作者：張云 史睿

摘要

區別于能夠實現海量數據的管理、簡單分析與可視化的傳統商業智能，艾瑞的此份商業智能報告將聚焦于人工智能技術如何用于商業智能決策，實現商業經營的智能化與自動化。

本報告中的重要觀點：

1. 中國企業精細化運營的需求正在爆發;
2. 商業智能，幫助企業實現數據驅動認知到數據驅動決策的轉變;
3. 商業智能主要應用于金融、電商、物流、出行等領域;
4. 中國AI論文成果達到國際一線水平;
5. 技術方面，商業智能的未來將從強調單一技術，到各學科、分支、算法等融會貫通;
6. 技術以外，企業、技術供應商對場景的理解是產業升級的關鍵;
7. 商業智能的落地是一項系統工程，企業的工程實踐能力有待增強。

商業智能行業概念界定

商業智能的下一步，智能化與自動化

商業智能(BI，Business Intelligence)概念的提出可追溯至1958年，通常將其視為把企業中現有數據轉化為知識，幫助企業做出明智的業務經營決策的工具。過去的商業智能不能給出決策方案，也不能自動處理企業運行過程中遇到的問題。借助于人工智能與其他相關學科的技術進步，現代商業智能已能在特定場景中實現商業經營的智能化與自動化。因此，本報告聚焦于將人工智能技術用于商業智能決策，試圖對人工智能在商業落地的真實現狀進行說明，凸顯AI技術(不包括智能語音、計算機視覺等感知智能)在現階段應用的價值。

商業智能與大數據

大數據為商業智能的發展提供土壤

互聯網、移動互聯網高速發展，海量、高維度且可實時接入更新的數據隨之而來，為機器學習等前沿技術在各領域中的探索及落地提供可能，進一步拓展了被服務人群且顯著提升服務質量。另一面，產業缺乏通用標準約束，數據在采集及流轉過程中污染程度不一，數據加密不規范引致的數據泄露時有發生，數據孤島亦成為企業業務發展的掣肘(如金融方面，企業多為基于自身平臺積累的獨有數據做征信，評分適用范圍將大大受限)，通用標準的建立需要政府及產業界的共同努力。

商業智能與大數據

從數據驅動認知，到數據驅動決策

智能技術的運用一方面將拓展大數據的應用場景，從幫助業務人員認知到實現企業最優決策，另一方面，自然語言處理的進步也正在解決人機交互的部分問題，自然語言查詢、自然語言生成都將進一步釋放商業智能的效率和價值。

商業智能應用場景

商業智能主要應用于金融、電商、物流、出行等領域

類比人類智能，人工智能可分為賦予機器語音、圖像等感知能力的感知智能和賦予機器思考能力的認知、決策智能。認知能提升感知(如對語義的理解判斷將提升機器的語音識別率)，感知也會輔助決策(如智慧商超中機器視覺對客流屬性、消費行為的觀察、記錄可輔助商超做出營銷決策)，本報告聚焦于認知智能在商業場景中的應用情況。

中美商業智能環境對比

中美同屬商業智能第一方陣，發展態勢各有千秋

過去的幾十年中，中國科技智能環境不如西方幾乎成了很多人的刻板印象，但在如今的商業智能領域，我國從“中國制造”到“中國智造”，從奮起直追到彎道超車，已進入商業智能領域第一方陣，成為發展最快的國家之一。總的來說，由于中美文化差異、人口差別、工作強度不同等因素，相比美國，中國將技術落地的加速度更快，新興商業模式拓展力強，但業務的發展仍缺乏全面性與標準化。目前，中國通過單點突破彎道超車，并開始重視精細化運營，由局部最優逐漸向全局最優靠攏。

中國商業智能技術環境

論文成果達到國際一線水平，企業積極應用創新性成果

AAAI(The Association for the Advancement of Artificial Intelligence)是人工智能領域頂級的綜合性會議，會議論文涉及機器學習、自然語言處理、搜索、規劃、視覺、知識表達等人工智能各分支的學術探討和應用研究。2017年AAAI大會收到論文2571篇，創下新高，中國學者的論文提交量與錄用率均達到國際一線水平，與美國持平。收錄論文不僅有來自高校學者，還有來自百度、騰訊、華為、360、今日頭條等企業研究人員，如百度的《Collaborative Company Profiling：Insights from an Employee’s Perspective》——從員工角度出發，嘗試利用AI讓企業人力價值最大化。

