數(shù)據(jù)科學(xué)將成為新的商業(yè)引擎

來源：數(shù)據(jù)觀 時(shí)間：2018-04-06 21:35:09 作者：鮑忠鐵

　　大數(shù)據(jù)時(shí)代，企業(yè)家都非常關(guān)心數(shù)據(jù)究竟如何幫助企業(yè)實(shí)現(xiàn)業(yè)務(wù)增長(zhǎng)和商業(yè)模式進(jìn)化，很少有企業(yè)管理者真正理解數(shù)據(jù)科學(xué)對(duì)未來時(shí)代商業(yè)模式的影響。大部分企業(yè)仍然將數(shù)據(jù)科學(xué)作為商業(yè)分析工具，輔助企業(yè)發(fā)現(xiàn)風(fēng)險(xiǎn)事件和挖掘營銷機(jī)會(huì)。傳統(tǒng)企業(yè)的商業(yè)活動(dòng)中，數(shù)據(jù)科學(xué)很少參與到實(shí)際的商業(yè)運(yùn)營之中，實(shí)時(shí)進(jìn)行商業(yè)決策，幫助企業(yè)提升銷售收入。

　　互聯(lián)網(wǎng)企業(yè)，數(shù)據(jù)科學(xué)正在作為商業(yè)引擎發(fā)揮著至關(guān)重要的作用。Google 2017年上千億美元的營收中，84％來源于廣告業(yè)務(wù)，其廣告業(yè)務(wù)的CTR（點(diǎn)擊率）在3%－4%之間，TOP位的廣告點(diǎn)擊率高達(dá)30%-40%。谷歌在全球的在線廣告市場(chǎng)份額超過33%，搜索廣告市場(chǎng)份額超過60%，是名副其實(shí)的廣告霸主。2017年亞馬遜1500億美元的電商GMV中，40%的營收依靠其推薦引擎。Google的廣告業(yè)務(wù)和亞馬遜的電商業(yè)務(wù)，其背后進(jìn)行實(shí)時(shí)商業(yè)決策的不是人而是數(shù)據(jù)科學(xué)。Google通過數(shù)據(jù)科學(xué)優(yōu)化其廣告業(yè)務(wù)，推送給客戶愿意點(diǎn)擊的廣告，CTR每提高0.1%的百分點(diǎn)，給Google帶來的業(yè)務(wù)收入會(huì)增加20－30億美元。亞馬遜利用推薦算法為客戶提供其愿意購買的商品，推薦引擎每提升一個(gè)百分點(diǎn)，其GMV會(huì)提升40億美金。

　　數(shù)據(jù)科學(xué)儼然已經(jīng)成為Google和亞馬遜這些互聯(lián)網(wǎng)巨頭的商業(yè)引擎，幫助這些巨頭實(shí)時(shí)進(jìn)行商業(yè)決策，提升業(yè)務(wù)收入。中國的互聯(lián)網(wǎng)企業(yè)BAT也是同樣，數(shù)據(jù)科學(xué)在后臺(tái)幫助其每天進(jìn)行上萬次商業(yè)決策。阿里的電商推薦引擎、騰訊的廣告平臺(tái)、百度的搜索引擎，都是通過數(shù)據(jù)科學(xué)在進(jìn)行商業(yè)決策，將合適的商品、廣告、信息推薦給客戶，提升客戶的轉(zhuǎn)化率，獲得更多的業(yè)務(wù)收入。在傳統(tǒng)企業(yè)商業(yè)活動(dòng)中，我們很少看到數(shù)據(jù)科學(xué)參與到實(shí)際商業(yè)運(yùn)營之中，也很少像互聯(lián)網(wǎng)企業(yè)一樣，幫助企業(yè)進(jìn)行實(shí)時(shí)商業(yè)決策。

