--- schema_version: "library-reader-v1" source_type: "original_book" title: "人工智能时代：破解人机共存密码（套装共10册）" author: null edition: null publisher: null year: null isbn: "9787521719512" library_document_id: "396e1bee-219e-4bee-9884-3214c17ff8f5" source_sha256: "e5d429a1fedfac2a13b0bd25057c39d818c33927767948a9bb41411f01413ced" pdf_physical_page_count: 3314 pdf_physical_page_index_base: 0 range_start: 580 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5?start=580&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=580&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=570&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=590&limit=10" --- # 人工智能时代：破解人机共存密码（套装共10册） > 页码规则：PDF_PHYSICAL_PAGE_INDEX 是从 0 开始的权威文件物理页索引；PRINTED_PAGE 是页面中识别出的印刷页码，可能为空，二者不得混用。 ## PDF_PHYSICAL_PAGE_INDEX=580 | PRINTED_PAGE=NOT_DETECTED 第二，在企业内部，关键数据总是会散落在业务系统的各处，甚至导致对一个用户在各个阶段的需求没有全局的把握。不同部门为满足各自对应的业务需求，往往会建立不同的数据库，导致数据难以整合，形成数据孤岛。在业务开发和运行的时候，不同的部门或者项目组往往不能统一协作处理数据，以致对数据重复开发，影响业务的整体效果和效率。 第三，企业基于数据开发业务应用时，需要对数据进行处理和维护，然后综合分析。但是，目前企业中数据开发和维护的人员配置很少，甚至没有，大量数据十分混乱，无法直接使用，从而导致在企业决策时调取数据困难，难以挖掘数据之间的关联，制约了决策的科学性。 如果不能对企业后台的数据进行较高的整合和处理，在分析生产制造和零售各环节时就会缺乏数据支撑，在业务实施中就会缺乏数据指导和优化，导致企业库存失衡，运营成本提高，最终导致客户流失和利润低迷。 这确实是企业数字化之前企业运行的现实状况。因此，在企业数字化转型中亟须着手做的就是将所有数据打通，将散落在生产制造和零售阶段的数据汇总，集中进行处理和利用。数据打通可以通过企业的数据中台完成。数据中台是企业获取、整合、存储、加工和利用数据的综合平台，连接了数据后台与业务前台，实现了企业内部数据的开放和共享，帮助我们沿着生产制造和零售环节打通了数据。 也就是说，在数据中台上的数据不再是散乱的，而是经过收集、整合和处理的数据，并且在中台架构之上会有一系列的系统，比如零售管理、智能算法、调拨管理和会员管理等。数据中台上可以进行数据处理，它将数据抽象成服务，再提供给前台。所以数据中台相比于数据库系统来说，不仅要获取、整合和存储数据，也要对数据进行加工和利用，进一步探索数据的内在价值以及数据如何对业务产生价值。因此，数据中台向业务前台提供的是可以直接为业务所使用的服务，更贴近业务前台。换言之，可以说数据中台所提供的服务都是围绕数据而来的，在数据和业务系统之间形成了闭环。同时，数据中台整合了后台的数据资源，通过加工和提炼，提升了数据质量和可用性，使得数据成为可以产生价值的数据资产，有利于快速、稳定地向前台提供服务，实现业务创新和发展。 ## PDF_PHYSICAL_PAGE_INDEX=581 | PRINTED_PAGE=NOT_DETECTED 当前国内外企业都越来越倾向于实现数据层面的一体化，已经有不少公司搭建了自己的数据中台，这是企业解决数字化转型的一个思路和逻辑。但是数据中台本身也是动态的，它连通了企业的各个部门和业务的全过程，协同各方、服务各方，其上的数据和提供的数据服务也可以根据企业业务的发展而不断地进行调整。大型企业打通方方面面的数据，将各业务阶段的所有数据均整合在一个平台上，需要极大的人力资源、技术手段和设备支撑，其难度之大可想而知。在具体的业务环境下，企业可以根据自身的情况，在生产制造和零售环节分别进行数据的全链路打通，如有需要再将生产制造和零售数据整合，提供相应的服务，反馈并驱动新一轮的业务发展。 生产制造数据打通 如前所述，数字化赋能首先要做好数据打通工作。在生产制造环节，我们需要将机器、设备、生产线、人、车辆、渠道、物流等物理形态，通过数据进行表现与加工，将不同格式的零散数据进行有效的打通与整合，建立标准规范的数据仓库，最终构建一个赋能生产制造全流程的数字化环境，实现数据的互联互通，从而挖掘数据的核心价值。 如图5-1，在生产制造环节的全链路上，从供应商到仓储物流乃至客户都有相应的管理系统，包括供应链管理（Supply Chain ## PDF_PHYSICAL_PAGE_INDEX=582 | PRINTED_PAGE=NOT_DETECTED Management ） 系 统 、 制 造 执 行 系 统 （ Manufacturing ExecutionSystem）、企业资源计划（Enterprise Resource Planning）系统。我们要将这些系统数据打通在一起，才能做到生产制造环节全链路数据的打通。从原料供应商到客户的管理系统将会被集成在一个数据中台上，而这个数据中台会连接各方面的数据，包括企业设备数据、能效数据、故障数据和检修数据等。只有将这些数据统一汇总在这一个数据中台上，并且嫁接现有的供应链管理系统、制造执行系统、企业资源计划系统，才能将生产制造环节的方方面面打通，为数字化转型打好基础。 ## PDF_PHYSICAL_PAGE_INDEX=583 | PRINTED_PAGE=NOT_DETECTED 零售数据打通 如图5-2，在数字化转型的背景下，企业零售环节的主要节点包括：针对消费者的全域营销，针对研发设计的数字化研发，针对采购、生产制造等环节的协同供应链，针对分销流通的全渠道融合和针对零售部分的智慧门店等。这些节点构成以消费者运营为核心的全域新零售。零售环节的全链路数据打通，就是要采集和链接以上节点的全链路数据，对业务目标进行深度优化。 ## PDF_PHYSICAL_PAGE_INDEX=584 | PRINTED_PAGE=NOT_DETECTED 零售的全链路大致可以分划成三个部分，即消费者端、供应链端和零售端，在全链路的各个环节都可以进行数据打通，从而实现数字化赋能，具体而言：在消费者端，要对消费者进行全域的把握，消费者端包括全域营销、会员行为分析、忠诚度、付费偏好、内容运营等。其中，全域营销指的是在新零售体系下，以消费者运营为核心，以数据为原料，实现全链路、全媒体和全渠道的一种营销方法。全域营销的出现使营销过程越来越可视化，不再出现断层，从而实现零售全链路的精细化运营。例如家电品牌戴森通过全域营销，全面打通消费者数据，进行精准营销，2017年“双11”之后，无论是消费者的数量，还是单个消费者贡献的价值，都有了显著提升。 ## PDF_PHYSICAL_PAGE_INDEX=585 | PRINTED_PAGE=NOT_DETECTED 供应链是指产品生产制造和流通过程中所涉及的原材料供应商、生产商、分销商、零售商以及最终消费者等成员组成的网络结构。供应链端主要是价格、仓储、配送上的优化，具体包括价格分析、仓储规划、配送优化、销售预测等。供应链端能够打通从原材料到最终消费的环节，它有很多可优化的地方，其中的重要一环是针对销售的预测，也即对门店或区域的产品销售进行预测。