哈佛商業評論推薦必讀AI商業趨勢
第一章 ChatGPT引爆AI無限可能
✩不要只著眼於正確，而應更關注AI寫作如何提高工作效率。
➤機器現在能做以前只能由訓練有素的人完成的任務。
一些有價值的技能不再有用，新技能將取而代之。
第二章 人工智慧啟動新形態商戰
➤分析法有系統地將內部與外部的數據，轉化為預測、深入見解和選擇，
接著由這些預測、見解和選擇來指導並自動運作工作流程。
➤人工智慧工廠都必須具備四個組成要素：
- 數據工作流(data pipeline)：這是一個半自動化的流程，以系統化、可持續和可擴大規模的方式，收集、清理、整合和保護數據。
- 演算法：做出有關企業未來狀態或行動的預測。
- 實驗平台：在上面測試有關新演算法的各種假設，以確保這些演算法的建議可創造想要的效果。
- 基礎設備：這些系統會把這個流程建入軟體裡，並把它連結到內部和外部使用者。
➤以Google或Bing之類的搜尋引擎為例，只要有人開始在搜尋框中輸入幾個字母，演算法就會根據眾多使用者曾輸入的字詞，以及這名使用者以往的搜尋動作，來動態預測完整的搜尋詞。
預測的這些字詞會列在一個下拉式選單裡(即「自動建議字串」)，可協助這名使用者快速選定一個相關的搜尋。每一次按鍵和點擊，都會被取得當成數據點(data point)，而每個數據點都會改善對未來搜尋的預測。
➤學習迴路(learning loop)：任何一次點擊進入或離開搜尋問題與搜尋結果頁面都可以提供有用的數據。搜尋次數越多，預測越正確；而預測越正確，搜尋引擎被使用的越多。
➤網路效應在達到關鍵多數(critical mass)之前，創造的價值很少，而且，大多數新應用的演算法，
在獲得足夠的數據之前，都遭受「冷啟動」(cold start)之苦。
這說明為什麼安穩使用傳統模式的高階主管，起初都難以相信數位模式有追趕的一天。可是數位營運模式一旦真的發展起來，'就會提供更優異得多的價值，並快速超越傳統公司
✩重建企業結構：長久以來，公司一直是透過更大程度的聚焦與專精化，來優化規模、範疇和學習，這導致現今的絕大多數企業，都擁有各部門壁壘分明的結構。
然而，壁壘分明的部門是人工智慧驅動的成長之敵。當公司的每一個部門，都擁有自己的數據和代碼時，內部開發就會零碎分散，幾乎不可能在部門之間建立連結，也難以和外部企業網路或生態系統建立連結。而且幾乎不可能全方位地了解顧客，這種對顧客的完整了解是取自每一個部門與職能單位，同時也能供每一個部門與職能單位使用。因此公司在建立新的數位核心時，應避免深度劃分組織結構。
✩將人工智慧置於企業核心：
- 一個策略：若要重新建構公司的營運模式，就必須在整合數據、分析和軟體的新基礎上，重新打造每個事業單位。這項深具挑戰性的耗時工作，需要有個焦點，以及一個由上而下交辦的一致任務，來協調和激發許多由上而下的行動。
- 一個明確的架構：一個以數據、分析和人工智慧為基礎的新方法，需要某種程度的集中化，以及高度的一致性。數據資產應該跨越各個應用軟體而整合起來，使它們的影響極大化。
第三章 機器學習贏家祕訣
➤在許多情況下，演算法可以利用回饋數據，不斷地改進；若是把實際的結果，拿來和當初用來產出預測的數據進行比較，就可以產生回饋數據。如果在明確定義的界線內可能會出現很大的變化，這種工具就特別有助益。
✩在預測中建立競爭優勢：在機器學習領域中建立可長久維持的事業，在很多方面很類似在任何產業中建立可長久維持的事業。你能否做到這些，取決於你對以下三個問題的答案：
- 掌握數據越多，越難被超越。你有足夠的訓練數據嗎？
- 令人望塵莫及的迴圈速度。你的回饋迴圈有多快？機器如果納入回饋數據，就能從結果中學習，並提高下一次預測的品質。
- 精準預判顧客需求。你的預測有多準？
✩迎頭趕上：
- 特殊數據成為致勝關鍵：找出其他的數據來源，並固守這些來源。