　　企業(yè)所有的商業(yè)行為最終體現(xiàn)為商業(yè)決策，每天都需要為業(yè)務(wù)發(fā)展做出成百上千的決策。這些商業(yè)決策體現(xiàn)在業(yè)務(wù)運(yùn)營的方方面面，包括產(chǎn)品設(shè)計(jì)，市場(chǎng)營銷，庫存管理，客戶經(jīng)營，商品推薦，門店選址，成本控制，供應(yīng)鏈管理等。企業(yè)大部分商業(yè)決策都是由人來進(jìn)行的，很大一部分依賴于從業(yè)人員的行業(yè)經(jīng)驗(yàn)和數(shù)據(jù)分析結(jié)果，這些商業(yè)決策具有一個(gè)典型特點(diǎn)就是決策周期過長(zhǎng)，短的幾天，長(zhǎng)的需要幾周甚至幾個(gè)月。從風(fēng)險(xiǎn)角度來看，多次討論和長(zhǎng)時(shí)間決策可以降低決策風(fēng)險(xiǎn)。但是從商業(yè)機(jī)會(huì)角度分析，長(zhǎng)時(shí)間的決策也可能錯(cuò)失商業(yè)機(jī)會(huì)，降低決策帶來的預(yù)期潛收益，也會(huì)增加商業(yè)決策的失誤風(fēng)險(xiǎn)。在市場(chǎng)不確定性增強(qiáng)，節(jié)奏變快的數(shù)字時(shí)代，有效風(fēng)險(xiǎn)控制和實(shí)時(shí)商業(yè)決策將會(huì)成為企業(yè)的核心競(jìng)爭(zhēng)力，其背后的技術(shù)支撐就是企業(yè)數(shù)據(jù)科學(xué)的商業(yè)化應(yīng)用能力。

　　過去幾年，一些傳統(tǒng)企業(yè)在數(shù)據(jù)科學(xué)應(yīng)用方面取得了突破，其商業(yè)運(yùn)營正在依靠數(shù)據(jù)科學(xué)降低庫存成本。寶潔公司有兩個(gè)數(shù)字讓管理層非常頭痛，一個(gè)是38億美元的庫存數(shù)據(jù)，另一個(gè)是脫銷量。在零售店或折扣店中最重要的2,000種商品中，任何時(shí)刻都有11%的商品脫銷。系統(tǒng)中的大量庫存庫和客戶無法及時(shí)買到寶潔的產(chǎn)品，成為一種矛盾在不斷消耗著公司的成本。BiosGroup運(yùn)用了被稱為"基于供應(yīng)鏈實(shí)體（agent）的建模"技術(shù)，在數(shù)字世界完全模擬了寶潔的供應(yīng)鏈系統(tǒng)。小的軟件模塊代表了系統(tǒng)中各種實(shí)體組成部分，一個(gè)實(shí)體代表生產(chǎn)線，其他實(shí)體則代表貨車、倉庫、客戶和消費(fèi)者。模型是根據(jù)消費(fèi)者行為的概率分布（比如他們何時(shí)購物、購買多少）以及貨架的狀態(tài)（即產(chǎn)品是否脫銷）來建立，在這個(gè)理想世界中，每件事情都有條不紊地平穩(wěn)發(fā)展著，供應(yīng)鏈就像瑞士手表一般以精確和可預(yù)測(cè)的方式工作。

　　利用數(shù)學(xué)模型和數(shù)據(jù)科學(xué)技術(shù)，寶潔公司比以前更準(zhǔn)確地測(cè)量各種需求變化和分銷決策的影響。模型經(jīng)過計(jì)算發(fā)現(xiàn)強(qiáng)制裝滿一卡車訂貨量之后再發(fā)送，會(huì)產(chǎn)生涓滴效應(yīng)，導(dǎo)致部分商品缺貨和庫存增加。對(duì)訂單做5%調(diào)整，允許30%彈性發(fā)貨則會(huì)降低庫存，降低產(chǎn)品脫銷概率。經(jīng)過一系列的模型計(jì)算和商業(yè)決策調(diào)整，寶潔公司一年之內(nèi)減少了30億美元庫存，降低了75%的商品脫銷率。

