人工智能負責處理信息，5G負責分享信息，它們的結合不僅僅是計算機與數據網(wǎng)絡(luò )技術(shù)結合的延展，更是一次革命性的升級，它將人與人、人與物、人與服務(wù)的連接變成了萬(wàn)物之間的連接，也就是說(shuō)，在上一代連接的基礎上，增加了物與物以及物與服務(wù)的連接。從這個(gè)角度來(lái)重新審視下一代的智能服務(wù)與營(yíng)銷(xiāo)平臺，就可以有一個(gè)比較清晰的認知，下一代一定是基于物聯(lián)網(wǎng)和人工智能的，它除了連接人與人、人與服務(wù)以外，還必須有物與物、物與服務(wù)的連接，它是可以直接由“物”本身發(fā)起服務(wù)請求與營(yíng)銷(xiāo)推薦的系統。

▲物聯(lián)網(wǎng)時(shí)代的智能服務(wù)與營(yíng)銷(xiāo)平臺架構圖

　　盡管5G已經(jīng)到來(lái)，但是物聯(lián)網(wǎng)尚未全面啟動(dòng)。現在所說(shuō)的新一代還沒(méi)有辦法包含太多物聯(lián)網(wǎng)的元素，我們可以將未來(lái)的基于物聯(lián)網(wǎng)的平臺定義為“下一代”，將現在可以馬上實(shí)現的定義為“新一代”，那么新一代和上一代相比，到底有哪些革命性的突破呢？

　　為了回答這個(gè)問(wèn)題，我們首先對上一代的智能服務(wù)與營(yíng)銷(xiāo)平臺下一個(gè)定義。在第三章，我們將智能服務(wù)與營(yíng)銷(xiāo)平臺分為三個(gè)階段，基于軟交換并且具備了一定智能化能力和互聯(lián)網(wǎng)聯(lián)絡(luò )能力的聯(lián)絡(luò )平臺稱(chēng)為第2.5代電話(huà)聯(lián)絡(luò )平臺，在這個(gè)基礎上增加服務(wù)與營(yíng)銷(xiāo)的業(yè)務(wù)就構成了一個(gè)服務(wù)與營(yíng)銷(xiāo)平臺。這個(gè)平臺的核心是CTI系統，CTI系統負責路由。所謂的路由，在服務(wù)場(chǎng)景就是對應客戶(hù)的服務(wù)請求為其配置合理的服務(wù)資源，在營(yíng)銷(xiāo)場(chǎng)景就是為銷(xiāo)售分配合適的客戶(hù)。第2.5代電話(huà)聯(lián)絡(luò )平臺還沒(méi)有將電話(huà)渠道與互聯(lián)網(wǎng)渠道的路由統一起來(lái)，多渠道全媒體的統一路由是新一代所要求的一個(gè)重要功能，也是新一代有別于上一代聯(lián)絡(luò )中心的一個(gè)重要特征。傳統的路由是基于規則的，規則的設定只能根據幾個(gè)有限的條件，而不可能將所有的條件都考慮進(jìn)去；在業(yè)務(wù)目標的指導下給出一個(gè)最好的路由預測，而這恰恰是人工智能最擅長(cháng)的。

　　服務(wù)與營(yíng)銷(xiāo)平臺的核心是路由，新一代就是對這個(gè)核心進(jìn)行升級，將基于規則的路由分配用人工智能最為擅長(cháng)的預測能力替代，將規則路由升級成為預測式路由。從這個(gè)角度來(lái)看，新一代就是智能化，這里所說(shuō)的智能化的核心是以業(yè)務(wù)目標為基礎，基于人工智能的預測式路由、多渠道與全媒體只是智能化在實(shí)現業(yè)務(wù)目標過(guò)程中的通道而已。當然，人工智能在新一代中還有另外一個(gè)重要的使命，就是通過(guò)知識的分享，提高服務(wù)與營(yíng)銷(xiāo)的效率。

　　任何企業(yè)的應用系統都是為企業(yè)目標服務(wù)的，這個(gè)目標可以是企業(yè)的使命、企業(yè)的愿景、企業(yè)的戰略或短期內的小目標。服務(wù)與營(yíng)銷(xiāo)平臺更是如此，如果我們將服務(wù)也看成是一種營(yíng)銷(xiāo)行為的話(huà)，那么這個(gè)系統就是為了實(shí)現企業(yè)的營(yíng)銷(xiāo)目標。本書(shū)開(kāi)頭“有機的企業(yè)”一章，引用了彼得·德魯克對企業(yè)職能的描述，其中一個(gè)重要職能就是創(chuàng )造顧客，營(yíng)銷(xiāo)就是一個(gè)創(chuàng )造顧客的過(guò)程，服務(wù)也是營(yíng)銷(xiāo)。按照這個(gè)定義，所有的企業(yè)戰略必須具備營(yíng)銷(xiāo)的目標，而預測式路由就是為服務(wù)與營(yíng)銷(xiāo)的業(yè)務(wù)目標服務(wù)的。

