10月28日FMI 2018人工智能与大数据高峰论坛深圳场圆满落幕,货拉拉大数据总监刘幸以大数据&智能化体系的建立为主题进行了精彩的分享。
货拉拉大数据总监 刘幸
以下是刘幸演讲内容，飞马网根据现场速记进行了不改变原意的编辑（有删减）：
刘幸：大家好！我今天分享内容的标题是《从零建立大数据&智能化体系》。主要分为三个部分。
01
第一部分：大数据行业综述
首先从不同行业大数据的发展来探讨一下当下的现状。
金字塔顶端是互联行业，因为互联网行业资源充足，其次互联网行业有成熟的工程师文化，数据团队是作为核心竞争力，最后外包模式雄厚的资金也使得互联网居于大数据行业的顶端。
第二梯队的是金融行业，金融行业特色采用“外包+正式编制”，重分析和业务。数据可以给金融公司带来可观经济效益，所以很重视数据驱动营收的模式明显。
第三梯队是交通运输、医疗健康、公共管理、能源、科教等等。这些偏向公益型或者政府主导的，带有大量数据积累的行业。
第四梯队、第五梯队，是制造、建筑、房地产、餐饮、农业、住宿等等。这一批信息化弱，本身的数据没有太多积累，且资金相对薄弱。
大数据、智能化不分家，两者都面临着数据价值落地难的业界痛点。
数据团队不直接产出价值，而是通过业务团队间接产出价值，很难衡量中间的价值量。
产生价值要数据科学团队和业务团队紧密配合。这个配合涉及两个很大的问题：一个满意度问题，一个是部门墙问题。
怎么解决这个问题呢？
1、构建数据体系，用好数据。
2、通过业务将数据找到价值出口，这里面最关键的是团队合作。
数据价值落地闭环
从数据源开始，然后收集埋点、信息转化、数据处理，最后得到结果（可以是统计分析学结果，可以是数据挖掘、机器学习等等出来的结果）。
如何用数据？
我们要运营数据，通过做迭代、做循环，有结果要分析、要洞察、要引导决策、持续优化，最后形成数据的反馈闭环。其中引导可以人也可以机器引导，人引导是分析师做的事情，机器引导是人工智能做的事情。
数据团队体系的组织架构
1、矩阵型（模式典型）：业务黏度最高
2、中心型：在影响力、决策相应度、可复用性和团队结合效率更好。
成熟数据体系的特征：
1、数据有价值。
2、数据成体系。
02
第二部分：企业级大数据体系建设实践
如果要从0开始建设大数据和智能化的体系，应该怎么办？
第一步做数据转换。二是做数据的处理和整合。信息经过分析变成情报（可以理解为组织得比较好，经过统计和挖掘相关出来的数据，这其实就是情报），情报通过学习变成知识，知识放在应用里面变成智慧，这就是我们讲的智慧城市、智慧交通。智慧的系统做出来安到设备上就是实践，实践之后产生很多数据然后进行反馈，最后就形成一个闭环，这是数据自己的闭环。
发展愿景
创业团队或者内部创业团队都有发展愿景：一是建立数据体系，二是数据化运营，三是数据驱动业务，四是智慧物流企业，五是驱动产业链升级。
方法论
发展方法论也叫专业、伙伴、未来。
1、专业：就是深化内功，带动技术方向，树立业界大数据专业地位，彰显大数据团队的专业知识优势资源。
2、伙伴：数据也好、智能化也好，要通过业务找出口和价值，需要成为业务的伙伴，业务和数据是相互合作的关系。只有做成伙伴之后才能更好的驱动业务价值产出。
3、未来：让业务更加智能，让公司更加适应大数据时代或者大数据时代。
建设原则
指导思想是平台化、服务化和应用化。
1、平台化：平台使得大数据和人工智能不再是一个工具，不再是一种技术，而是集中资源优势，对数据资产进行深度整合、开发和利用。
2、服务化：让大数据像当今的专业咨询策划机构一样，不仅接受咨询HIA提供解决方案。
3、应用化：深化大数据服务，使其有形化、标准化、品牌化。
大数据建设初期战略
1、建团队。搭建一个架构团队，先建的是大数据平台、数据分析平台、大数据应用平台，大数据应用平台是大数据产品，后面就是数据仓库，再就是算法，然后就是一个虚拟的架构组。
