10月28日FMI-2018人工智能與大數據高峰論壇深圳場圓滿落幕,貨拉拉大數據總監劉幸以大數據&智能化體系的建立為主題進行了精彩的分享。
以下是劉幸演講內容，飛馬網根據現場速記進行了不改變原意的編輯（有刪減）：
劉幸：大家好！我今天分享內容的標題是《從零建立大數據&智能化體系》。主要分為三個部分。
第一部分：大數據行業綜述
首先從不同行業大數據的發展來探討一下當下的現狀。
金字塔頂端是互聯行業，因為互聯網行業資源充足，其次互聯網行業有成熟的工程師文化，數據團隊是作為核心競爭力，最後外包模式雄厚的資金也使得互聯網居於大數據行業的頂端。
第二梯隊的是金融行業，金融行業特色採用“外包+正式編制”，重分析和業務。數據可以給金融公司帶來可觀經濟效益，所以很重視數據驅動營收的模式明顯。 第三梯隊是
交通運輸、醫療健康、公共管理、能源、科教等等。這些偏向公益型或者政府主導的，帶有大量數據積累的行業。第四梯隊、第五梯隊，是製造、建築、房地產、餐飲、農業、住宿等等。這一批信息化弱，本身的數據沒有太多積累，且資金相對薄弱。
大數據、智能化不分家，兩者都面臨著數據價值落地難的業界痛點。
數據團隊不直接產出價值，而是通過業務團隊間接產出價值，很難衡量中間的價值量。
產生價值要數據科學團隊和業務團隊緊密配合。這個配合涉及兩個很大的問題：一個滿意度問題，一個是部門牆問題。
怎麼解決這個問題呢？
1、構建數據體系，用好數據。
2、通過業務將數據找到價值出口，這裡面最關鍵的是團隊合作。
數據價值落地閉環
從數據源開始，然後收集埋點、信息轉化、數據處理，最後得到結果（可以是統計分析學結果，可以是數據挖掘、機器學習等等出來的結果）。
如何用數據？
我們要運營數據，通過做迭代、做循環，有結果要分析、要洞察、要引導決策、持續優化，最後形成數據的反饋閉環。其中引導可以人也可以機器引導，人引導是分析師做的事情，機器引導是人工智能做的事情。
數據團隊體系的組織架構
1、矩陣型（模式典型）：業務黏度最高
2、中心型：在影響力、決策相應度、可複用性和團隊結合效率更好。
成熟數據體系的特徵：
1、數據有價值。
2、數據成體系。
第二部分：企業級大數據體系建設實踐
如果要從0開始建設大數據和智能化的體系，應該怎麼辦？
第一步做數據轉換。二是做數據的處理和整合。信息經過分析變成情報（可以理解為組織得比較好，經過統計和挖掘相關出來的數據，這其實就是情報），情報通過學習變成知識，知識放在應用裡面變成智慧，這就是我們講的智慧城市、智慧交通。智慧的系統做出來安到設備上就是實踐，實踐之後產生很多數據然後進行反饋，最後就形成一個閉環，這是數據自己的閉環。
發展願景
創業團隊或者內部創業團隊都有發展願景：一是建立數據體系，二是數據化運營，三是數據驅動業務，四是智慧物流企業，五是驅動產業鏈升級。
方法論
發展方法論也叫專業、夥伴、未來。
1、專業：就是深化內功，帶動技術方向，樹立業界大數據專業地位，彰顯大數據團隊的專業知識優勢資源。
2、夥伴：數據也好、智能化也好，要通過業務找出口和價值，需要成為業務的夥伴，業務和數據是相互合作的關係。只有做成夥伴之後才能更好的驅動業務價值產出。
3、未來：讓業務更加智能，讓公司更加適應大數據時代或者大數據時代。
建設原則
指導思想是平臺化、服務化和應用化。
1、平臺化：平臺使得大數據和人工智能不再是一個工具，不再是一種技術，而是集中資源優勢，對數據資產進行深度整合、開發和利用。
2、服務化：讓大數據像當今的專業諮詢策劃機構一樣，不僅接受諮詢HIA提供解決方案。
3、應用化：深化大數據服務，使其有形化、標準化、品牌化。
大數據建設初期戰略