　　企業(yè)的所有行為和資源都是為創(chuàng )新和營(yíng)銷(xiāo)服務(wù)的，讓營(yíng)銷(xiāo)的效率最大化是服務(wù)與營(yíng)銷(xiāo)平臺的目標，也是企業(yè)的核心目標。要達到這個(gè)目標，就要找到產(chǎn)品、客戶(hù)、市場(chǎng)、銷(xiāo)售人員之間的匹配關(guān)系，進(jìn)而優(yōu)化產(chǎn)品設計，更精準地進(jìn)行市場(chǎng)與廣告活動(dòng)的投放，通過(guò)培訓或招募來(lái)提升銷(xiāo)售人員的銷(xiāo)售技能，然后通過(guò)營(yíng)銷(xiāo)結果的反饋對這個(gè)匹配模型進(jìn)行持續優(yōu)化。

　　這個(gè)日益優(yōu)化的匹配模型就會(huì )成為企業(yè)營(yíng)銷(xiāo)的金鑰匙，誰(shuí)先找到它，誰(shuí)就能夠成為領(lǐng)跑者，并一騎絕塵。然而，這是一個(gè)非常復雜的網(wǎng)狀關(guān)系，產(chǎn)品的特征與元素眾多、客戶(hù)與銷(xiāo)售人員的標簽層出不窮、市場(chǎng)投入方向千變萬(wàn)化，這其中可能涉及成千上萬(wàn)個(gè)變量，如果用基于規則的模型窮盡，則幾無(wú)可能。

　　以服務(wù)與營(yíng)銷(xiāo)領(lǐng)域的一個(gè)核心問(wèn)題———客戶(hù)流失的預測模型為例，看一下技術(shù)是如何服務(wù)于這個(gè)經(jīng)典業(yè)務(wù)難題的。對許多企業(yè)來(lái)說(shuō)，獲取客戶(hù)往往代價(jià)很高，故此，客戶(hù)流失帶來(lái)的損失很大。一旦獲得了客戶(hù)，企業(yè)就會(huì )通過(guò)減少流失率來(lái)充分利用獲取成本。在保險、金融、電信等服務(wù)行業(yè)，控制客戶(hù)流失大概也是最重要的營(yíng)銷(xiāo)活動(dòng)。減少客戶(hù)流失，需要先識別出有流失風(fēng)險的客戶(hù)，預測技術(shù)能很好地完成這一任務(wù)。

　　歷史上，預測客戶(hù)流失的核心方法是一種被稱(chēng)為“回歸”的統計技術(shù)。有一些研究聚焦于改進(jìn)回歸技術(shù)，研究人員在學(xué)術(shù)期刊和實(shí)踐中提出并檢驗了數百種不同的回歸方法，回歸就是根據過(guò)去發(fā)生事件的平均值來(lái)尋找一種預測。在機器學(xué)習之前，多元回歸提供了一種處理多種條件的有效方法，而且無(wú)需計算數十、數百甚至數千種不同條件下的平均值。回歸運用數據去嘗試找到那個(gè)將預測失誤最小化、“擬合優(yōu)度”最大化的結果；回歸將預測的平均失誤控制到了最低限度，對待大失誤比對待小失誤更加嚴厲。這是一種強大的方法，尤其是當數據集相對較小，能很好地感知什么因素對數據有用的時(shí)候。除此之外，回歸模型渴望產(chǎn)生無(wú)偏差的結果，所以，要是預測得足夠多，這些預測就平均概率而言是完全正確的。雖然我們喜歡無(wú)偏差的預測多過(guò)有偏差的預測（比如系統性地高估或低估一個(gè)值），但無(wú)偏差的預測也并非完美。因為準確無(wú)比的平均值可能在實(shí)際中每次都出錯。

　　為了調整這種由于統計算法本身所產(chǎn)生的大的偏差，在實(shí)際的企業(yè)客戶(hù)流失預測模型的設計中，會(huì )由經(jīng)驗豐富的業(yè)務(wù)專(zhuān)家主導，根據經(jīng)驗與自己的判斷來(lái)調節優(yōu)化模型，清除模型中明顯的錯誤因子，并加上主觀(guān)有效因子。這種做法往往能夠得到很好的效果，但是由于它對專(zhuān)家有很強的依賴(lài)度，一旦專(zhuān)家發(fā)生錯誤，模型可靠度就會(huì )受到質(zhì)疑，并且在無(wú)數個(gè)可能的變量中，專(zhuān)家也受限于自身經(jīng)驗和主觀(guān)因素。

