探索人工智能的商業案例類型
自動駕駛汽車是AI非常重要的應用領域。下面通過幾個數字看看自動駕駛汽車的使用所帶來的好處：在美國，由于自動駕駛汽車的使用使得在避免致命碰撞方面節省了317億美元(盡管到目前為止，它還不能完全避免造成死亡)，在避免非致命碰撞方面節省了226億美元，時間方面節省約99億美元。但是也有分析指出，這并不是原來人們預想的保險費率或者汽車自身成本的降低，買不起車的人仍然買不起車。與此同時，這些也只是美國市場的數字。
從投資回報率來看，據Axios報道，截至2018年第三季度，風險投資公司僅在自動駕駛領域投資了近80億美元——這其中并不包括傳統汽車制造商的任何投資估算。而即使增加一些資金來彌補私人投資方面的影響，自動駕駛汽車的收益也遠遠超過迄今為止投入的資金金額。對于誰將從中獲益，以及這是否與成本相匹配這一系列問題，仍然有待考量。因此，為了使自動駕駛投資得到回報，少數幾家已經投資的公司不得不分享紅利，而這也意味著要分攤消費者和保險公司的預期收益。
這一切都是從宏觀層面來看的。那么，在微觀層面呢?讓我們先看一個荒謬的例子，比如，預測今天你會收到多少封電子郵件——這件事是否值得預測?
有人可能會說，對收到電子郵件數量的預測結果，可以讓自己更好地評估一天的工作量，或者明確沒有完成對工作，并據此做好工作計劃。
“它解決了什么樣的問題”——這是數據分析領域的一個基本問題。它能幫你判斷即將做出的預測行為是否有價值，其根本就在于確定所獲取的信息是否會改變你的行為。比如，知道接下來幾個小時可能收到的電子郵件數量，并不一定會改變我的行為。工作仍然需要完成，我無法完全阻止電子郵件進入我的郵箱。
但是，換一個角度來看。對于一整個公司來說，預測所有員工在一天內將會收到電子郵件的數量就變得有意義了。因為這些信息就可以用于控制公司為電子郵件服務支付的費用，預期的員工的工作效率，或者判斷升級后的垃圾郵件過濾器是否有用。當然，只有當大型企業組織在員工中把這個利益聚合到一起的時候，才能真正獲得這樣的價值——比如當你將這種做法應用到一群分布在全國各地、在不同公司工作的朋友身上時，可能就不奏效了。
這并不是說你無法在微觀層面上看到AI預測的價值。一個很好的例子就是預測你今天要吃多少碳水化合物。如果讓AI查看你過去的飲食習慣記錄，那么它可能會發現你通常會在午飯時吃面包，在晚飯后吃甜點。AI會利用這些信息嘗試阻止某些在接下來你會做出的行為，例如鼓勵你在上午10:30吃沙拉，在晚上6點提醒你不要在晚餐后吃餅干。這就是AI在微觀層面為你帶來的價值，它將直接影響你的行為。
相反，跨消費者聚合行為就不一定意味著企業能從這種聚合中受益，或者說，要從整體上獲益將更加分散和困難。
說回零售業
零售行業利潤微薄(除了奢侈品)，因此在大多數情況下，零售業都非常厭惡風險。他們認為，投資回報率必須穩定并且明確，才能讓零售商獲益。
到目前為止，零售行業中的AI投資回報率一直相當不錯 ——比如通過個性化體驗吸引回購從而提升銷量，通過使用聊天機器人(而不是依靠呼叫中心人員進行常規呼叫)來節約成本，通過AI驅動的補貨預測實現收入和庫存周轉方面的優勢等等。
AI讓微觀和宏觀應用場景之間的界限變得模糊。零售中的宏觀用例有很多，例如適用于商品計劃的長期預測，可以幫助改善銷售、減少缺貨、減少單個門店庫存，同時還可以幫助匹配產品采購計劃與需求預測。一般都是通過對過去銷售數據、活動數據的分析總結，通過模型預測接下來的趨勢。
當然，即便沒有在宏觀層面看到好處，也可能通過某種信息的聚合，使得預測產生收益。就像前面的例子，雖然個人在預測電子郵件接收量方面沒什么價值一樣，在特定關系中(例如雇主)聚合這種預測可能是有價值的。
此外， 在微觀層面，AI在零售行業中的用例也不少。它可以為消費者提供更優質的體驗，滿足消費者越來越多樣化和個性化的需求，而這，對于零售商來說是在更聚合層面上的間接收益，比如帶來更高的客戶粘性，提升客戶忠誠度。
底線
總的來說，如果你太狹隘地看待人工智能用例的投資回報率，那么你有可能會錯過很多價值。特別是在零售業中，這將限制了人工智能的各種可能性，最終讓風險因素限制了你的優勢。
但無論如何，因為AI實際上只是一種高級分析形式，給我們帶來成本最低的預測，但分析ROI的規則仍然適用：如何讓這些信息改變我的行為?如果它不可行，那就沒有價值。
京公網安備 11010502049343號