1、建團隊。搭建一個架構團隊，先建的是大數據平臺、數據分析平臺、大數據應用平臺，大數據應用平臺是大數據產品，後面就是數據倉庫，再就是算法，然後就是一個虛擬的架構組。
2、搭平臺：搭基礎平臺、集成開發平臺、數據服務門戶，還有企業級數據倉庫和人工智能平臺。
3、做應用：有大數據的解決方案，大數據產品和智能化產品。
數據從業者的技能棧：
1、數據技能：數學、統計學、機器學習、數據倉庫等等理論。
2、研發技能：Java、SQL、架構能力等。
3、軟技能：業務知識、抽象思維能力、歸納總結能力、溝通社交能力等。
相比數據技能和研發技能，軟技能很少受關注，但它們同等重要。
業務知識，抽象思維能力，歸納總結能力和發散思維，溝通及社交能力，特別是溝通能力和社交能力很重要，因為大部分數據都是通過業務產生價值，所以軟件特別重要。數據技能加研發技能，我叫數據工程。研發技能+軟技能，就是數據產品，產品經理、數據應用工程師等等這些。數據技能+軟技能就是數據分析、數據挖掘。真正的數據科學就是這三個技能之間，既要懂數據技能，又要懂研發技能，還要懂軟技能。
第三部分：大數據在不同行業的案例
用戶畫像
所有的行業都需要用戶畫像。沒有做過數據的人一般對畫像停留在感官層面，而數據從業者則是要深入到每個人的內心，這樣才能做到數據有價值。用戶畫像是把用戶心裡怎麼想的用數據表達出來，這個技術其實就是打標籤，也即標籤化。
用戶畫像的數據構建（以金融行業為例）
1、客戶的基礎數據：金融行業是一個要求數據特別準確的行業，包括身份證、銀行卡、收入、職業等等都涵蓋在內，其客戶基礎數據非常全面。
2、用戶交易數據：金融行業最核心的業務數據。
3、客戶行為數據：包括交易終端、手機證券易淘金、金鑰匙等客戶行為瀏覽數據。
4、外部數據：如果想要一份完善的用戶畫像，最好是和外部數據關聯結合起來。在業界一邊是通過數據買賣或者是數據交易。
用戶畫像應用場景
用戶畫像可以做基礎統計、場景化運營、數據挖掘和運營服務評估。
1、基礎統計：個體分析和群體分析。
2、場景化運營：精準化營銷、客戶的生命週期管理。
3、運營評估服務：運營效果的評估
4、數據挖掘相關的功能。
用戶畫像可以理解為不是直接產生用戶價值的業務系統，而是給很多產生價值的東西提供數據源，提供數據畫像的數據源，它是一個基礎工作。
智能客服
智能客服是一個典型的應用，它一般分為三個小的模塊，一是機器人客服；二是機器人助手；三是智能問答服務。
客戶價值管理體系
這是大數據和人工智能典型的應用。在金融行業特別好，因為金融行業客服單價特別高。這一塊做的最多的是流失預警，原因是競爭對手比較多，單價比較高。
智能語音質檢
這是智能客服做的副產品。智能客服是提前打一道關，語音質檢是到語音客服手上，從語音對話上發現問題，打客戶的電話說電話會被錄音，錄音就是質檢。之前抽樣質檢，10%抽樣率，有智能化之後就變成了全量檢。
智能投顧
現在金融行業比較火的是智能機器人、股票機器人。
把人工智能技術用到傳統投資顧問裡面去的東西，有人說這個行業變味，變成推銷產品，用技術包裝一層然後推銷基金和各種各樣的理財產品。但是脫下高科技的外衣本質是一回事。這裡強調一下，這裡和賣理財產品有區別。智能投顧根據你的風險偏好和投資行為和風險承受能力，有的喜歡炒長線，有的喜歡搏短線，有的操作頻率高，有的操作頻率低，千人千面，每個人算一次，然後推薦喜歡的和感興趣的投資組合，進行自動組合，這是唯一的區別。本質還是一堆產品裡面挑你喜歡的。
手機APP崩潰分析。
個性化推薦。
我的分享到這裡。謝謝大家！
相信你對本次大會有了一定的瞭解。想了解更多更詳細內容的小夥伴們，可以關注公眾號：飛馬會，即可進行查看學習。
閱讀更多 飛馬網FMI 的文章