　　類似于寶潔公司利用數(shù)據(jù)科學(xué)來指導(dǎo)商業(yè)決策的案例還用很多，例如Air Liquide 公司利用蟻群算法實(shí)現(xiàn)貨物運(yùn)營路徑優(yōu)化，降低8%運(yùn)營費(fèi)用，每年單個(gè)工廠降低成本150萬美元。寶馬公司利用拉丁超立方體導(dǎo)出2000個(gè)點(diǎn)創(chuàng)建控制實(shí)驗(yàn)室，采用克里金插值（Kriging）、偏最小二乘模型（PLS）、徑向基函數(shù)模型（RBF）實(shí)現(xiàn)交互設(shè)計(jì)從幾小時(shí)響應(yīng)到無延時(shí)交互設(shè)計(jì)。Paypal利用深度學(xué)習(xí)進(jìn)行反欺詐和反洗錢，效率提升兩倍，實(shí)現(xiàn)實(shí)時(shí)決策。

　　數(shù)據(jù)科學(xué)的商業(yè)應(yīng)用正在從后臺(tái)數(shù)據(jù)挖掘工作走向前臺(tái)，參與到實(shí)際的商業(yè)決策當(dāng)中。傳統(tǒng)企業(yè)需要轉(zhuǎn)變對(duì)數(shù)據(jù)科學(xué)的定位，在成熟的商業(yè)環(huán)境中，不涉及重大風(fēng)險(xiǎn)的前提下，數(shù)據(jù)科學(xué)應(yīng)該輔助業(yè)務(wù)人員進(jìn)行商業(yè)決策。在某些環(huán)境下讓數(shù)據(jù)科學(xué)獨(dú)立進(jìn)行實(shí)時(shí)商業(yè)決策，降低商業(yè)決策的時(shí)間，并有效控制商業(yè)決策風(fēng)險(xiǎn)。數(shù)學(xué)模型可以實(shí)時(shí)預(yù)測(cè)商品銷量，從而指導(dǎo)企業(yè)庫存管理和原料采購，縮短庫存時(shí)間，提高周轉(zhuǎn)率，降低企業(yè)運(yùn)營成本，提高資金利用率。企業(yè)在面對(duì)市場(chǎng)激烈的商業(yè)競(jìng)爭(zhēng)時(shí)，基于數(shù)據(jù)科學(xué)的實(shí)時(shí)商業(yè)決策也會(huì)降低企業(yè)決策失敗的成本，一旦某個(gè)商業(yè)決策沒有達(dá)到預(yù)期效果，被認(rèn)為是一個(gè)失敗決策時(shí)，實(shí)時(shí)商業(yè)決策會(huì)及時(shí)止損，降低其成本投入，有效控制風(fēng)險(xiǎn)。但是涉及到重大風(fēng)險(xiǎn)類商業(yè)決策時(shí)，考慮到?jīng)Q策的復(fù)雜程度，人的判斷要占主流，數(shù)據(jù)科學(xué)為為其提供決策支持。

　　數(shù)據(jù)科學(xué)成為傳統(tǒng)企業(yè)的商業(yè)引擎需要一個(gè)漫長(zhǎng)的試錯(cuò)過程，在發(fā)展的過程中，需要企業(yè)經(jīng)歷幾個(gè)階段。首先是數(shù)字化階段，企業(yè)需要將業(yè)務(wù)經(jīng)營相關(guān)的各流程進(jìn)行數(shù)字化，產(chǎn)品生命周期和業(yè)務(wù)流程的生命周期產(chǎn)生的數(shù)據(jù)將被采集和整理，為數(shù)據(jù)科學(xué)應(yīng)用提供必要的生產(chǎn)資料。第二個(gè)階段是數(shù)據(jù)治理和業(yè)務(wù)需求分析，先進(jìn)行數(shù)據(jù)治理，并依據(jù)業(yè)務(wù)需求來治理數(shù)據(jù)，標(biāo)注數(shù)據(jù)，匯總數(shù)據(jù)。為實(shí)現(xiàn)數(shù)據(jù)科學(xué)應(yīng)用提供標(biāo)準(zhǔn)化的輸入和輸出。第三個(gè)階段是數(shù)據(jù)科學(xué)應(yīng)用階段，依據(jù)業(yè)務(wù)需求和數(shù)據(jù)來建立模型，通過數(shù)學(xué)模型和數(shù)據(jù)工程能力解決實(shí)際的商業(yè)問題，基于數(shù)據(jù)科學(xué)的結(jié)果實(shí)現(xiàn)實(shí)時(shí)商業(yè)決策。

