当前位置:首页 手机频道

货拉拉大数据总监刘幸:大数据&智能化体系的建立|2018FMI人工智能与大数据高峰论坛(深圳站)

发布时间:2019-08-14


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

回复 数字“12”小白| Python+Matlab+机器学习+深度神经网络+理论+实践+视频+课件+源码,附下载!

回复 数字“13”大数据技术教程+书籍+Hadoop视频+大数据研报+科普类书籍

回复 数字“14”小白| 机器学习和深度学习必读书籍+机器学习实战视频/PPT+大数据分析书籍推荐!

回复 数字“15”大数据hadoop技术电子书+技术理论+实战+源代码分析+专家分享PPT

回复 数字“16”100G Python从入门到精通!自学必备全套视频教程+python经典书籍!

回复 数字“18”526份行业报告+白皮书:AI人工智能、机器人、智能出行、智能家居、物联网、VR/AR、 区块链等(附下载)

回复 数字“19”800G人工智能学习资料:AI电子书+Python语言入门+教程+机器学习等限时免费领取!

回复 数字“22”吴恩达新书,教你构建机器学习项目:《Machine Learning Yearning》

回复 数字“24”限时下载 | 132G编程资料:Python、JAVA、C,C++、机器人编程、PLC,入门到精通~

资深程序员想转行吗?点击“阅读原文”

上一篇: 刺激战场奇怪君301 AUG精彩1V3,单人四排25杀吃鸡 吃鸡手游
下一篇: 微表情识别到底靠不靠谱?来听听陈通教授怎么说

热门推荐

精选推荐