　　這一問(wèn)題在人工智能應用之前幾乎是無(wú)解的，所以?xún)?yōu)秀的“客戶(hù)流失模型”管理必須依賴(lài)優(yōu)秀的專(zhuān)家。解決這一問(wèn)題的最佳做法是通過(guò)人工智能，應用其強大的計算能力以及基于神經(jīng)網(wǎng)絡(luò )的算法學(xué)習能力。與回歸不同，機器學(xué)習的預測可能平均起來(lái)是錯誤的，但當預測失誤的時(shí)候，它并不會(huì )失誤太多。按統計學(xué)家的說(shuō)法，允許偏差，以求減少方差。機器學(xué)習和回歸分析之間一個(gè)重要的區別是新技術(shù)的開(kāi)發(fā)方式，發(fā)明一種新的機器學(xué)習方法時(shí)還需證明它在實(shí)踐中能運作得更好；相反，發(fā)明一種新的回歸方法，首先要證明它在理論上是有效的。強調實(shí)踐效果，給了機器學(xué)習創(chuàng )新者更多的實(shí)驗空間，哪怕他們的方法生成的估計結果平均來(lái)看不正確或存在偏差。在這種自由實(shí)驗的推動(dòng)下，機器學(xué)習借助過(guò)去10年的豐富數據和高速計算機實(shí)現了快速的進(jìn)步。

　　然而，從20世紀90年代末期到21世紀初期，那些利用機器學(xué)習預測顧客流失的實(shí)驗僅取得了有限的成功。雖然機器學(xué)習的方法有了穩定的進(jìn)步，但回歸的方法依然表現得更好。數據仍然不夠豐富，計算機的速度也不夠快，無(wú)法使其利用機器學(xué)習做事情。2016年，一切都改變了。使用機器學(xué)習和神經(jīng)網(wǎng)絡(luò )深度學(xué)習來(lái)預測流失的模型整體比其他所有方法表現得都好。是什么發(fā)生了改變呢？首先是數據和計算機終于足夠好，讓機器學(xué)習占了上風(fēng)。20世紀90年代，建立足夠大的數據庫很難。比方說(shuō)，一套經(jīng)典的流失預測研究只使用了650個(gè)客戶(hù)的數據，不到30個(gè)變量。

　　2004年，計算機的處理和存儲都有了進(jìn)步。機器學(xué)習方法逐漸能跟回歸一較高下了。如今，研究人員根據數千個(gè)變量和數百萬(wàn)客戶(hù)展開(kāi)流失預測。計算能力的提高意味著(zhù)可以處理大量的數據，除了數字，還包括文本和圖像。例如，在移動(dòng)電話(huà)流失模型中，研究人員除了使用標準變量（如賬單額度大小和支付準時(shí)性）之外，還調用了通話(huà)記錄數據（以小時(shí)為單位）。

　　利用可用數據，機器學(xué)習方法也變得更好了。成功的關(guān)鍵因素是，如何從數百個(gè)可用變量中進(jìn)行選擇，以及選擇使用哪一種統計模型。當時(shí)最好的方法，不管是機器學(xué)習還是經(jīng)典的回歸，都通過(guò)結合直覺(jué)與統計檢定來(lái)選擇變量和模型。現在，機器學(xué)習方法（尤其是深度學(xué)習方法）允許模型具備靈活性，這意味著(zhù)變量彼此之間可以按照意想不到的方式相結合。在開(kāi)始計費的月初就積累了大量通話(huà)時(shí)間、高額電話(huà)賬單的人比到月末才累積大量通話(huà)時(shí)間的人流失的可能性更低。此外，周末異地通話(huà)、付費時(shí)間遲、大量發(fā)短信的人尤其容易流失。這樣的結合難以預料，但對預測有極大的幫助。由于難以預料，建模人員在使用標準的回歸模型進(jìn)行預測時(shí)，無(wú)法將這些結合后的信息包含在內。機器學(xué)習把一些結合與交匯事關(guān)重要的選擇權交給了機器，而不是程序員。機器學(xué)習深度方法的改進(jìn)，意味著(zhù)可以有效地將可用數據轉化為對客戶(hù)流失的準確預測。現在，機器學(xué)習方法明顯優(yōu)于回歸和其他各種技術(shù)。

　　回到營(yíng)銷(xiāo)領(lǐng)域中產(chǎn)品、客戶(hù)、市場(chǎng)與銷(xiāo)售人員之間的模型建立與優(yōu)化，會(huì )發(fā)現其需要的變量遠遠大于客戶(hù)流失模型，而且這些職能幾乎隸屬于企業(yè)的所有部門(mén)。在人工智能得以廣泛應用以前，沒(méi)有企業(yè)會(huì )去嘗試建立這一模型，企業(yè)的營(yíng)銷(xiāo)決策基本掌握在其核心管理層，不可能通過(guò)模型進(jìn)行企業(yè)管理。

　　現在我們有了機器學(xué)習這一預測技術(shù)，就有可能找到企業(yè)的最優(yōu)營(yíng)銷(xiāo)模型。當然，它和所有的人工智能應用一樣，需要數據、訓練、反饋與持續的優(yōu)化。