　　數(shù)據(jù)科學(xué)成為商業(yè)引擎的關(guān)鍵是企業(yè)的數(shù)據(jù)科學(xué)商業(yè)化能力。企業(yè)在實(shí)現(xiàn)數(shù)數(shù)據(jù)科學(xué)商業(yè)化應(yīng)用能力上需要建關(guān)注三個(gè)方面建設(shè)。

　　一、數(shù)據(jù)科學(xué)人才和組織建設(shè)

　　數(shù)據(jù)科學(xué)應(yīng)用能力和組織建設(shè)適合于大型企業(yè)，中小企業(yè)由于經(jīng)營成本和人才儲(chǔ)備的原因，數(shù)據(jù)科學(xué)的應(yīng)用一般會(huì)依賴于外部的廠商和BAT巨頭。

　　對(duì)于大型企業(yè)，需要兩組數(shù)據(jù)科學(xué)團(tuán)隊(duì)，一組位于科技部門，其主要職責(zé)是建立數(shù)據(jù)科學(xué)應(yīng)用平臺(tái)，為業(yè)務(wù)部門數(shù)據(jù)科學(xué)應(yīng)用提供高效的計(jì)算環(huán)境和高質(zhì)量數(shù)據(jù)，并協(xié)助業(yè)務(wù)部門的數(shù)據(jù)科學(xué)團(tuán)隊(duì)實(shí)現(xiàn)業(yè)務(wù)模型商業(yè)化應(yīng)用，將數(shù)學(xué)模型變成生產(chǎn)系統(tǒng)，實(shí)時(shí)指導(dǎo)商業(yè)決策。這組數(shù)據(jù)科學(xué)團(tuán)隊(duì)更加關(guān)注數(shù)據(jù)科學(xué)計(jì)算技術(shù)的發(fā)展和數(shù)據(jù)科學(xué)的工程能力。另外一組數(shù)據(jù)科學(xué)團(tuán)隊(duì)的人屬于業(yè)務(wù)部門，其比較了解業(yè)務(wù)數(shù)據(jù)和業(yè)務(wù)需求，數(shù)據(jù)科學(xué)的商業(yè)化能力比較強(qiáng)。具有豐富的數(shù)學(xué)模型應(yīng)用能力，基于業(yè)務(wù)需求，選取特征值建模，并不斷對(duì)模型進(jìn)行調(diào)優(yōu)，得到模型應(yīng)用的最佳解。這組數(shù)據(jù)科學(xué)團(tuán)隊(duì)更加關(guān)注算法和模型，數(shù)學(xué)模型的商業(yè)應(yīng)用能力較強(qiáng)，特別是開源算法的了解和應(yīng)用方面。

　　從企業(yè)角度來看，這兩組數(shù)據(jù)科學(xué)團(tuán)隊(duì)缺一不可，一個(gè)是數(shù)學(xué)模型的商業(yè)應(yīng)用能力，一個(gè)數(shù)據(jù)科學(xué)的技術(shù)和工程能力。在互聯(lián)網(wǎng)企業(yè)這兩組數(shù)據(jù)科學(xué)團(tuán)隊(duì)可能會(huì)屬于一個(gè)團(tuán)隊(duì)，在傳統(tǒng)企業(yè)，建議將此兩組數(shù)據(jù)科學(xué)團(tuán)隊(duì)分開，各自承擔(dān)其屬于自己角色，也便于各自專業(yè)能力的發(fā)揮。

　　二、數(shù)據(jù)管理工具和數(shù)據(jù)科學(xué)平臺(tái)建設(shè)

　　高質(zhì)量的數(shù)據(jù)是數(shù)據(jù)科學(xué)商業(yè)化應(yīng)用的前提，企業(yè)經(jīng)歷了長(zhǎng)時(shí)間的信息化建設(shè)之后，常常會(huì)出現(xiàn)數(shù)據(jù)孤島現(xiàn)象。數(shù)據(jù)科學(xué)應(yīng)用之前，需要先解決數(shù)據(jù)孤島這個(gè)問題。數(shù)據(jù)倉庫、數(shù)據(jù)湖、DMP都是解決數(shù)據(jù)孤島的工具和方式。企業(yè)需要建立數(shù)據(jù)管理工具和平臺(tái)，實(shí)現(xiàn)對(duì)數(shù)據(jù)的匯總、調(diào)用和標(biāo)注。企業(yè)如果要實(shí)現(xiàn)AI的商業(yè)應(yīng)用，也需要大量經(jīng)過標(biāo)注的數(shù)據(jù)，這也是數(shù)據(jù)管理平臺(tái)的關(guān)鍵功能之一。

