[[259079]]

AI的應(yīng)用大大降低了預(yù)測(cè)成本，這意味著企業(yè)能夠以越來越新穎和意想不到的方式來推動(dòng)業(yè)務(wù)的發(fā)展。借用Prediction Machines的概念，我們就可以用攝像頭、視頻分析和機(jī)器學(xué)習(xí)來充分預(yù)測(cè)消費(fèi)者的行為。也正是得益于這樣的技術(shù)，自動(dòng)駕駛汽車才能從夢(mèng)想變成現(xiàn)實(shí)。 

探索人工智能的商業(yè)案例類型 

自動(dòng)駕駛汽車是AI非常重要的應(yīng)用領(lǐng)域。下面通過幾個(gè)數(shù)字看看自動(dòng)駕駛汽車的使用所帶來的好處：在美國(guó)，由于自動(dòng)駕駛汽車的使用使得在避免致命碰撞方面節(jié)省了317億美元(盡管到目前為止，它還不能完全避免造成死亡)，在避免非致命碰撞方面節(jié)省了226億美元，時(shí)間方面節(jié)省約99億美元。但是也有分析指出，這并不是原來人們預(yù)想的保險(xiǎn)費(fèi)率或者汽車自身成本的降低，買不起車的人仍然買不起車。與此同時(shí)，這些也只是美國(guó)市場(chǎng)的數(shù)字。 

從投資回報(bào)率來看，據(jù)Axios報(bào)道，截至2018年第三季度，風(fēng)險(xiǎn)投資公司僅在自動(dòng)駕駛領(lǐng)域投資了近80億美元——這其中并不包括傳統(tǒng)汽車制造商的任何投資估算。而即使增加一些資金來彌補(bǔ)私人投資方面的影響，自動(dòng)駕駛汽車的收益也遠(yuǎn)遠(yuǎn)超過迄今為止投入的資金金額。對(duì)于誰將從中獲益，以及這是否與成本相匹配這一系列問題，仍然有待考量。因此，為了使自動(dòng)駕駛投資得到回報(bào)，少數(shù)幾家已經(jīng)投資的公司不得不分享紅利，而這也意味著要分?jǐn)傁M(fèi)者和保險(xiǎn)公司的預(yù)期收益。 

這一切都是從宏觀層面來看的。那么，在微觀層面呢?讓我們先看一個(gè)荒謬的例子，比如，預(yù)測(cè)今天你會(huì)收到多少封電子郵件——這件事是否值得預(yù)測(cè)? 

有人可能會(huì)說，對(duì)收到電子郵件數(shù)量的預(yù)測(cè)結(jié)果，可以讓自己更好地評(píng)估一天的工作量，或者明確沒有完成對(duì)工作，并據(jù)此做好工作計(jì)劃。 

“它解決了什么樣的問題”——這是數(shù)據(jù)分析領(lǐng)域的一個(gè)基本問題。它能幫你判斷即將做出的預(yù)測(cè)行為是否有價(jià)值，其根本就在于確定所獲取的信息是否會(huì)改變你的行為。比如，知道接下來幾個(gè)小時(shí)可能收到的電子郵件數(shù)量，并不一定會(huì)改變我的行為。工作仍然需要完成，我無法完全阻止電子郵件進(jìn)入我的郵箱。 

但是，換一個(gè)角度來看。對(duì)于一整個(gè)公司來說，預(yù)測(cè)所有員工在一天內(nèi)將會(huì)收到電子郵件的數(shù)量就變得有意義了。因?yàn)檫@些信息就可以用于控制公司為電子郵件服務(wù)支付的費(fèi)用，預(yù)期的員工的工作效率，或者判斷升級(jí)后的垃圾郵件過濾器是否有用。當(dāng)然，只有當(dāng)大型企業(yè)組織在員工中把這個(gè)利益聚合到一起的時(shí)候，才能真正獲得這樣的價(jià)值——比如當(dāng)你將這種做法應(yīng)用到一群分布在全國(guó)各地、在不同公司工作的朋友身上時(shí)，可能就不奏效了。 