國內企業與高校間的合作也愈發緊密，騰訊即有與香港科技大學的實驗室合作，高校可利用企業的海量數據與測試平臺，企業則可將創新性成果落地實踐。需要指出的是，盡管目前AI的商業應用中國并不落后甚至在某些維度領先美國，但在原創性研究、創新土壤、人才儲備方面，中美仍有較大差距。

商業智能產業圖譜

商業智能行業投融資梳理

行業集中度低，融資火熱，天使輪、A輪居多

商業智能應用場景眾多，包括營銷、金融、交通等領域，各領域涉及企業眾多，行業集中度較低，融資方面，2012-2016年最為火熱，其中，2015年融資次數達到31次，同時有兩家新三板掛牌企業，是2012-2016年中融資次數最多的一年;從融資輪次來看，大部分融資尚處于早期的天使輪、A輪階段;另外，從企業所涉領域來看，服務于金融領域的企業最受資本市場青睞。

商業智能核心技術剖析

了解技術是發展技術的前提

人工智能正在重塑科學、技術、商業、政治以及戰爭，而大眾對技術的認知程度和該技術的重要性相比顯得遠遠不夠。即使只有工程師和機修工有必要知道汽車發動機如何運作，每位司機也都必須明白轉動方向盤會改變汽車的方向、踩剎車會讓車停下。另外，當今人工智能的各個分支其實在五十年前就已有相關基礎，當時的一些科學家認為，人工智能的所有問題都將在十年內解決。但事實是直到今天，很多問題仍懸而未決并難以解決。過高的預期引致不當的失望，人工智能歷史上的兩次冬天無疑阻礙了技術、產業發展的步伐，并讓踏實做事的人受到傷害。因此，我們有必要對商業智能技術的概念模型、發展現狀與應用前景進行客觀認知，了解它的能力與邊界。

核心技術之機器學習

機器學習概述

將數據輸入計算機，一般算法會利用數據進行計算然后輸出結果，機器學習的算法則大為不同，輸入的是數據和想要的結果，輸出的則為算法模型，即把數據轉換成結果的算法模型。通過機器學習，計算機能夠自己生成模型，進而提供相應的判斷，實現某種人工智能。工業革命使手工業自動化，而機器學習則使自動化本身自動化。

核心技術之機器學習

支持向量機、樸素貝葉斯、決策樹、神經網絡等經典算法

核心技術之機器學習

人工智能、機器學習及深度學習的相互關系

近幾年掀起人工智能熱潮的深度學習，屬于機器學習的一個子集，在思想和理論上并未顯著超越二十世紀八十年代中后期神經網絡學習的研究，但得益于海量數據的出現、計算能力的提升，原來復雜度很高的算法得以落地使用，并在邊界清晰的領域獲得比過去更精細的結果，大大推動了機器學習在工業實踐中的應用。但值得指出的是，深度學習的應用范圍還很有限，統計學習仍然在機器學習中被有效地普遍采用。另外，人工智能不是一種特定的技術方法，所有方法都是在對人工智能這個課題進行研究的產物。機器學習和象征著理性主義的知識工程、行為主義的機器人一樣，是人工智能的一個分支。

核心技術之知識圖譜

知識圖譜的應用

就覆蓋范圍而言，知識圖譜可分為應用相對廣泛的通用知識圖譜和專屬于某個特定領域的行業知識圖譜。通用知識圖譜注重廣度，強調融合更多的實體，主要應用于智能搜索等領域。行業知識圖譜需要考慮到不同的業務場景與使用人員，通常需要依靠特定行業(如金融、公安、醫療、電商等)的數據來構建，實體的屬性與數據模式往往比較豐富。

核心技術之運籌學

運籌學概述

運籌學是一門用量化分析的方法做決策與優化的科學和藝術，它為管理決策提供智慧，并以自己的智慧解決管理決策問題。體現運籌學思想和方法的某些早期先驅性的研究工作，可以追溯到20世紀初期，如1908年丹麥工程師Erlang提出的電話話務理論(運籌學中排隊論的起源)。運籌學是一門應用性很強的學科，在研究和解決各種復雜的實際問題中綜合使用代數、統計學、計算機科學、模擬(仿真)等各種方法，不斷得到創新和發展，至今已成為一個包括許多分支的龐大的學科。在大數據時代，數據科學結合運籌學尖端理論是實現數據驅動的科學決策的堅實基礎。

