为什么大数据的出口是AI

当今大数据时代，三分技术，七分数据，得数据者得天下，数据是新的原油。而即使获得相同的原油，但是不同的企业由于技术的差异，能够从原油中萃取出来的价值也是不一样的。

一般对大数据的价值来说，大家耳熟能详的主要是数据化管理、数据驱动精细化运营等，这些主要还是以分析应用的场景为主，除此之外，大数据还可以借助AI的能力，把价值更加极致地发挥出来。

一、大数据与AI的关系

我们知道AI最主要的实现方式是机器学习，而机器学习的本质是通过大量的数据分析挖掘、模型训练后，让机器具备人的学习能力或思辨能力，也可以理解为数据是原材料，AI是生产工具，AI与数据结合，创造新的生产力。

当然这个过程也离不开云计算提供强大的算力资源支持，很多人也把这种结构关系称之为ABCI，即：AI、BigData、Cloud、IOT。

二、AI助力数据分析

对于一直做数据可视化产品数据产品经理同学，是否遇到过这样的困惑"自己所做的事情抽象一下，其实就是指标+维度+可视化图表，做来做去只是业务场景的变化"，如果想要有创新的突破该何去何从呢？

同样，做自助BI产品，是不是就是数据建模、拖拽式分析、配置化的可视化Dashboard或大屏的构建，随着产品基础功能的逐步完善，新增的基本上都是些小众的或边边角角的需求，此次，产品的下一步该如何规划？

在"数据可视化怎样才有灵魂"一文中，详细地分享过，数据可视化从数据是什么、为什么、怎么做的三个层次，对于数据是什么是基础的大数据处理、计算、查询、展示，而对于为什么、怎么做，则需要将更多人的分析思路和流程融入到产品中。

比如对于指标波动除了业务可以明确确定的规则外，当业务波动受时间周期、天气等多种因素影响时，如何确定合理的监控阈值，判定了指标异常后，又要如何进行自动化的归因分析，找出关键影响维度或指标? 此时，就需要更多的借助AI的能力了。

在2018年的时候，结合WolframAlpha（国外的一款基于知识图谱的搜索引擎）的思想，尝试过将业务经营指标、维度构建数据知识图谱，通过NLP技术对用户输入内容进行解析，如用户输入"华东大区昨日毛利"，可以直接返回指标数值、同环比、下一级维度拆分等等。

后来阿里QuickBI推出智能小Q，百度Sugar推出AI数据问答，其他BI厂商比如亿信华辰，也有智问功能。后期可以扩展结合语音识别的能力，想象一下，老板在开车的时候，想知道今天的业务经营情况，打开移动端的智能分析平台，语音输入"今天经营状况如何"，想知道的相关数据，从主要到次要，都可以直接语音播报了。

现阶段来说，智能问答属于最高层次的需求，但可以借助AI的能力，把智能分析的过程做的更深入一些，未来在资源允许、场景明确，则可以尝试更多数据机器人的能力。

图片来源：亿信华辰公开图片

三、AI提升业务人效

以精准营销场景为例，用户画像标签可以分为统计类标签：如用户订单数、交易金额等；规则类标签：如年龄段分布，80后，90后，流失用户（近180天不访问）；以及预测类标签，如下单概率，或基于算法模型预测用户性别（很多互联网应用无法获取用户真实身份数据，尤其是现在个人信息安全保护法施行之后会更加困难）。

一般基于数据的运营是，产品/运营人员按照业务经验或规则进行人群筛选，例如在暑期来临时，做迪士尼景区的促销活动，人群的圈选条件可能是：有酒店或火车票订单，过去有预定过儿童票等，这种方式相比较过去缺少用户画像数据时的营销已经算是精准了，但是这个过程潜在的问题是：

• 用户的圈选需要人工介入，占用人力资源
• 人工经验可能并不正确
• 营销后人群标签的正负向影响需要耗费较多分析时间，再作为经验积累，优化后期营销动作

借助AI的能力呢，则可以针对迪士尼的消费或浏览用户进行更多维度的特征分析（几十个甚至上百个特征标签），利用机器学习算法模型，找出更高意向的用户，进行触达，不仅可以带来更高的转化，还可以节省运营人力，而且模型可以不断学习优化。

在这个过程初期，需要进行AB实验，以确保算法的效果较人工有更好的转化。

四、AI促进产品智能

产品智能常见的包括三个典型的场景：一是个性化推荐，二是合规性审核，三是产品自动化优化。

个性化推荐，大家应该都非常熟悉，比如我们打开淘宝或京东时，首页推荐的商品大概率是我们有过一定关系的，比如自己浏览过、购买过等，或者系统判断我们可能会喜欢的商品。

合规性审核，对于UGC的平台，内容的合规性关于一个产品甚至是企业的生死存亡，用户发布涉黄、涉政、涉赌、毒等，都需要进行安全审查，而对于像抖音这种日活七八亿的国民级App，每时每刻都有大量视频内容发布，纯靠人工审核需要多少人力资源呢。

这个过程其实就是借助了AI的能力，系统无法识别的才会提交至人工审核。同时也会作为Badcase用来优化算法模型。

产品智能优化，当我们浏览旅游产品时，如果产品首页头图的非常美观，用户点击的意愿会相应提升，相反对于首图美感度差的产品，用户不会去点甚至反感。

借助图像识别的算法模型，对海量的图片数据进行挖掘分析，针对每个商品的图片进行美观度打分，从而实现产品头图的智能选择。除此之外，对于用户评价的文本进行NLP标签提取，给到新进浏览者更简单、快捷的评价标签。

五、总结

数据产品经理，除了关注当下数据在分析决策、数据化运营等方面的应用外，也要着眼于让数据价值发挥的更加淋漓尽致的方向，比如大数据和AI能力的结合。

虽然现在阶段是数据产品经理向左，AI产品经理向右，但终究还是只有把两者更好地结合起来，才能把数据原油的价值榨取得更加充分。

End.

作者：数据干饭人，微信号公众号：数据干饭人，人人都是产品经理专栏作家。专注数据中台产品领域，覆盖开发套件,数据资产与数据治理，BI与数据可视化，精准营销平台等数据产品。擅长大数据解决方案规划与产品方案设计。

本文为转载分享，如果涉及作品、版权和其他问题，请联系我们第一时间删除（微信号：lovedata0520）更多文章前往首页浏览 http://www.itongji.cn/