应用于商业智能决策，以及如何实现商业经营的智能化与自动化。
该报告指出，中国企业精细化运营的需求正在爆发，对商业智能解决方案的要求提高了，尤其是金融、电商、物流和出行等领域，更需要商业智能帮助企业实现数据驱动认知道数据驱动决策的转变。技术上，商业智能的未来将从强调单一技术，到各学科、分支、算法等融会贯通。经验上，企业、技术供应商对场景的理解是产业升级的关键。商业智能的落地是一项系统工程，企业的工程实践能力有待增强。
一、中国商业智能行业的发展概况
受惠于国家经济发展和政策扶持，在商业智能行业，中国已经与美国同属第一方阵，发展态势上各有千秋，比如我国企业更喜欢从底层数据库到前端应用的一体化解决方案。水手哥深以为然，国内从西部到东部，不同区域的信息化水平不一而足，但最近几年大家都非常看重行业落地经验，也都追求一体化的解决方案，其核心原因还是寻求数据化最优解，上了一整套系统，等于请了专业的咨询公司梳理业务。技术方面，AI和大数据蓬勃发展，加上政策利好，中国商业智能整体呈现向上发展趋势。但是由于经济增速温和，跑马圈地粗旷经营的红利期已过，精细化运营的需求正在爆发。
同时，艾瑞咨询在本报告中简单描述了商业智能产业链。智能技术在商业场景中的应用，即产业链的中游和下游。关于产业链的上游，传统IT厂商和云服务厂商可为技术、产品及服务提供者赋予计算、存储等基础设施支持， ERP、CRM等信息系统可帮助企业有效记录其资源及业务数据，数据整合者的第三方数据则可丰富智能分析的数据维度。帆软公司是大数据BI和分析平台供应商，处于产业链的中游，既可以提供标准化的BI产品，也可以提供行业解决方案。
二、商业智能未来核心技术剖析
报告认为，未来商业智能核心技术是机器学习、知识图谱、运筹学。所谓机器学习，即实现自动化本身自动化。2015年以来，神经网络以深度学习之名再次崛起，大幅提升感知智能准确率。核心的机器学习算法，要支持向量机、朴素贝叶斯、决策树、神经网络等经典算法，并包含深度学习、强化学习、迁移学习等热点技术。
知识图谱于2012年5 月17日被Google正式提出，其前身可追溯至上世纪六十年代的Frame Network（Semantic Network）。就覆盖范围而言，知识图谱可分为应用相对广泛的通用知识图谱和专属于某个特定领域的行业知识图谱。通用知识图谱注 重广度，强调融合更多的实体，主要应用于智能搜索等领域。行业知识图谱需要考虑到不同的业务场景与使用人员，通常 需要依靠特定行业（如金融、公安、医疗、电商等）的数据来构建，实体的属性与数据模式往往比较丰富。
运筹学是一门用量化分析的方法做决策与优化的科学和艺术，它为管理决策提供智慧，并以自己的智慧解决管理决策问题。大数据时代赋予企业更海量、更多维度、更具时效性的全样本数据，也带来了工业实践的新业务、新场景、新约束，这些新问题为运筹学的经 典理论带来新鲜养料，促进了运筹学新模型、新方法的不断涌现。美国的亚马逊会有数百人的运筹学团队来负责物流、仓储的供应链优化和商 品定价等收益管理问题；谷歌起家的搜索引擎由计算机科学背景的人员来研发，如今谷歌也有专门的运筹学团队来解决相应的广告点击、街景 的路径优化等各种问题，均在大数据时代凭借运筹优化来做精细运营。国内移动互联网的爆发性增长带来了大量的数据积累和沉淀，在很大程 度上补充了原有的以PC为核心的IT信息系统，用户使用移动服务过程中记录下来的数据成为智能决策系统提升运营效率的基础，电商的收益管 理、供应链优化，网约车的路径规划、动态定价，金融的风险管理，各领域各组织皆因国内庞大的用户市场而充满想象空间。
但是，站在产品技术的发展角度上，Gartner有着不尽相同的看法，他们认为，未来商业智能的技术除了深度学习，还有数据准备自动化和自然语言处理。
数据整合，数据准备等数据科学工作将越来越自动化，这会大大提升数据科学家的工作效率。数据集成等手动工作的自动化有助于提高专业和民间数据科学家的效率，缓解人手不足的问题。Gartner预测，到2020年，超过40％的数据科学任务将自动化，从而提高公民数据科学家的生产率和更广泛的使用。
自然语言理解是计算机科学领域与人工智能领域中的一个重要方向，它研究如何能让计算机理解并生成人们日常所使用的语言，使得计算机懂得自然语言的含义。BI的自然语言处理技术将能把数据分析的结果以叙事的方式表达给用户，便于用户理解。用户将通过搜索和自然语言的方式进行分析查询，如同siri那样的交互，而不必通过专家或者计算机语言进行查询。但是水手哥并不认同个人语音助手，中国人还没有习惯，碰到什么事情都语音问一下。在办公室问“悟帆，告诉我上海地区近两年的FineBI销售额”，估计会被人当作疯子。
三、商业智能的典型应用
1、广告营销：精准营销负责引流获客，个性化推荐促活留存
2、电商：收益管理的本质是优化，智能化收益管理帮助企业在不增加流量投入的同时提升收入
3、交通出行：通过人工智能+运筹学，最小化路程与出行时间
4、供应链：通过大数据与优化技术提升供应链系统效率与柔性
5、金融风控：利用数据与技术，提高风控准确率，布局全流程风控
6、智能客服：由人力密集型向人机混合模式升级
四、商业智能的挑战与未来
在人工智能成为产业界、学术圈、投资人以及媒体关注的焦点以来，大众对深度学习等技术尤为关注。但在工业实践中， 对具体业务场景的理解与对实际问题的界定，与采用何种模型、算法同等重要，前者在很大程度上决定了后者是否能够有 效降低企业运营成本或者帮助相关业务增加收入，这是技术能够落地、产业得以升级的关键。 在AAAI2017中，Uber人工智能实验室主任Gary Marcus即表示当前飞速发展的深度学习等技术可能只是在不断逼近通用 人工智能的一个局部最优点，而这样的逼近方式可能让我们错过那些真正更好地实现通用人工智能的方法。因此，在运用 技术解决某个问题之前，绝不应先入为主地认定要是用某个具体的机器学习算法，而应首先对业务场景加以分析，抓住核心问题要素，这是做出最优技术选择的前提。
商业智能业务应用的落地需要建立在完善的数据整合、管理之上，再由相应的算法、模型基于高效的计算框架将数据转化 为可视化的业务规律，进一步驱动或直接生成企业决策，因此商业智能是一项系统工程，算法设计、架构搭建、系统配合、 流程控制、质量监督、危机处理等缺一不可，项目工程经验非常重要。 另一方面，类比国际顶级SaaS企业Salesforce，其产品通用功能大概只占50%，产品背后依然有大量供应商及自身服务团 队结合客户差异化的场景做定制服务，因此尚处早期的商业智能领域，在很长一段时期内，服务方式仍将以定制化的解决 方案为主（尤其面对大企业的时候），以SaaS等标准化的产品为辅，并在部分场景中以PaaS服务接入客户ERP、CRM等 信息系统，快速、低成本地将商业智能赋能于企业。
编辑于 2017-6-22 17:31
|