　　先來(lái)看數據，對于這樣一個(gè)復雜的機器學(xué)習模型來(lái)說(shuō)，建立模型的數據很重要，這些數據包括客戶(hù)畫(huà)像數據、銷(xiāo)售畫(huà)像、產(chǎn)品的各類(lèi)數據（如定價(jià)、定位等），它們都會(huì )成為模型中的變量，參與到模型的建設中。

　　訓練數據可以是歷史數據，其中包含營(yíng)銷(xiāo)流程所需要的變量與目標結果。機器學(xué)習可以通過(guò)歷史數據訓練找到初始算法模型，這個(gè)初始算法模型的優(yōu)劣取決于預測算法、變量的詳盡程度以及目標結果的準確度。經(jīng)過(guò)歷史數據訓練過(guò)的模型就可以上線(xiàn)使用，當然，為了確保使用預測算法后的業(yè)務(wù)目標不低于基于規則的路由方式，可以用人工智能與規則并行，同時(shí)采用人工核對優(yōu)化的方式進(jìn)行模型優(yōu)化。上線(xiàn)后的模型就可以在實(shí)際的環(huán)境中持續優(yōu)化改進(jìn)，以提升業(yè)務(wù)價(jià)值與業(yè)務(wù)目標。

　　智能服務(wù)與營(yíng)銷(xiāo)平臺是這種預測式技術(shù)最好的落地場(chǎng)景，因為其工作的過(guò)程中貫穿了客戶(hù)服務(wù)請求、服務(wù)與產(chǎn)品的推薦等流程，同時(shí)也可以方便地建立與優(yōu)化客戶(hù)畫(huà)像、銷(xiāo)售畫(huà)像與產(chǎn)品畫(huà)像。從系統與解決方案層面要做的升級，就是將原有的基于規則的路由升級成基于人工智能的預測式路由，再進(jìn)行用戶(hù)畫(huà)像、員工畫(huà)像與產(chǎn)品畫(huà)像的建設與持續豐富。

　　擁有了基于人工智能的預測式路由能力的智能服務(wù)與營(yíng)銷(xiāo)平臺，才稱(chēng)得上是新一代的智能服務(wù)與營(yíng)銷(xiāo)平臺。這個(gè)預測式路由能力，用在客戶(hù)服務(wù)上是基于服務(wù)目標的智能匹配，用在營(yíng)銷(xiāo)上就是基于營(yíng)銷(xiāo)目標的智能推薦。

　　服務(wù)目標可以是客戶(hù)最高滿(mǎn)意度、最高銷(xiāo)售轉化效率、最低服務(wù)代價(jià)，或多個(gè)服務(wù)目標的加權排序。有了服務(wù)目標以后，所有的預測行為都以目標最大化為出發(fā)點(diǎn)。

　　現在我們看到基于業(yè)務(wù)目標的智能匹配服務(wù)流程是這樣的：我們假設某企業(yè)的客戶(hù)服務(wù)目標權重次序是客戶(hù)滿(mǎn)意度40％，服務(wù)效率30％，銷(xiāo)售轉化率30％。

　　顧客帶著(zhù)自己的畫(huà)像進(jìn)入企業(yè)的服務(wù)門(mén)戶(hù)來(lái)獲取服務(wù)請求，智能門(mén)戶(hù)經(jīng)過(guò)預判識別出了客戶(hù)的服務(wù)意圖，并針對三個(gè)服務(wù)目標的權重進(jìn)行比對，根據計算結果，將客戶(hù)的服務(wù)請求轉到了智能服務(wù)機器人，因為此時(shí)的客戶(hù)滿(mǎn)意度與轉化率的指標都無(wú)從判別，而智能機器人比人工的服務(wù)效率更高這一點(diǎn)是毋庸置疑的。

　　但是在機器人服務(wù)的過(guò)程中，發(fā)現機器人的置信度不夠，會(huì )出現客戶(hù)滿(mǎn)意度風(fēng)險，這時(shí)必須將服務(wù)請求轉到人工，而轉接哪一個(gè)座席也必須符合服務(wù)目標的要求。讓客戶(hù)畫(huà)像、員工畫(huà)像在服務(wù)目標下進(jìn)行匹配，而這個(gè)匹配過(guò)程所形成的模型是可以用歷史數據進(jìn)行訓練、在服務(wù)過(guò)程中進(jìn)行動(dòng)態(tài)優(yōu)化的。

▲基于服務(wù)目標的智能匹配架構圖

　　預測應用于服務(wù)是為了提升服務(wù)目標，同樣，預測應用于營(yíng)銷(xiāo)也是為了提升營(yíng)銷(xiāo)目標。如果我們將服務(wù)與資源稱(chēng)為匹配的話(huà)，營(yíng)銷(xiāo)就是一個(gè)推薦過(guò)程。