2、搭平台：搭基础平台、集成开发平台、数据服务门户，还有企业级数据仓库和人工智能平台。
3、做应用：有大数据的解决方案，大数据产品和智能化产品。
数据从业者的技能栈：
1、数据技能：数学、统计学、机器学习、数据仓库等等理论。
2、研发技能：Java、SQL、架构能力等。
3、软技能：业务知识、抽象思维能力、归纳总结能力、沟通社交能力等。
相比数据技能和研发技能，软技能很少受关注，但它们同等重要。
业务知识，抽象思维能力，归纳总结能力和发散思维，沟通及社交能力，特别是沟通能力和社交能力很重要，因为大部分数据都是通过业务产生价值，所以软件特别重要。数据技能加研发技能，我叫数据工程。研发技能+软技能，就是数据产品，产品经理、数据应用工程师等等这些。数据技能+软技能就是数据分析、数据挖掘。真正的数据科学就是这三个技能之间，既要懂数据技能，又要懂研发技能，还要懂软技能。
03
第三部分：大数据在不同行业的案例
用户画像
所有的行业都需要用户画像。没有做过数据的人一般对画像停留在感官层面，而数据从业者则是要深入到每个人的内心，这样才能做到数据有价值。用户画像是把用户心里怎么想的用数据表达出来，这个技术其实就是打标签，也即标签化。
用户画像的数据构建（以金融行业为例）
1、客户的基础数据：金融行业是一个要求数据特别准确的行业，包括身份证、银行卡、收入、职业等等都涵盖在内，其客户基础数据非常全面。
2、用户交易数据：金融行业最核心的业务数据。
3、客户行为数据：包括交易终端、手机证券易淘金、金钥匙等客户行为浏览数据。
4、外部数据：如果想要一份完善的用户画像，最好是和外部数据关联结合起来。在业界一边是通过数据买卖或者是数据交易。
用户画像应用场景
用户画像可以做基础统计、场景化运营、数据挖掘和运营服务评估。
1、基础统计：个体分析和群体分析。
2、场景化运营：精准化营销、客户的生命周期管理。
3、运营评估服务：运营效果的评估
4、数据挖掘相关的功能。
用户画像可以理解为不是直接产生用户价值的业务系统，而是给很多产生价值的东西提供数据源，提供数据画像的数据源，它是一个基础工作。
智能客服
智能客服是一个典型的应用，它一般分为三个小的模块，一是机器人客服；二是机器人助手；三是智能问答服务。
客户价值管理体系
这是大数据和人工智能典型的应用。在金融行业特别好，因为金融行业客服单价特别高。这一块做的最多的是流失预警，原因是竞争对手比较多，单价比较高。
智能语音质检
这是智能客服做的副产品。智能客服是提前打一道关，语音质检是到语音客服手上，从语音对话上发现问题，打客户的电话说电话会被录音，录音就是质检。之前抽样质检，10%抽样率，有智能化之后就变成了全量检。
智能投顾
现在金融行业比较火的是智能机器人、股票机器人。
把人工智能技术用到传统投资顾问里面去的东西，有人说这个行业变味，变成推销产品，用技术包装一层然后推销基金和各种各样的理财产品。但是脱下高科技的外衣本质是一回事。这里强调一下，这里和卖理财产品有区别。智能投顾根据你的风险偏好和投资行为和风险承受能力，有的喜欢炒长线，有的喜欢搏短线，有的操作频率高，有的操作频率低，千人千面，每个人算一次，然后推荐喜欢的和感兴趣的投资组合，进行自动组合，这是唯一的区别。本质还是一堆产品里面挑你喜欢的。
手机APP崩溃分析
个性化推荐
我的分享到这里。谢谢大家！
关注公众账号
【飞马会】
▼
飞马会
AI人工智能/大数据/技术管理等人员学习交流园地
往期福利
关注飞马会公众号，回复对应关键词打包下载学习资料；回复“入群”，加入飞马网AI、大数据、项目经理学习群，和优秀的人一起成长！
回复 数字“11”50本书籍大礼包：AI人工智能/大数据/Database/Linear Algebra/Python/机器学习/Hadoop
网友评论