销售预测是供应链的核心，因为产品供应链应该以市场需求为导向，而销售预测能够很好地体现出市场目前需要哪一种产品，需要多少。销售预测是每个企业都应该关注的事情，因为只有做好了销售预测，才能实现其与供应链的完美共舞。例如，华北地区的知名连锁超市——物美超市，就是根据大数据分析下的销售预测进行备货和人力调度安排的。相比以前的传统模式，它的商品缺货率从17%降至10%以下，库存周转天数从27天下降至17天。 在零售端，线下门店可以通过软硬件集成的方法采集数据，在智能选品、智能进货、经营分析、营销分析、库存分析、导购管理等具体环节都可以通过数字化赋能，提升经营效益。以智能选品为例，以往线下店铺进货都是根据经验来选品，这样的商品更新速度慢，而且不一定完全符合自己店铺的风格以及消费者的需要。现在我们通过数字化手段，能够很好地解决这个问题。譬如，我们可以根据店铺位置、周边人群等信息为零售门店个性化地进行选品，帮助门店更好地卖货，降低缺品率和无效库存，用更少的成本获得更高的经营效益。 数字化和智能化相辅相成 ## PDF_PHYSICAL_PAGE_INDEX=586 | PRINTED_PAGE=NOT_DETECTED 数据中台是数字化架构中的基石，它将所有在生产制造和零售环节中的数据整合在一起。借助数据中台，企业管理者能够深刻把握各个环节的经营状况，科学、合理地制定策略。当企业各个环节的数据打通了之后，线上销售数据和线下销售数据均可以作为了解用户需求量的依据，真正实现生产销售一体化、线上线下双调节的理想状态。 以前，工厂制造的产品可能会卖不出去，在渠道中也可能不具备溢价能力，最终导致货积压在工厂里。现在的趋势是：借助数据中台，企业能够改变传统的销售模式，逐渐由渠道推动转为以客户为中心的打通价值链的运作模式。基于数据中台里打通的数据，企业可以知道客户的需求有多大，具体的需求是怎样的，并据此安排供应链和生产制造环节。通过数据中台，各个业务环节都能有所提升，实现增量收益。在数据中台发挥效果的过程中，企业能够借助AI思维实现进一步提升和优化。 我们已经知道，数据中台是实现数据打通和企业数字化的关键，打通数据后，人工智能就可以为企业做出优秀决策提供依据。“数据+人工智能”可以赋能更多的业务应用，因此，企业构建AI中台是十分必要的。在数据中台的支撑下，通过AI中台进行人工智能模型构建，不断演化和迭代，有利于向业务前台提供更加便捷和有价值的服务，加速从数据到价值的过程。数据中台为AI中台的应用提供了支撑，所以数据中台和AI中台是相辅相成的。 当然，AI中台的建立也需要一个过程。因为，人工智能在任何企业的落地都是逐渐迭代的过程，包括世界500强在内的多数企业在运用人工智能时，都会在单点上先寻找业务落地的可能性和结合点，比如在工艺参数优化、会员运营管理、积分体系设计等业务领域率先尝试。当相应的人工智能应用在业务中产生了价值后，企业就会深入到更大范围的业务场景中。人工智能在企业的落地实践只有达到了一定的规模，才能从单点式的应用发展形成一个比较完备的AI中台，再进一步服务和赋能更多的业务场景。AI中台这个人工智能大脑处理的数据越来越多，它和数据中台的联系就越来越紧密，并且在很多场景下，AI中台还可以发挥自己特有的作用，驱动数据中台的形成、发育和完善。 ## PDF_PHYSICAL_PAGE_INDEX=587 | PRINTED_PAGE=NOT_DETECTED 具体来说，企业在业务应用中挑选出人工智能最能够产出价值的单点场景，随后考虑在这一单点上人工智能落地所需要涉及的数据，并在数据中台调取和使用相关的数据。如果数据中台上找不到这些数据，就会促成数据中台的扩建和完善，人工智能应用和从中产生的数据又可以和数据中台相互哺育和赋能。通常来说，不应该等到数据中台打通全局数据之后才升级应用人工智能，因为行业竞争是十分激烈的，等到那个时候可能为时已晚。正确的做法是选择业务上的单点场景进行人工智能落地，从而驱动整个数据体系的打通。 