　　當下，人工智能的發(fā)展讓推薦無(wú)處不在，我們所讀的新聞、搜索廣告、微視頻、電商商品全部來(lái)自人工智能的推薦算法，它們的目標都是營(yíng)銷(xiāo)。算法所依據的是商家所收集的客戶(hù)行為數據，將數據處理后抽象出客戶(hù)畫(huà)像，然后推薦匹配的信息或商品。

▲基于營(yíng)銷(xiāo)目標的智能推薦示意圖

▲基于營(yíng)銷(xiāo)目標的智能推薦架構圖

　　基于營(yíng)銷(xiāo)目標的智能推薦是為了找到商品與客戶(hù)、客戶(hù)與市場(chǎng)活動(dòng)、客戶(hù)與銷(xiāo)售、營(yíng)銷(xiāo)過(guò)程與話(huà)術(shù)的對應關(guān)系，從而實(shí)現營(yíng)銷(xiāo)目標的最大化。智能推薦需要的基礎數據是客戶(hù)畫(huà)像、員工（銷(xiāo)售）畫(huà)像、商品畫(huà)像等，需要的訓練數據是歷史數據，進(jìn)而建立推薦模型，再在營(yíng)銷(xiāo)過(guò)程中動(dòng)態(tài)優(yōu)化。

　　企業(yè)的產(chǎn)品與員工是其最為重要的資源，通過(guò)創(chuàng )新來(lái)迭代產(chǎn)品以順應市場(chǎng)需求；通過(guò)人力升級，不斷優(yōu)化人力資源，這些都是企業(yè)成功的基本要素。智能服務(wù)與營(yíng)銷(xiāo)平臺連接著(zhù)產(chǎn)品、客戶(hù)、員工，如果人工智能的預測匹配與推薦充分發(fā)揮作用，就可以在產(chǎn)品畫(huà)像、客戶(hù)畫(huà)像與員工畫(huà)像之間找到最優(yōu)化的匹配模型，一切以企業(yè)終極的業(yè)務(wù)目標為導向。

　　模型的參數是產(chǎn)品畫(huà)像信息、客戶(hù)畫(huà)像信息與員工畫(huà)像信息，通過(guò)參數的調節就可以發(fā)現它們對業(yè)務(wù)目標的量化影響。也就是說(shuō)，可以通過(guò)人工智能的預測模型反向找到更加符合業(yè)務(wù)目標的匹配關(guān)系，這些匹配關(guān)系包含以下幾個(gè)部分：

　　▲產(chǎn)品的設計與定價(jià)如何改變才能適應目標客戶(hù)群；

　　▲哪種類(lèi)型的員工技能圖譜更能夠提升客戶(hù)滿(mǎn)意度或獲得更好的銷(xiāo)售業(yè)績(jì)；

　　▲怎樣的市場(chǎng)投放能更有效地找到目標客戶(hù)群；

　　▲與產(chǎn)品所對應的目標客戶(hù)群擴展。

　　這些問(wèn)題都是企業(yè)的核心問(wèn)題，如果能夠找到答案，就破解了企業(yè)的營(yíng)銷(xiāo)密碼，可以用來(lái)指導人力資源部的員工招聘、員工技能提升計劃；可以指導、優(yōu)化產(chǎn)品設計，定義產(chǎn)品價(jià)格；可以指導市場(chǎng)部門(mén)進(jìn)行精準市場(chǎng)投放，成為打開(kāi)企業(yè)成功之門(mén)的金鑰匙，這才是服務(wù)與營(yíng)銷(xiāo)中人工智能應用的最核心的驅動(dòng)力。

　　人工智能的應用是一個(gè)養成過(guò)程，其間離不開(kāi)大量的人工訓練與調優(yōu)操作，對目標的精準定義，各個(gè)維度的客戶(hù)、產(chǎn)品、員工數據的收集，最終才生成精準畫(huà)像。這個(gè)過(guò)程不會(huì )一蹴而就，相反，在開(kāi)始的時(shí)候由于數據的準確性或積累量的缺失，模型算法的不成熟，會(huì )達不到基于規則的應用，甚至會(huì )影響到客戶(hù)滿(mǎn)意度與銷(xiāo)售業(yè)績(jì)。如果不繼續堅持優(yōu)化與數據的豐富，必定是個(gè)失敗的項目。然而，一旦突破了原有基于規則的臨界點(diǎn)，人工智能的價(jià)值就會(huì )爆破性增長(cháng)，隨著(zhù)數據積累的豐富與算法的進(jìn)一步優(yōu)化，極易出現贏(yíng)家通吃的局面。當然，新的挑戰也可以用更為領(lǐng)先的算法來(lái)獲得更強的競爭力，但是有一點(diǎn)是肯定的，成功者一定是那些掌握了金鑰匙的人，而這把金鑰匙，一定是以人工智能技術(shù)為基礎鑄造而成。

　　知識圖譜就是把所有不同種類(lèi)的信息連接在一起而得到的一個(gè)關(guān)系網(wǎng)絡(luò )。建設一個(gè)知識圖譜系統，需要包括：知識建模、知識獲取、知識融合、知識存儲和知識應用五大部分：