- 尋找不同的服務對象：預測差異化。另一種可協助後進者變得更有競爭力的方法，就是重新定義什麼因素會讓預測變得「更好」，即使只是對某些顧客來說比較好。
第四章 培養數位心態，為轉型加速
➤數位轉型不是一個要努力達到的目標，而是達到本身各種獨特目標所採取的手段。
有了數位心態，組織所有的員工都能做好準備，去掌握當前變化萬千的世界所帶來的機會。
第五章 「影子學習法」讓組織學習邁開大步！與智慧型機器聰明共事
➤影子學習法的五大技巧：
- 尋求挑戰：剛接觸機器人手術的受訓人員通常沒什麼機會實作。偷學者解決這個問題的方法，是尋找機會在有限的監督下，挑戰本身能力極限的手術。他們知道有挑戰，才有學習的效果。
- 向第一線取經
- 重新設計角色
- 收集整理解決方案
- 向偷學者學習
第六章 擴大應用AI轉型力：與其一次性求變，不如抓重點先行
步驟一：制定策略
- 潛在影響
- 相互關聯的活動：如果重新調校這些活動，可以解決系統性的問題，例如長期效率低下(像是冗長的貸款審核時間)、高變異性(迅速波動的消費者需求)，以及經常錯失機會(難以提供產品給顧客)。
步驟二：建構團隊
步驟三：重新想像日常營運
步驟四：順應組織和技術變化
★第七章 AI行銷為何不給力？你沒問對問題，就會錯失機會★
➤有一家大型電信公司的行銷主管設法要減少顧客流失，於是決定運用AI來判斷哪些顧客最可能離開。他們取得AI的預測後，一再提供大量優惠促銷方案給高風險顧客，希望吸引他們留下來。
雖然實施這項留住顧客的活動，但很多顧客還是離開了。為什麼？
這些主管犯了一個基本錯誤：向演算法問錯了問題。
雖然AI預測的內容很好，但沒有解決這些主管真正想解決的問題。
✩【解決方案】一個三步驟的框架將有助於開放市場行銷和數據科學團隊之間的溝通管道。
(1)我們試圖解決的市場行銷問題是什麼？
(2)在我們目前的做法中有沒有任何浪費或錯過的機會？
(3)是什麼東西/事情造成這些浪費和錯過的機會？
【重點為校準：沒能問對問題】
➤我們研究的這家大型電信公司，主管真正該做的事情不是找出哪些顧客可能流失，
而是應該弄清楚該如何運用行銷經費，來減少顧客流失。
他們不應問AI哪些顧客最可能離開，而應該問哪最可能被說服留下；
換句話說，應該問哪些考慮離開的顧客，最可能會對促銷方案有回應？
前述這家電信的行人員，給予AI錯誤的目標，於是，把錢浪費在許多無論如何都會離開的顧客身上，
但對於加倍花心力就能留住的顧客，卻投資不足。
【利弊不對稱：沒能體認到「預測正確的價值」與「預測錯誤的代價」不同】
➤ AI的預測應該越準確越好，不是嗎？
不一定，差勁的預測，有時候代價極為高昂，但有時候代價不那麼高；
同樣地，超級精準的預測，在某些情況下的價值比較高。
➤ 必須了解的一項重點是，AI預測可能有各種不同的錯誤。
預測除了會高估或低估結果之外，還可能會出現偽陽性
(指出顧客可能流失，但其實顧客會留下)，或偽陰性(指出顧客不可能流失，但其實顧客後來離開了)。
行銷人員的工作是要分析這些類型錯誤的相對成本，而這幾項成本可能差異很大。
然而，負責建立預測模型的數據科學團隊常會忽略這種相對成本差異很大的狀況，
或甚至沒有人告知他們這種情況，於是，他們假定所有的錯誤都同樣重要，導致出代價高昂的錯誤。
【數據未善用：沒能充分運用精細的預測】
➤企業會產生大量的顧客數據和營運數據，可以使用標準的AI工具，根據那些數據頻繁地做出詳細的預測。但許多行銷人員並沒有利用這種能力，仍根據舊有的決策模式來運作。
以一家連鎖飯店為例。這家飯店的主管每周開會，以調整各個地點的房價，即使已有AI可以針對不同房型的顧客需求，每小時更新預測數字。他們的決策流程，還是保留下來的過時訂房系統。
【雙向溝通不良】
➤行銷主管必須改善與數據科學團隊的溝通與協作，並且清楚說明自己設法要解決哪些商業問題。
【架構運用實務】
1.我們現在想解決的行銷問題是什麼？
