清华大学徐心老师与FMBA同学面对面企业发展与AI治理之道( 二 ) 【中国MBA教育网讯】近日

从BI到AI
在AI之前， BI（Business Intelligence）这个词已经流行了20年。 AI本质上是人类思维活动的自动化，第一阶段是从BI过渡到AI ，第二阶段是在自动化基础上做好数据工程，第三阶段是在某一个流程上应用人工智能降本增效，或者进行流程创新，很多流程都进行创新，智能联动就形成了价值链层面的变化，最高层面的应该是人工智能的治理创新，如何在企业内部进行有效的人工智能项目治理。
第一阶段从BI到AI的转化离不开BI 。BI和AI到底有什么区别？涉及BI最核心的概念是drive down（钻取），就是我们现在各行各业里经常讲的数据切片。最大的黄色正方体代表顾客空间，按照三个维度切割，蓝颜色的群体是企业关心的群体，企业了解这个群体对营销的响应率，看到了一个平均响应率之后还不满意，就把蓝色群体拿出来再按照一些维度切割，聚焦在了一个企业觉得可以发力的小群体上。
IBM曾经做过这样的事情，顾客打电话抱怨企业卖的产品有问题，接线员接到顾客的电话之后，立刻能调阅和顾客相关的所有信息，针对顾客反映的情况，系统自动提出建议。营销经理根据客服汇总的信息，例如他所关注的某一条产品线上的顾客，进行客户价值、保全比例、盈利能力等不同维度的分析。
营销经理发现，客户保全比例只达到了目标的52% ，这就是在进行一次切片，按照一个指标进行一次切片，营销经理就看到了客户保全维度出现问题，进一步切片，发现是白金卡顾客出了问题，然后发现顾客通常在商场里消费最多，于是营销经理调出商场的数据来看，这就是我们所说的BI ，不断的切片。
文章插图
现实中BI系统的应用如何？曾经很多公司都在用，但是效果没有达到预计的。系统提供给营销经理维度进行切片，现实中营销经理往往采用最熟悉的几个维度，性别、工作、银行账户、信用卡消费、额度等。背后的原因是，尽管技术提供给经理人进行规则总结的工具，但是人脑面对大量数据总结规则，依然很困难。
如果是AI进行营销分析该怎么做？AI不会再做这种切片的工作，会把和顾客相关的所有特征全部输入到神经网络里面，输出是这个人在营销之后的购买率。神经网络进行中间的计算，得到模型，面对新顾客时，把特征输入到神经网络， AI会估算概率，这个人是否会进行消费。
Simon曾说， “A wealth of Information creates a poverty of attention.”信息社会大量的信息导致认知能力的贫乏。当数据量很小的时候，我们偏向于HI（Human Intelligence），依靠人脑进行规则总结；数据量小规模增加，按照少量维度进行总结， BI辅助很好用；一旦数据变成海量，就需要依靠人工智能特别是机器学习，因为人工智能不依赖于人脑进行规则总结，是依靠复杂的线性函数叠加，在输入和输出形成复杂的网络，自动计算，自动生成网络，数据量越大，人工智能学习效果会越好。
组织的人工智能治理建设的第一个阶段应该自动化过程。企业创新问题可以上溯到熊彼特，大的组织能够承受创新失败带来的风险，但是当组织变得特别大的时候，没有动力进行创新，个体小组织必须靠创新存活下来。
我曾经带博士生做过一个项目，就是在一个网络平台上出现网络博主家族时，平台的创新速度和成效如何。研究这个问题有一个前提，就是识别博主的价值，我们主要将点赞和评论作为创新的效果。
平台本身也很关注这样的博主家族，我们和平台首要解决的一个关键技术问题，就是哪些人属于一个家族。平台采用人工的方式，根据经验识别家族成员，例如根据文本介绍中是否提及家族关系、网络互动和博主发言，判断是否属于同一个家族，但是会出现作弊的现象，召回率只有20% 。我和博士生通过分析平台数据，发现家族之间的互动是有特征的，基于观察，我们建立了一个自动化系统，通过博主之间形成的关系网，找到中心的小群体，这个小群体内部特别聚拢，群体之间比较分散。以这样的种子节点深挖附近的群体，把这些群体聚合在一起，通过规则进行评分，召回的精确率达到78% 。在这个项目里，我们实现了第一步，人工智能能力建设的自动化。
这是一种思维模式的改变。我们过去的管理工作依赖规章制度，未来学习型的组织会依靠数据和算法。这种组织的优点在于动态，可以根据组织绩效不断改变自己的内在。