這并不是說你無法在微觀層面上看到AI預(yù)測(cè)的價(jià)值。一個(gè)很好的例子就是預(yù)測(cè)你今天要吃多少碳水化合物。如果讓AI查看你過去的飲食習(xí)慣記錄，那么它可能會(huì)發(fā)現(xiàn)你通常會(huì)在午飯時(shí)吃面包，在晚飯后吃甜點(diǎn)。AI會(huì)利用這些信息嘗試阻止某些在接下來你會(huì)做出的行為，例如鼓勵(lì)你在上午10:30吃沙拉，在晚上6點(diǎn)提醒你不要在晚餐后吃餅干。這就是AI在微觀層面為你帶來的價(jià)值，它將直接影響你的行為。 

相反，跨消費(fèi)者聚合行為就不一定意味著企業(yè)能從這種聚合中受益，或者說，要從整體上獲益將更加分散和困難。 

說回零售業(yè) 

零售行業(yè)利潤(rùn)微薄(除了奢侈品)，因此在大多數(shù)情況下，零售業(yè)都非常厭惡風(fēng)險(xiǎn)。他們認(rèn)為，投資回報(bào)率必須穩(wěn)定并且明確，才能讓零售商獲益。 

到目前為止，零售行業(yè)中的AI投資回報(bào)率一直相當(dāng)不錯(cuò) ——比如通過個(gè)性化體驗(yàn)吸引回購(gòu)從而提升銷量，通過使用聊天機(jī)器人(而不是依靠呼叫中心人員進(jìn)行常規(guī)呼叫)來節(jié)約成本，通過AI驅(qū)動(dòng)的補(bǔ)貨預(yù)測(cè)實(shí)現(xiàn)收入和庫(kù)存周轉(zhuǎn)方面的優(yōu)勢(shì)等等。 

AI讓微觀和宏觀應(yīng)用場(chǎng)景之間的界限變得模糊。零售中的宏觀用例有很多，例如適用于商品計(jì)劃的長(zhǎng)期預(yù)測(cè)，可以幫助改善銷售、減少缺貨、減少單個(gè)門店庫(kù)存，同時(shí)還可以幫助匹配產(chǎn)品采購(gòu)計(jì)劃與需求預(yù)測(cè)。一般都是通過對(duì)過去銷售數(shù)據(jù)、活動(dòng)數(shù)據(jù)的分析總結(jié)，通過模型預(yù)測(cè)接下來的趨勢(shì)。 

當(dāng)然，即便沒有在宏觀層面看到好處，也可能通過某種信息的聚合，使得預(yù)測(cè)產(chǎn)生收益。就像前面的例子，雖然個(gè)人在預(yù)測(cè)電子郵件接收量方面沒什么價(jià)值一樣，在特定關(guān)系中(例如雇主)聚合這種預(yù)測(cè)可能是有價(jià)值的。 

此外， 在微觀層面，AI在零售行業(yè)中的用例也不少。它可以為消費(fèi)者提供更優(yōu)質(zhì)的體驗(yàn)，滿足消費(fèi)者越來越多樣化和個(gè)性化的需求，而這，對(duì)于零售商來說是在更聚合層面上的間接收益，比如帶來更高的客戶粘性，提升客戶忠誠(chéng)度。 

底線 

總的來說，如果你太狹隘地看待人工智能用例的投資回報(bào)率，那么你有可能會(huì)錯(cuò)過很多價(jià)值。特別是在零售業(yè)中，這將限制了人工智能的各種可能性，最終讓風(fēng)險(xiǎn)因素限制了你的優(yōu)勢(shì)。 

但無論如何，因?yàn)锳I實(shí)際上只是一種高級(jí)分析形式，給我們帶來成本***的預(yù)測(cè)，但分析ROI的規(guī)則仍然適用：如何讓這些信息改變我的行為?如果它不可行，那就沒有價(jià)值。