亿欧 | Chinapex创略创始人Jimmy Hu：智能化运营客户数据，AI应如何与之融合？
瞄准中到大型传统B2C企业在数据驱动和AI应用方面的价值，打通数据，得到360度用户画像，再使用AI提取智能化的洞察——这是Jimmy对于完美企业级AI应用的描述。
8月10日下午亿欧B2B子栏目在上海举办了“数据赋能—企业数据应用之道”垂直沙龙，戈壁创投管理合伙人朱璘、Chinapex创略创始人Jimmy Hu、驿氪创始人闵捷、奥凯大宗创始人白睿等均有到场分享其对于数据服务市场的演变和理解。
Chinapex创略CEO兼创始人Jimmy Hu先生做了《智能数据应用与企业业务融合之道》主题演讲。Jimmy Hu先生演讲的主要核心观点有：
1、客户数据是最重要的企业数据之一，精细化运营客户数据是企业建立竞争优势的前提；
2、从数据驱动跟AI的方面看来，中到大型传统B2C企业是更有价值的关注点；
3、一整套解决方案，需要把各种类型的数据打通、分析，之后产品化的AI模块直接进行价值提取，最后实现应用。
以下为亿欧整理Jimmy Hu先生的演讲速记：
大家好，我是Chinapex创略创始人兼CEO Jimmy。我今天的题目是数据驱动AI应用的一个比较实际的应用场景。我先介绍一下我的公司，Chinapex创略是一家数据技术公司，致力于提供从数据抓取、分析到行动的完整闭环的解决方案。这几年AI的概念比较火，但是具体来说AI到底是什么东西，可能很多人都不太清楚。
从真正的企业级应用角度来说，两个部分是较为常用的。一个是机器学习，一是自然语言处理。对于任何能持续产生数据量的企业，这两块都存在潜在可衡量价值。数据有很多类型，有客户数据，有设备数据，有工业数据，也有各种各样的日志数据等等。解决一个真正的问题要取决于数据类型。
今天我主要讲的是客户数据，这是企业数据最重要的数据之一。如果可以智能化地运营客户数据，企业就建立起了竞争优势。所以怎么样精细化运营客户数据呢？一方面是智能营销，个性化，再到客户体验优化，另外一方面，就是BI商业智能。但是这个范畴其实还是蛮大的，如果要真正去解决具体问题，取决于是什么样的企业。
数据应用企业主要分为两种类型，一种是互联网/互联网+企业，另外一种是中到大型传统B2C企业。为什么B2B不在其中呢？很简单的原因，通常B2B企业产生的数据量不够大，并且智能数据和AI的应用场景比较小。那么这两种类型的企业，在数据应用层面有哪些差别呢？
互联网企业数据来源主要是WEB端+APP端用户行为数据，或是基于SaaS的CRM系统，比如ZOHO，Salesforce等等，但后者作为数据源还是比较少见。这类企业的主要数据驱动应用还是产品优化、转化优化，因为通常互联网跟互联网+企业，他们的客户生命周期基本上都在这个平台上，包括转化漏斗、客户体验优化等等。
反过来看中到大型B2C企业，他们的数据来源肯定也有Web+APP端的触点。这个不是他们的产品，只作为接触到他们客户的触点和端口。数据来源也包括CRM系统，或是SaaS，或是私有CRM客户数据。另外还有数据库和数据仓库业务数据、大数据存储HDSP数据、消费数据、POS/消费数据。
这些企业对于数据的应用选择是比较多的。一是智能营销跟个性化，二是预测性分析，即超越普通分析去预测，应怎样减少流失率，或是如何专门针对客户生命周期价值高的客户做判断或行动。三是商业洞察和BI。当然销售跟运营团队也有可能用到这些数据，涉及到跨部门的协作性。
从数据驱动跟AI的方面看来，我个人感觉中到大型传统企业是比较有趣的，同时是比较有挑战性的。
第一，这些企业数据量跟数据来源比较多；
第二，对这些企业来说，数据化变革价值比较大，可以使用大数据和人工智能突破瓶颈。相比互联网企业，购买一个现有的分析工具，就基本上可以满足他们的需求；
第三，他们的应用场景比较丰富；
第四，对于他们，数据驱动协助的价值非常重要。因为基于同样的数据，销售团队、运营团队、营销团队、商业智能团队、分析团队都会用到同样的洞察。
传统中到大型B2C企业会把大数据平台或者机器学习等解决方案看成一个利润中心，而不是把它看成一个有成本的工具。所以说如果有适合的解决方案的话，基本上多个传统B2C行业都能感受到变革化的价值，包括金融、汽车、旅游、零售和地产等。