　　▲知識建模：構建多層級知識體系，將抽象的知識、屬性、關(guān)聯(lián)關(guān)系等信息，進(jìn)行定義、組織、管理，轉化成現實(shí)的數據庫。

　　▲知識獲取：將不同來(lái)源、不同結構的數據轉化成圖譜數據，包括結構化數據、半結構化數據（解析）、知識標引、知識推理等，保障數據的有效性和完整性。

　　▲知識融合：將多個(gè)來(lái)源、重復的知識信息進(jìn)行融合，包括融合計算、融合計算引擎、手動(dòng)操作融合等。

　　▲知識存儲：根據業(yè)務(wù)場(chǎng)景提供合理的知識存儲方案，存儲方案具備靈活、多樣化、可拓展特性。

　　▲知識應用：為已構建知識圖譜提供圖譜檢索、知識計算、圖譜可視化等分析與應用能力。并提供各類(lèi)知識計算的ＳＤＫ（軟件開(kāi)發(fā)工具包），包含圖譜基礎應用類(lèi)、圖譜結構分析類(lèi)、圖譜語(yǔ)義應用類(lèi)、自然語(yǔ)言處理類(lèi)、圖譜數據獲取類(lèi)、圖譜統計類(lèi)、數據集獲取類(lèi)、數據集統計類(lèi)。

　　企業(yè)信息庫所謂的機器人服務(wù)與機器人營(yíng)銷(xiāo)，其實(shí)就是一個(gè)知識分享的過(guò)程。NLP（自然語(yǔ)義理解）解決的是“聽(tīng)得懂”的問(wèn)題，也就是說(shuō)，機器人所能回答的所有問(wèn)題都已經(jīng)通過(guò)人工維護到知識庫中，機器人所要做的唯一一件事情就是理解客戶(hù)的問(wèn)題，并從知識庫中提取正確的答案推送給客戶(hù)。這樣的機器人是不具備推理、計算和總結能力的。從目前的技術(shù)發(fā)展來(lái)看，人工智能是不可能具備思考能力的，這個(gè)能力還會(huì )由人類(lèi)來(lái)承擔，這也許就是未來(lái)人類(lèi)最為獨特的價(jià)值。

　　知識圖譜就是將知識通過(guò)屬性和標簽連接起來(lái)，由原來(lái)的知識點(diǎn)變成知識面，由一維變成二維。增加了一個(gè)維度后，知識與知識之間就具備了關(guān)聯(lián)性，有了關(guān)聯(lián)性以后就可以進(jìn)行推理、計算和總結，知識越多，從中獲得的信息也就會(huì )越多，于是知識庫就變成了企業(yè)的信息庫，成為企業(yè)重要的資源。

　　如果我們將一個(gè)企業(yè)類(lèi)比成一個(gè)人的話(huà)，由知識圖譜所構成的信息庫就是這個(gè)人所擁有的知識，基于業(yè)務(wù)目標的推薦與匹配就是這個(gè)人的決策機制，而客戶(hù)畫(huà)像、員工畫(huà)像、產(chǎn)品畫(huà)像等就是人的決策依據。這些信息和算法模型就構成了人的大腦。也就是說(shuō)，被人工智能賦能過(guò)的企業(yè)，除了擁有人類(lèi)管理團隊的智慧以外，還會(huì )在運營(yíng)的過(guò)程中生長(cháng)出一個(gè)人工智能大腦。這個(gè)人工智能大腦擅長(cháng)預測，而人類(lèi)管理者則擅長(cháng)思考與決策，人工智能的預測結果則是人類(lèi)管理者最好的決策依據，這樣就可以在更高層面形成企業(yè)管理的人機耦合。

　　人工智能擅長(cháng)在大數據量的訓練下尋找預測模型，而且這個(gè)模型一旦建立完成，就可以持續地為企業(yè)提供服務(wù)，并在服務(wù)的過(guò)程中不斷優(yōu)化。優(yōu)秀的人類(lèi)決策團隊擅長(cháng)在小數據樣本的情況下進(jìn)行抽象，但是所抽象的模型會(huì )因為個(gè)體的不同而南轅北轍。人工智能會(huì )嚴格地按照算法模型與預先設定的參數與業(yè)務(wù)目標去執行，而人類(lèi)在執行過(guò)程中可能會(huì )受到身體狀態(tài)、情感、道德觀(guān)等影響。遇到明顯的預測結果錯誤時(shí)，人工智能并不自知，而人類(lèi)則會(huì )通過(guò)思考來(lái)回避明顯的邏輯錯誤。

　　在引進(jìn)人工智能之前，企業(yè)的治理金字塔架構是決策、管理與執行，管理層是公司的中間層，起著(zhù)承上啟下的作用。向下傳遞決策者的戰略規劃，并細化可執行的目標，引導執行者完成關(guān)鍵的結果；向上提供決策信息，補充決策依據。