　　數(shù)據(jù)科學(xué)平臺(tái)是數(shù)據(jù)科學(xué)商業(yè)應(yīng)用能力個(gè)載體，互聯(lián)網(wǎng)企業(yè)具有較高的數(shù)據(jù)科學(xué)能力，其往往建設(shè)自己到數(shù)據(jù)科學(xué)平臺(tái)或者在開源平臺(tái)上進(jìn)行優(yōu)化，常見的開源數(shù)據(jù)科學(xué)平臺(tái)有Google的Tensorflow，Spark MLlib等。商業(yè)化的數(shù)據(jù)科學(xué)平臺(tái)參考?Gartner公布的2017年數(shù)據(jù)科學(xué)平臺(tái)報(bào)告有IBM，SAS，RapidMiner 等傳統(tǒng)廠商，也有遠(yuǎn)見者DominoData Lab，Dataiku，H2O.ai等硅谷新貴。

　　數(shù)據(jù)科學(xué)平臺(tái)還處于發(fā)展完善階段，地位現(xiàn)在比較尷尬，企業(yè)需要的不是一個(gè)工具平臺(tái)而是數(shù)據(jù)科學(xué)的商業(yè)化能力。很多數(shù)據(jù)科學(xué)平臺(tái)實(shí)施過程中需要配置十多位數(shù)據(jù)工程師和數(shù)據(jù)科學(xué)家來幫助企業(yè)實(shí)現(xiàn)數(shù)據(jù)的商業(yè)化能力?；ヂ?lián)網(wǎng)企業(yè)和技術(shù)能力較強(qiáng)企業(yè)的數(shù)據(jù)科學(xué)家基本上不用第三方的數(shù)據(jù)科學(xué)平臺(tái)，這些數(shù)據(jù)科學(xué)家直接在計(jì)算平臺(tái)Spark上進(jìn)行模型部署和調(diào)優(yōu)，效率會(huì)更高。企業(yè)客戶的數(shù)據(jù)挖掘團(tuán)隊(duì)是數(shù)據(jù)科學(xué)平臺(tái)的主要用戶，其對(duì)平臺(tái)的主要需求是用戶體驗(yàn)和計(jì)算便捷。

　　數(shù)據(jù)管理工具和科學(xué)平臺(tái)建設(shè)需要參考企業(yè)的實(shí)際數(shù)據(jù)應(yīng)用的成熟度，對(duì)于數(shù)據(jù)質(zhì)量好、成熟度高的企業(yè)，數(shù)據(jù)管理工具和科學(xué)平臺(tái)可以同時(shí)建設(shè)。相反其他的企業(yè)先從數(shù)據(jù)管理工具DMP開始，打好數(shù)據(jù)管理的基礎(chǔ)之后，再開展數(shù)據(jù)科學(xué)的商業(yè)化應(yīng)用。

　　三、數(shù)據(jù)科學(xué)工程能力的提升

　　數(shù)據(jù)科學(xué)家和數(shù)據(jù)科學(xué)平臺(tái)僅僅是數(shù)據(jù)科學(xué)商業(yè)化應(yīng)用能力的基礎(chǔ)，并不代表數(shù)據(jù)科學(xué)將會(huì)成為企業(yè)的商業(yè)引擎。無法輔助企業(yè)進(jìn)行商業(yè)決策，幫助企業(yè)實(shí)現(xiàn)實(shí)時(shí)營銷和反欺詐、實(shí)時(shí)商品庫存管理等。