不过不是每一个类型的企业都是适合这种类型的应用的。比如说，快消就不太适合这个应用，因为快消通过全国的分销商来售卖产品，很难抓到客户数据。这种应用对于可口可乐就没有太大的价值。无论再怎样去运营客户生命周期，每个客户一个月仅消费几块钱，也不会有多少提高。
所以如果要有一个解决方案的话，应该包含什么环节呢？首先把数据采集进来，然后对接、导入，把数据打通。不同数据源，包括CRM、线上线下数据，可能有一些共同客户的数据维度，但是不将数据打通的话，是得不到360度画像的，也就没法用AI提取智能化的洞察。如果数据从实施到价值非常慢的话，到这个数据使用的时候，商业价值已经基本没有了，所以应强调数据的高可用性和产品化。最后一步肯定要基于这个数据采取行动或是应用，单单去看这些智能洞察的话，可能没有最大化其价值。
所以AI模块有两种不同的模式，一种是直接给用户展现机器学习模型的洞察，他可以直接看到结果，这个算是黑盒模式。
还有一个模式是透明模式，用的是什么数据，放进什么AI模型，用在什么场景，用户都可以自己选择，用户门槛也不是很高。基于这个结果，才可以有feedback loop，优化AI应用。
看上去这是一个很复杂的方案，又要是一整套的解决方案，又要使用简便，能够很快得到价值。那么，一个漂亮的、一站式的解决方案究竟长的什么样子，如果存在的话？在中国，其中少有的一个案例，其实就是我公司的产品体系。
我们来看一下，这个方案大概是什么样子。这个解决方案，肯定要把各种类型的数据采集进来打通、分析。产品化的AI模块直接进行价值提取，最后实现应用。所以首先，导入各种数据源的数据，应该是越简单越好。最佳的情况是one click（一键实现），实时数据最好用可视化埋点的方式，让用户很容易去设置他想抓取什么类型的行为。如果是CRM的话，用户最好可以一键通过API Key把数据直接拉过来。
各种数据导入进来后，要做清洗跟预处理，这部分通常需要IT部门花很长时间来做。但其实也可以用一个比较强大的产品化的数据来实现。将数据处理、清洗好，就要把数据打通，打通到360度的画像。某些客户的数据来源于APP，另外一部分数据是从CRM或者是本地数据库收集的，所以需要用ID去匹配、打通，然后才能形成一个360度的画像。开始AI应用之前，最好要筛选一下客户数据范围。如果去跑全部客户数据或者是潜在客户数据，可能没有太大的意义。
到这一步基本上数据已经准备好，可以被放到AI应用里面去，这个时候就要考虑一下，这些数据到底要放到什么应用场景下，到底是做营销还是个性化推送，还是用来预测销售，还是只是来做BI。想好应用场景之后，选一个相应的模型。
选好模型之后，把需要预测的数据范围直接放进去，然后就可以得到结果。不同的应用场景会有不同的结果，一种是预测客户购买行为哪些客户买，哪些不买，或者是哪些客户会流失，或者是不流失，这些基本上是yes或者是no的问题。
另外一种可能没有那么多的目的性，但是还是非常有价值。高价值客户群体里面，到底是什么因素才会造成人均客单价或者是总共消费比较高，这个问题可能会有不同的答案，可能这类客户分成三种人群，一种是因为收入高，另外一种是因为距离比较近，另外一种可能是别的因素，基于这些不同的因素，你可以去更好地去个性化，然后做促销活动。
有了这些洞察，下一步就是要采取行动。比如说可以把快要流失的客户变成一个标签，然后针对这个标签里面的这些人采取具体措施。
形成标签后，可以应用到各种外部场景，比如对这些人进行展示广告，或是邮件推送、消息推送，或是返回CIM作为销售洞察，或是发到呼叫中心。如果你是一个呼叫中心的话，也许可以直接用这个解决方案，完成闭环。当客户电话打进来的时候，他的画像就会直接跳出来。
如果你只是将其作为BI应用的话，要么用系统自带的解决方案完成应用闭环，要么推到外部，比如微软的BI。如果真正要用来做销售的话，也能查看个人画像，或者是下载某个人群的数据列表。
最后一步，第一次的结果肯定不是最优的，需要磨炼的过程，AI模型才会越来越准。
所以一两个业务人员或是分析师，加这样一个AI应用的解决方案，就可以产生很多洞察和价值，这些价值就可以帮助各部门的同事产生协作效应。