▲傳統的企業(yè)治理金字塔架構圖

　　企業(yè)引進(jìn)人工智能以后，中間層就會(huì )變成由人工智能的預測算法模型為核心的企業(yè)大腦與人類(lèi)管理者的耦合。人工智能所預測的算法模型經(jīng)過(guò)人類(lèi)管理者的審核，所需要的主觀(guān)參數也由人類(lèi)設定，人工智能的大腦自動(dòng)推薦與匹配，轉由人工智能自動(dòng)執行任務(wù)，或路由給人工執行。遇到人工智能置信度不夠或沒(méi)有足量訓練的場(chǎng)景，人工智能會(huì )將管理任務(wù)交給人類(lèi)管理者，由后者決定或是升級到?jīng)Q策層決定，這類(lèi)情況會(huì )主要集中在一些突發(fā)事件或是關(guān)鍵的管理任務(wù)處理。金字塔頂部的決策層則會(huì )得到由人工智能大腦所收集的信息與決策依據，也可以是由人類(lèi)管理者經(jīng)過(guò)過(guò)濾與處理過(guò)的信息。而執行層也會(huì )是由人機耦合來(lái)實(shí)現，執行層的人工智能是預測算法的另一種表現形式，如NLP、知識圖譜等。

 

▲人工智能時(shí)代的企業(yè)治理結構圖

　　本書(shū)一開(kāi)篇就提到過(guò)將客戶(hù)和企業(yè)的接觸點(diǎn)稱(chēng)為企業(yè)的觸點(diǎn)。觸點(diǎn)多種多樣，傳統的觸點(diǎn)是企業(yè)的經(jīng)營(yíng)場(chǎng)所、平面廣告、視頻廣告、線(xiàn)下的市場(chǎng)活動(dòng)等，互聯(lián)網(wǎng)為企業(yè)增加了更多的觸點(diǎn)，如官網(wǎng)、APP、公眾號、搜索引擎、第三方網(wǎng)站、第三方APP、小程序等。企業(yè)市場(chǎng)部的目標就是最大可能地增加有效觸點(diǎn)并擴大其分布，有效觸點(diǎn)越多，意味著(zhù)企業(yè)的產(chǎn)品與形象越容易被目標客戶(hù)感知。然而，什么樣的觸點(diǎn)才是有效觸點(diǎn)呢？

　　有效觸點(diǎn)是可能被客戶(hù)關(guān)注并形成轉化的觸點(diǎn)，客戶(hù)會(huì )聯(lián)系企業(yè)、直接購買(mǎi)、添加有效信息，轉化為企業(yè)私域流量。傳統的觸點(diǎn)是單向的，不具備記錄能力，無(wú)法量化有效性，互聯(lián)網(wǎng)觸點(diǎn)可以通過(guò)對客戶(hù)的點(diǎn)擊、關(guān)注、信息留存等進(jìn)行記錄，但卻缺乏與客戶(hù)之間互動(dòng)的能力，也不能進(jìn)行主動(dòng)的智能服務(wù)與營(yíng)銷(xiāo)。

　　將觸點(diǎn)賦能成為觸角觸點(diǎn)賦能就是在觸點(diǎn)上增加交互能力和千人千面的展現能力。如果事先獲得觸點(diǎn)群體的畫(huà)像，就可以根據畫(huà)像由企業(yè)大腦進(jìn)行觸點(diǎn)信息匹配，所謂的觸點(diǎn)信息匹配就是向不同的客戶(hù)群體推送適合的信息。觸點(diǎn)上的交互能力就是聯(lián)絡(luò )入口，客戶(hù)通過(guò)觸點(diǎn)獲得信息，通過(guò)交互與觸點(diǎn)進(jìn)行互動(dòng)，需要營(yíng)銷(xiāo)機器人與客戶(hù)交流，根據客戶(hù)提供的信息進(jìn)行產(chǎn)品與服務(wù)的推薦，并自動(dòng)完成相關(guān)的服務(wù)與營(yíng)銷(xiāo)流程。如果發(fā)現營(yíng)銷(xiāo)機會(huì )或是識別出高端客戶(hù)，則將交互轉接到人工，由人工進(jìn)行進(jìn)一步的服務(wù)與營(yíng)銷(xiāo)。這種被賦能過(guò)的觸點(diǎn)就成為了觸角，這個(gè)觸角受控于企業(yè)大腦，成為企業(yè)有機體的一部分。

　　控于企業(yè)大腦，成為企業(yè)有機體的一部分。線(xiàn)下的傳統觸點(diǎn)則可以通過(guò)二維碼或ＮＦＳ（網(wǎng)絡(luò )文件系統）等作為入口方式進(jìn)入小程序、公眾號、APP等，進(jìn)而獲得觸點(diǎn)上的賦能。

