商学院小讲堂101|The Marriage of Business and AI-Business Analytics


如今的大数据人工智能(AI)飞速发展的时代中, 公司如何应对?AI对于公司的价值到底在哪儿?

今天我们就来聊聊,什么是AI驱动的商业模式和一个越来越多人共识的“尚方宝剑”:Business Analytics。

人工智能的优势众所周知。Alpha Go可以战胜围棋大师。

华尔街投行纷纷招募数学家和计算机科学家来预测市场得到更多信息优势。


那对于不同行业的公司我们应该如何利用好AI技术呢?

首先,人工智能技术的基本条件是数据的积累。50年前公司的数据架构还不健全,20-30年前因为电脑和互联网的发展,公司纷纷开始积累数据,而如今各行各业都积累了大量数据。

因为拥有数据,可以更好运用数据来提炼商业价值的公司就会有更大的优势。例如,中国的BAT, 美国的Amazon,Facebook,都是本质上的AI驱动的商业模式。

而这些成功背后的关键点就是对于商科和AI的理解和运用

---Business Analytics---


一个近几年兴起的学科。


Business Analytics 主要包括三个方面:Descriptive Analytics,Predictive Analytics,和Prescriptive Analytics。


01

Descriptive Analytics

关注现有商业现象的描述性分析。例如,新冠疫情后消费者的线上和线下行为发什么了什么本质变化?从存量用户中赚钱更贵还是用户拉新更贵?这些分析往往对于下一步的公司战略有着决定性的作用。


02

Predictive Analytics

最容易理解并且最好运用, 它直接和现有很多的机器学习方法所挂钩,用来预测未来会发生的事情。例如,下个月X市的牛奶销售量是多少?明天道琼斯指数的涨幅是多少?公司运作的方方面面都需要对市场和消费者有更准确的判断,而在很多特定的情况下,机器学习比人做的更加准确!


03

Prescriptive Analytics

更加微观,关乎到一个公司运行的具体操作。它可以通过AI的运筹优化做一个数据驱动的决策从而更好分配资源。比如,给定一个对于销售量的预测结果,进货的数量应该是多少才能保证库存成本最低?


Business Analytics的最大优势在于结合了AI(更靠近计算机科学)和商业的本质,从而体现出数据的价值。

接下来我们就来理解一下Business Analytics是如何在商业运行中体现出数据的价值的。

在这之前, 我们先要把一个公司进行分解。任何一个公司(盈利或非营利)都由以下几个重要方面组成。

宏观的公司组成


金融

 有公司就会涉及到资本,和资本有关的一切都属于金融,主要包括公司的投资融资行为(公司金融)和对于资本市场的理解(资产定价)


会计

会计是一门商业的语言,通过这门语言来理解公司的运作和管理。所以会计经常涉及到监管,员工薪资激励问题,和与资本市场的信息沟通


管理 

分为两块和人有关的(人力资源管理)和公司运行有关的(公司战略管理)。总体来说,管理旨在如何发现探索公司内部及外部的竞争优势(competitive advantage)


市场营销

公司的存在起源于对于商品和服务的需求(消费者),而市场营销的主要目标是理解消费者行为和市场


管理信息系统 

有公司就会有组织,有个体,有技术(包括数据)。管理信息系统研究的是这几方面之间的关系


运营管理

运营管理和其他任何一门学科的不同就在于,它把“时间”这个元素讨论在内,因为任何公司行为(例如进货,销售)都需要时间。因为有时间, 就会有成本。所以运营管理本质上讨论的是任何公司运行的成本和收益的权衡。


大家会发现,以上的六个公司组成都和数据离不开关系。尤其是微观的公司组成部分中,大数据的特性体现得尤为明显。

从某种意义上来讲因为,金融, 会计,和管理的背后机理过于复杂,AI的发展还不能做到预测人类的行为或股票价格(因为资本市场是由人类投资交易行为而构成)。


所以我认为,未来Business Analytics会在这几个微观的公司组成中起到决定性作用。 例如,恰好Business Analytics的三个主要方面可以一一对应地运用在这三个微观的公司组成部分。



市场营销<---->Predictive Analytics

在很多行业如制造业和零售业,都需要对市场有很好的预判。比如,在一个理想存货的管理情景中,如果可以准备100%预测下一个月的销量,零售商只需要完全匹配的进行进货,不需要任何安全库存。

所以“准确的销量预测可以大大降低库存成本”。

而这些预测可以通过机器学习的方法通过大量数据进行。

另外一个很好例子就是营销活动。很多商家喜欢通过打折或者发优惠券的方式来推销一些产品,但是通常这些营销活动需要在有限的成本内获取最大利润。

那么,怎么才能精确触达那些最可能复购的人群呢?这个时候机器学习的方法再次可以通过历史数据来预测,什么样的人群更适合被触达。

所以“只有很好结合AI的预测模型,才能从以后的数据中获取更多利润。”


管理信息系统<---->Descriptive Analytics

在决策层面,任何一个商业模式或政策的转变,都需要更好的数据支持来评估成效。这个时候我们经常会运用到因果分析(Causal Inference)。

2019年的诺贝尔奖经济学得主之一Esther Duflo因为运用Randomized Control Trial对不同政策对于贫困地区经济行为的因果效应分析而得奖。例如,他们发现让学生在学校多上一天学完全不能提高学习成绩?提高学习成绩的决定性因素在于教育质量(例如,老师的受教育程度,基础设施)。

同样,这样的描述性分析可以让公司在战略决策上少走弯路。例如, 在X市的Y街道新开了一家线下商店对于总体销售量影响如何?对于线上的影响如何?下一次开店应该选择什么地点?

这些问题都可以通过Descriptive Analytics和一些基本的经济理论来讨论。

所以“Descriptive Analytics更好的让公司追根溯源,作出更好的商业决策”。


运营管理<---->Prescriptive Analytics

在日常的公司运作中,经理人经常每天要做许多决策。如何给公司的100多种产品定价才是最优?如何分配物流公司的卡车线路最省成本?在产品的生命周期中,那个时间点进行打折才是最优决定?

这些大量的业务决策,如果都用人脑来完成会,不仅会出错,更可能使一个完美的战略失败地落地。在这种情况,AI又起到的了决定性的作用。如果可以把所有我们需要考虑的因素建立在一个运筹优化模型中,AI可以告诉我们最好的答案。

更重要的是, “Prescriptive Analytics可以大规模快速的作出大量最优的决定。”

哪怕只是提高1%的利润,对于一个大规模运作的公司来说,这是一个不用花任何成本,轻松赚取的大量现金流。当然,这样的一一对应关系是片面的,我们可以把Business Analytics用在任何一个公司组成中。以上只是举例说明使得让大家更好直观的理解AI在商业的价值。

如今,Business Analytics已经在被越来越多的公司运用。阿里集团的广告,推荐,搜索都极大依赖于算法的决策。亚马逊的核心优势也在于本质上是一个数据公司。抖音快手的成功很大程度依赖于推荐系统的优化从而提高用户黏性。

几十年前,靠傻大笨粗(例如,踩矿,制造人力密集的零件)发财的商业模式已经不复存在。

十几年以后,你的公司会以什么样的核心竞争力赢到最后?


作者


Brian Han

Assistant Professor in Business Administration

Gies College of Business

University of Illinois at Urbana-Champaign