如图5-3，它表示的是在全链路中数据中台与AI中台各自所处的位置。数据中台将来自数据后台的原始数据进行分析和处理，最后将打通的数据传递给业务前台；业务前台产生的数据最后也会再回到数据后台中，形成反馈的闭环，实现生产制造和零售环节的数据连通。数据中台和AI中台之间最良性的架构应该是逐渐演化的过程，这同时也是人工智能大脑学习发育的过程。人工智能在企业发挥作用的前提是对企业业务全流程的充分理解和掌握，所以必须获得全链路打通的数据。AI中台通过打通的数据，在模型的加工下，形成决策。这样一来，人工智能应用也会驱动数据中台的构建。同时，AI中台通过模型计算出的数据可以再次回到数据中台之上，不断循环和加工，并提供给业务前台使用。在实践过程中，为了让人工智能顺利落地，企业应当花费充足的时间与精力去思考和规划AI中台及数据中台的搭建。在这之前，可能大部分企业都没有这个需求，如果单纯靠人工进行工作，并不需要打通所有的数据，并且人工也没有能力去分析所有的数据。所以，企业的数据中台在人工智能需求的驱动下会越来越完善。 数字化与智能化相辅相成，数据中台和AI中台相互促进，共同发展。没有数据中台就没有AI中台的用武之地，有了AI中台就能产生进一步优化的业务结果，这时候企业管理者也就更有动力继续深化和提升数字化的进程。从这个意义上来说，人工智能也是企业升级的工具，可以推动企业内部的基础设施建设。由于数据打通和中台构建会产生较高的成本，所以企业实现数字化基础设施的升级不应该由技术层面驱动，而应该由具体业务场景的需求来带动。数据打通以及中台构建完成之后，就能够帮助企业提升业务场景的效益，产生增量的价值，最终也能够支持数字化基础设施持续的升级和改造。 ## PDF_PHYSICAL_PAGE_INDEX=588 | PRINTED_PAGE=NOT_DETECTED 数据可视化平台 ## PDF_PHYSICAL_PAGE_INDEX=589 | PRINTED_PAGE=NOT_DETECTED 我们生活在一个充满了数据的世界里，但面对纷繁复杂的数据，我们经常感到无所适从。“得数据者得天下”的说法此起彼伏，但要通过数据的整理和分析来获得一个准确的结论并非那么容易。我们的大脑对视觉信息的处理要优先于文本信息，所以我们越来越倾向于利用可视化的形式将数据表示出来。数据可视化就是借助图形化手段，清晰有效地传达信息，以此帮助人们更好地理解数据。例如，我们早已习惯通过卫星云图来了解天气状况，也需要借助柱状图、饼状图等来汇报工作进度。而商业活动涉及的数据量非常庞大，数据之间的关系错综复杂，更加需要一个专门的数据可视化平台来直观地展现各项业务指标。 数据可视化平台要实现的是全链路数据的可视化。它具有两方面的作用：一是通过可视化的统计图表等形式呈现，让数据变得更直观；二是提供全域视野，打通不同类别、不同时间、不同地域、不同环节的数据，综合呈现。正是因为我们在数据中台上完成了每一个节点所产生的数据的收集、记录和连通工作，并将其与数据终端连接，实现了远程实时监控，可视化平台才能够像一个镜头一般，跟踪掌握整个流程中每一个节点上事物的状态和变化。 图5-4是一个服装电商的产销协同数据可视化平台示意图。这家电商覆盖的销售范围很广，有线上线下的销售渠道。从可视化的角度来说，在生产、物流和消费端，我们能够利用产销协同大屏监控非常直观地得到一些数据，比如生产端的生产计划准确率、订单匹配率、订单满足率和库存荷载率等；物流端的物流计划准确率、库存周转天数、物流满载率和物流周转天数等。这让我们能够相对轻松地将整体运营数据了然于胸，以便对具体的操作事务做出及时调整。比如当发现库存周转天数有增多的迹象时（这可能意味着有滞销的潜在隐患），我们可以从生产端开始，马上调整相应产品的产出量，也可以进一步去查看物流端是否出现了怠慢的问题，或者在消费者端相应地推出一些促销活动，等等。这些数据的即时呈现，能够在很大程度上为企业降低风险，减少损失。 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=590&limit=10)