核心技術之運籌學

從軍事到民用，優化各領域組織決策

最早期的較為正式的運籌學活動出現在第二次世界大戰時期，有一批英國的科學家著手研究利用科學方法進行決策，以最佳使用戰時資源，當時的工作小組將自己的工作稱為Operational Research(簡稱OR)。戰后的工業復蘇時期，運籌學思想被引入民用領域，用來應對組織中與日俱增的復雜性和專業化所產生的問題，大幅提升了生產力。雖然運籌學的大部分實踐應用產生的效益小于下表所列案例，但這些典型反映了大型的計劃完善的運籌學的研究可能帶來的重要影響。

商業智能應用之廣告營銷

精準營銷負責引流獲客，個性化推薦促活留存

商業智能在廣告營銷領域的主要應用為精準營銷與個性化推薦，兩者均通過用戶數據，對用戶貼標簽，并基于產品特征與投放需求，建立不同的決策模型進行營銷;兩者最大的不同在于，精準營銷用于引流獲客階段，以短信或優惠券的方式進行營銷，提升響應率，優化企業運營;個性化推薦用于留存促活階段，使得消費者在最合適的時間，以最恰當的方式，獲得最合意的產品、資訊以及服務的推薦。

商業智能應用之電商

收益管理的本質是優化

商業智能在電商領域的主要應用為商品組合、定價策略、促銷管理等多方面的優化，可歸結為收益管理，即指在適當的時間和地點下，以合適的價格向不同的用戶提供最恰當的服務或產品，以實現資源約束下，企業收益最大化的目標。收益管理最早起源于航空運輸業，當時的民航處于價格管制狀態，為解決旅客誤機導致的座位虛耗、企業收益流失，出現了“超售”思想，除航空業外，收益管理也廣泛應用于酒店服務、電子商務、交通出行以及物流運輸等領域。

商業智能應用之交通出行

通過人工智能+運籌學，最小化路程與出行時間

路徑優化是指如何找到從出發地到達目的地之間最短時間、最優價格的最短路徑;訂單分配研究的是供需匹配問題，結合多維度影響因素(例如路途距離、路況、騎手騎行速度、需求時間段等)匹配需求和供給;另外，除路徑優化與訂單分配外，電商領域中提到的定價優化也應用于交通出行，例如網約車定價，但與電商不同的是，網約車因其需求的及時性要求較強，賬號共享性弱，使其擁有更大的個性化定價空間。

路徑優化可理解為尋求由起點出發，通過所有給定需求點后再回到原點的最短路徑問題，路徑優化誕生于TSP問題(Traveling Salesman Problem，旅行銷售員問題)，即訪問除原出發結點以外的每個節點一次且僅一次，應用場景例如拼車實時路線規劃、某些貨物需在某一時間段送到(時間窗口)。

訂單分配可理解為供需匹配問題，供需匹配可分為靜態匹配與動態匹配，靜態匹配即有n個需求，n個供給，每一個供給只能滿足一個需求，每一個需求也只需要一個供給，應用場景例如物流追蹤、車輛與乘客靜態匹配等;當匹配雙方并非事先確定時，則為動態匹配問題，動態匹配的本質在于優化結合隨機建模，當匹配的一端實時產生時，以優化模型決定如何匹配能夠達到最大價值，應用場景例如網約車隨時產生的乘客與車輛匹配。

商業智能應用之供應鏈

通過大數據與優化技術提升供應鏈系統效率與柔性

物流系統分為多層，包括入庫前的倉庫地址選擇、入庫時的策略以及銷售預測、入庫后的庫存優化、倉儲優化、清倉以及出庫時貨運分配、配送路線規劃等。其中，倉庫的選擇和物流的配送是供應鏈管理的核心，在某地區開展新業務時，如何設定樞紐的數量、樞紐位置等對最終運送的成本有著很大的影響;配送路線規劃涉及到我們在交通出行領域中談到的路徑優化與車輛調度問題，通過結合實時需求、時間窗口、承重限制等因素，對送貨路線進行制定，最小化成本與時間，實現物流智能化高效運營。

商業智能應用之金融風控

利用數據與技術，提高風控準確率，布局全流程風控

金融的本質在于給風險定價，對于風險及時且有效的識別、預警、防控一直是金融機構的核心。金融風控強調數據與技術，智能風控企業結合高維度的大數據，利用決策樹、神經網絡等機器學習技術，針對信貸評級、授信、貸后預警，反欺詐等場景提供解決方案，傳統金融機構由過去的以經驗或小量數據對風險進行把控，到現在以大數據及技術進行風控，實現金融風控升級。但同時，精細化運營全覆蓋也是風控市場需考慮的關鍵點，即從系統的第一層出發，做全流程的金融風控，識別真正符合金融產品的優質客戶，當潛在用戶的信用存在風險時，應從營銷端就避免引入此類風險用戶。