　　數(shù)據(jù)科學(xué)的工程能力是數(shù)據(jù)科學(xué)成為商業(yè)引擎的核心能力。很多大型企業(yè)，在數(shù)字化發(fā)展的進(jìn)程中，開發(fā)了很多業(yè)務(wù)模型，例如流失客戶預(yù)測(cè)，門店銷量預(yù)測(cè)等，但是這些業(yè)務(wù)模型大多是T＋1天之后計(jì)算出結(jié)果，僅提供數(shù)據(jù)分析功能，不參與業(yè)務(wù)決策。業(yè)務(wù)人員參考這些業(yè)務(wù)模型的計(jì)算結(jié)果進(jìn)行分析和討論，經(jīng)過一段時(shí)間之后，再由業(yè)務(wù)人員進(jìn)行商業(yè)決策，指導(dǎo)業(yè)務(wù)操作。即使這些業(yè)務(wù)操作有明確的業(yè)務(wù)規(guī)則指導(dǎo)，可以被模型固化執(zhí)行。業(yè)務(wù)模型在這種情況下，完全處于一種非實(shí)時(shí)，非決策狀態(tài)，沒有在實(shí)質(zhì)上改進(jìn)商業(yè)決策效率，僅為商業(yè)決策提供輔助的數(shù)據(jù)支撐。數(shù)據(jù)科學(xué)的商業(yè)價(jià)值在這種情況線被大大的忽視了，也體現(xiàn)不了數(shù)據(jù)科學(xué)家的真實(shí)商業(yè)價(jià)值。

　　互聯(lián)網(wǎng)企業(yè)則不同，其基于數(shù)據(jù)科學(xué)的商業(yè)應(yīng)用正在實(shí)時(shí)的指導(dǎo)商業(yè)決策，成為其業(yè)務(wù)發(fā)展的商業(yè)引擎。在商品推送、廣告曝光、搜索結(jié)果排列、駕駛導(dǎo)航、業(yè)務(wù)派單等方面數(shù)據(jù)科學(xué)正在實(shí)時(shí)進(jìn)行商業(yè)決策，單位時(shí)間內(nèi)提升客戶體驗(yàn)，推動(dòng)商業(yè)高速發(fā)展，創(chuàng)造更大的商業(yè)價(jià)值。

　　數(shù)據(jù)科學(xué)的工程能力是企業(yè)數(shù)據(jù)科學(xué)商業(yè)化應(yīng)用能力的一個(gè)核心能力，其包括數(shù)據(jù)計(jì)算平臺(tái)的理論能力和應(yīng)用能力、算法能力、編程能力、統(tǒng)計(jì)分析能力等。數(shù)據(jù)科學(xué)的工程能力體現(xiàn)為將業(yè)務(wù)模型從線下計(jì)算轉(zhuǎn)向線上計(jì)算，從非實(shí)時(shí)計(jì)算轉(zhuǎn)向?qū)崟r(shí)計(jì)算，從非生產(chǎn)系統(tǒng)轉(zhuǎn)向生產(chǎn)系統(tǒng)，從非決策系統(tǒng)轉(zhuǎn)向決策系統(tǒng)的工程化能力。數(shù)據(jù)科學(xué)的工程能力是互聯(lián)網(wǎng)企業(yè)數(shù)據(jù)科學(xué)團(tuán)隊(duì)的核心競(jìng)爭(zhēng)力之一，也是傳統(tǒng)企業(yè)數(shù)據(jù)科學(xué)家團(tuán)隊(duì)?wèi)?yīng)該提升的能力。

　　大數(shù)據(jù)時(shí)代，當(dāng)面對(duì)海量數(shù)據(jù)和復(fù)雜商業(yè)環(huán)境時(shí)，企業(yè)的商業(yè)決策能力將非常重要，實(shí)時(shí)的商業(yè)決策可以幫助企業(yè)抓住商機(jī)，提升運(yùn)營效率，降低商業(yè)成本，也會(huì)加速商業(yè)模式的迭代，順應(yīng)市場(chǎng)變化。數(shù)據(jù)科學(xué)是支撐企業(yè)實(shí)時(shí)商業(yè)決策的技術(shù)基礎(chǔ)，也是企業(yè)未來發(fā)展的商業(yè)引擎。（TalkingData 首席布道師鮑忠鐵）

責(zé)任編輯：陳卓陽