　　觸點(diǎn)賦能是賦予觸點(diǎn)服務(wù)與營(yíng)銷(xiāo)的能力，這種能力體現在機器人服務(wù)、精準營(yíng)銷(xiāo)、多媒體聯(lián)絡(luò )、社交互動(dòng)等方面。目前的主流展現形式為靜態(tài)網(wǎng)頁(yè)、ＩＭ聯(lián)絡(luò )、語(yǔ)音通信等，入口主要是公眾號、小程序、APP與電話(huà)。APP是一個(gè)非常適合的觸點(diǎn)入口，它能夠以各種形式體現觸點(diǎn)能力。然而，企業(yè)APP很難做成高頻應用，所以目前幾乎所有的觸點(diǎn)都會(huì )采用公眾號作為入口，其優(yōu)點(diǎn)是簡(jiǎn)潔、易于維護、搭建方便，缺點(diǎn)則是表現形式過(guò)于簡(jiǎn)單，聯(lián)絡(luò )能力不夠。最好的入口，目前看來(lái)應該是小程序或是小程序與公眾號結合的模式，這樣就可以通過(guò)觸點(diǎn)將智能服務(wù)與營(yíng)銷(xiāo)的后臺能力全部發(fā)揮出來(lái)，讓觸點(diǎn)成為真正的觸角。

　　5G時(shí)代的高帶寬、低延遲特點(diǎn)讓觸點(diǎn)的能力得到進(jìn)一步發(fā)揮。可以肯定的是，以下表現形式一定會(huì )在5G時(shí)代成為主流。

　　高清短視頻短視頻展示與短視頻社交是４Ｇ的產(chǎn)物，5G時(shí)代將進(jìn)一步放大視頻展示的優(yōu)勢，而制作精良的高清視頻將成為企業(yè)觸點(diǎn)展示的主流形式。

　　視頻聯(lián)絡(luò )視頻聯(lián)絡(luò )在視頻核身、風(fēng)控、信息傳遞方面有語(yǔ)音通信不可比擬的優(yōu)勢，在5G時(shí)代，視頻聯(lián)絡(luò )的體驗將得到進(jìn)一步提升，高清視頻聯(lián)絡(luò )、實(shí)時(shí)微表情檢測等技術(shù)的應用會(huì )成為觸點(diǎn)聯(lián)絡(luò )的主流。

　　虛擬現實(shí)高帶寬意味著(zhù)3D通信技術(shù)的應用成為可能，具備真實(shí)體驗場(chǎng)景的虛擬現實(shí)如果得到應用，就可以模擬出更多的線(xiàn)下應用，在增強客戶(hù)體驗的同時(shí)，讓聯(lián)絡(luò )發(fā)揮更大的價(jià)值。

　　新一代服務(wù)與營(yíng)銷(xiāo)平臺的核心是基于人工智能的預測式路由，預測式路由用在服務(wù)上就是基于服務(wù)目標的智能匹配，用在營(yíng)銷(xiāo)上就是基于營(yíng)銷(xiāo)目標的智能推薦。預測式路由將在客戶(hù)畫(huà)像、員工畫(huà)像、商品畫(huà)像以及服務(wù)指標、營(yíng)銷(xiāo)指標等數據的訓練下，提煉出企業(yè)資源與營(yíng)銷(xiāo)目標之間的最佳匹配模型，企業(yè)管理者與決策者通過(guò)這個(gè)模型給出的建議，可以進(jìn)一步優(yōu)化企業(yè)的人力資源、產(chǎn)品設計與市場(chǎng)投放等，讓營(yíng)銷(xiāo)與創(chuàng )新具備更高的效率。

　　知識圖譜將企業(yè)中的知識連接起來(lái)，形成二維的企業(yè)信息庫，預測式路由所提煉的企業(yè)算法模型加上企業(yè)信息庫就成為企業(yè)大腦，企業(yè)大腦和企業(yè)管理者一起運營(yíng)企業(yè)，并通過(guò)人機耦合的方式向決策者提供決策建議與決策依據，推動(dòng)企業(yè)不斷進(jìn)步。

　　用企業(yè)大腦為觸點(diǎn)賦能，就能夠將單向的觸點(diǎn)變成具備聯(lián)絡(luò )能力與智能化能力的觸角，企業(yè)觸角的有效延展就是企業(yè)運營(yíng)規模不斷放大的過(guò)程。5G時(shí)代將進(jìn)一步加強觸角的聯(lián)絡(luò )能力，高清視頻聯(lián)絡(luò )將成為主流的聯(lián)絡(luò )應用，而基于虛擬現實(shí)的3D聯(lián)絡(luò )或許也會(huì )成為5G時(shí)代的爆點(diǎn)應用。

　　企業(yè)的大腦與觸角構成了有機的企業(yè)，這個(gè)有機的企業(yè)就是新一代服務(wù)與營(yíng)銷(xiāo)平臺的最好載體，也是新一代平臺的終極目標。