商業智能應用之投研分析

人機協作，助力投研分析質效提升

商業智能在投研分析中的應用可與食材料理類比，將原始數據比喻成料理中的原料A，A被清洗擇選后成為可用烹飪原料B，參考不同料理食譜，對B進行制作，最終生成佳肴，映射于投研分析領域中，清洗擇選方法包括去重、數據排序、實體發現、實體關聯、領域知識圖譜等，食譜即不同算法與模型，最終生成可視化投研報告。與人工分析生成的報告不同，機器人報告最大的優勢在于生成快、可以清晰明了的將大量數據進行羅列呈現;智能機器的效率相對高，但目前仍缺少創造性，在投研分析領域，機器人與分析師的協同合作將提升分析質量與效率。

商業智能應用之智能投顧

自動化程度逐步提高，AI+投顧新模式將用戶資金自動對接

智能投顧，顧名思義即人工智能+投資顧問。傳統的投資顧問相當于私人銀行中的客戶經理通過與客戶的深度溝通，結合客戶個人的風險偏好和理財目標，傳達給后臺技術人員制定理財配置模型，再由客戶經理將此方案給到客戶;智能投顧可被理解為將私人銀行的后臺標準服務線上化。相比傳統投顧，智能投顧擁有可簡化流程、適合全民理財、可定制短/中/長多周期投資方案、可進行風險預警等優勢，同時也面臨客戶對機器的弱信任感問題、現階段政策以及所需客戶財務狀況全面性等限制與挑戰。

商業智能的挑戰與未來

從強調單一技術，到各領域融會貫通

在大數據的背景下，商業場景中任一問題的解決，往往是多學科思想的交融，而非對單一方法的依賴。在計算機科學、人工智能、運籌學、博弈論等諸多學科領域的綜合與交叉中，一個個貼合實際業務場景的解決方案應運而生，使得商業智能切實優化企業決策方式，助力業務增長。融合也表現在人工智能的各分支上，如關于語義網的研究，自然語言理解、機器學習、人機交互都很重要。最后，任何一種學習算法都有自己的優勢和局限，所謂的解決一切問題的終極算法，很有可能是對現有算法的兼容并包。當然，如何讓各算法相遇相融并在不大幅降低效率的前提下提升通用性，仍是一個非常復雜但值得探索的難題。

商業智能的挑戰與未來

技術以外，對場景的理解是產業升級的關鍵

在人工智能成為產業界、學術圈、投資人以及媒體關注的焦點以來，大眾對深度學習等技術尤為關注。但在工業實踐中，對具體業務場景的理解與對實際問題的界定，與采用何種模型、算法同等重要，前者在很大程度上決定了后者是否能夠有效降低企業運營成本或者幫助相關業務增加收入，這是技術能夠落地、產業得以升級的關鍵。

在AAAI2017中，Uber人工智能實驗室主任Gary Marcus即表示當前飛速發展的深度學習等技術可能只是在不斷逼近通用人工智能的一個局部最優點，而這樣的逼近方式可能讓我們錯過那些真正更好地實現通用人工智能的方法。因此，在運用技術解決某個問題之前，絕不應先入為主地認定要是用某個具體的機器學習算法，而應首先對業務場景加以分析，抓住核心問題要素，這是做出最優技術選擇的前提。

商業智能的挑戰與未來

智能的落地是一項系統工程，企業的工程實踐能力有待增強

商業智能業務應用的落地需要建立在完善的數據整合、管理之上，再由相應的算法、模型基于高效的計算框架將數據轉化為可視化的業務規律，進一步驅動或直接生成企業決策，因此商業智能是一項系統工程，算法設計、架構搭建、系統配合、流程控制、質量監督、危機處理等缺一不可，項目工程經驗非常重要。

另一方面，類比國際頂級SaaS企業Salesforce，其產品通用功能大概只占50%，產品背后依然有大量供應商及自身服務團隊結合客戶差異化的場景做定制服務，因此尚處早期的商業智能領域，在很長一段時期內，服務方式仍將以定制化的解決方案為主(尤其面對大企業的時候)，以SaaS等標準化的產品為輔，并在部分場景中以PaaS服務接入客戶ERP、CRM等信息系統，快速、低成本地將商業智能賦能于企業。

End.

轉載請注明來自36大數據（36dsj.com)： 36大數據 ? 2017年中國商業智能行業研究報告