➤這個問題的答案必須有意義，而且精確。
舉例來說，「我們如何減少顧客流失」就問的太廣泛，對AI系統開發人員沒有任何幫助。
「如何能最妥善地分配留住顧客的活動預算，以減少顧客流失」這樣的問法比較好，
但仍太廣泛(這筆留住顧客的預算已經定案，還是要由我們決定？所謂的「分配」是什麼意思？
是否要分配給不同的留住顧客活動？)最後，我們會得到一個對問題更清楚的陳述，像是：
「如果現在有幾百萬美元的預算，我們某一項留住顧客活動，應該針對哪些顧客？」。請注意，
我們完全沒提到「我們要如何預測顧客流失」，因為預測顧客流失，並不是要解決的行銷問題。
2.在我們目前採用的解決方法裡，是否有任何浪費或錯失的機會？
➤第一步就是反思，如何算是成功和失敗。
在前述那家信公司，一般人直覺認為成功的定義，是「接到促銷方案的顧客是否續約？」
但這種定義太過簡化，也不準確；這些顧客或許不用促銷方案就會續約，
所以提供優惠促銷反而浪費了留住顧客的經費。
同樣地，如果沒有接到優惠促銷的顧客，最後決定不續約，這樣算是成功嗎？不一定。
如果這位顧客無論如何都不打算續約，「不提供優惠」實際上算是成功，因為本來就無法說服他留下。然而，如果這位顧客只要收到優惠促銷就會留下來，那就是錯失一個機會。
➤有時很難找出在原子層次的失敗，在前述那家電信公司，數據團隊並未檢視那些顧客有可能被說服留下來，因此很難判斷失敗的類型。在這種情況下，
團隊可以使用較屬於總計式的數據，來量化浪費與錯失的機會，即使這樣產生的結果較不精確，也要這麼做。這家電信公司可以使用的一個方法，就是檢視「提供銷售誘因的成本」，相較於「收到這些誘因的顧客所增加的終身價值」，何者較高。同樣地，對於促銷活動沒有接觸到的顧客，團隊可檢視因為他們不續約而損失的獲利。
➤這些手法有助於這家電信公司區分以下顧客：
- 哪些顧客雖然被留下，但花費的成本比增加的終身價值高；
- 哪些高價值顧客雖然收到留住顧客的促銷優惠，但仍流失；
- 哪些高價值顧客沒有收到促銷優惠，而在促銷活動後離開。
3.什麼原因造成那些浪費與機會錯失？
➤前述電信公司的團隊成員，當初若是回答這個問題，就會明白，如果他們的AI能完美預測，誰會因為留住顧客方案而留下(而不是預測誰將要離開)，就既能排除浪費(因為他們就不必提供優惠給無法被說服留下來的顧客)，也能避免錯失機會(因為他們能鎖定所有可以被說服的顧客)。
➤這方面常見的一種錯誤，就是誤以為，預測與商業目標之間相關性就已足夠。
這種想法有缺點，因為相關性並非因果關係，於是可能出現一種情況，就是你或許預測到，
某件事的變化與獲利能力有相關性，但其實無法改善獲利。
即使真的有因果關係，也不見得能百分之百對應到你的目標，所以你花費的心血，
不見得能完全達到你要的最後結果，導致錯失了機會。
【處理「利弊未對稱」的問題】
➤你一旦清楚了解AI預測，與決策和商業成果之間的關聯，就該把系統出錯所帶來的成本加以量化。
這就需要問：如果AI產出的結果並不完全正確，會和我們想要的商業結果有多大差距？
➤在那家電信公司，把留住顧客的促銷方案寄給無法說服的顧客(浪費)，這樣的成本比失去一個本來可以透過優惠方案而留下的高價值顧客(機會措施)低。因此，如果AI系統把重點放在「不要漏掉可說服的顧客」，公司的獲利會更高。即使這麼做會提高誤判某些顧客願意接受方案的風險，仍值得這麼做。
【處理「數據未善用」的問題】
➤大多數行銷用AI所做的決定，並不是新的決定，仍是在處理舊決定，
像是顧客區隔、鎖定目標顧客、預算配置等。「新」的部分在於做這些決定時，
根據的是由AI收集處理更豐富資訊。這麼做的風險，在於人類大致上不樂意改變。
在做一些舊決定時，許多主管尚未針對改善AI新科技能帶來的頻率與精細程度做出調整。
【攜手進步的合作】
➤行銷需要AI。但AI需要借助行銷思惟，才能充分發本本身的潛力。
沒有留言:
張貼留言