通信世界網(wǎng)消息（CWW）

Oracle亞太區(qū)大數(shù)據(jù)和分析解決方案總監(jiān) 鐘振華

鐘振華：

各位下午好，那我是今天這個分會場，最后一個部分也是很感謝各位有這么好的耐心來聽到最后這個部分，那我們這個分會場主要談的是應(yīng)用，所以我想跟各位分享一下，偶爾口這兩年一直在大數(shù)據(jù)領(lǐng)域，結(jié)合現(xiàn)在很火的機器學習和人工智能都做了哪些相關(guān)性的一些智能應(yīng)用，同時大家也可以在我所講的兩個案例里面去了解到這些智能應(yīng)用在中國的一些客戶里面，它落地的一個效果是怎么樣。

首先再講我所講的機器學習的應(yīng)用。我們回顧一下今天一天在臺上所有的演講嘉賓并談到的大數(shù)據(jù)的應(yīng)用，其中主要就是四類，第一類我相信這幾天應(yīng)該不太會有人來講，就是最早大數(shù)據(jù)切入的時候是說海量數(shù)據(jù)有一個非常低成本的環(huán)境去存儲的一個應(yīng)用場景，第二類我們會看到，其實今天也有很多的，一些演講嘉賓談到就是對于海量數(shù)據(jù)的一些處理，這些處理其中有一些應(yīng)用場景我們之前一直聽說的，類似于客戶的360度視圖客戶標簽其實都是利用一些大數(shù)據(jù)，在事先把海量數(shù)據(jù)進行一些預(yù)初第三類應(yīng)用，我們相信各位也剛才在很多的演講過程當中聽到包括數(shù)據(jù)可視化數(shù)據(jù)的查詢數(shù)據(jù)的分析，其實都是結(jié)合一些大數(shù)據(jù)的技術(shù)對數(shù)據(jù)進行一些人工的使用和分析，而我今天想談的就是二扣，現(xiàn)在我們看到的在。

在大數(shù)據(jù)領(lǐng)域里面，現(xiàn)在比較火的一個應(yīng)用場景，就是我們看到的叫機器學習，在機器學習里面，我們相信各位已經(jīng)很多聽說過，比如說AlphaGo在圍棋上面的一些應(yīng)用，那么在電信行業(yè)ｏｒａｃｌｅ有哪些應(yīng)用可以真正在現(xiàn)實的業(yè)務(wù)上黃金里面進行落地呢，首先我們看還是談一個怎么為企業(yè)賺錢的一個問題，其實剛才很多的演講嘉賓也談到了精準營銷，當把精準營銷在歷史上面的三個階段做一個分類，第一個時代可能沒有大數(shù)據(jù)。我們很多的企業(yè)基于人的判斷去做營銷的規(guī)劃，然后事后通過一些技術(shù)的手段，無論是大數(shù)據(jù)還是不是大數(shù)據(jù)，來把這些營銷的結(jié)果進行一個分析，我們看到這種場景里面它的營銷的轉(zhuǎn)換率一般都在1%到5%之間，有些企業(yè)可能營銷的轉(zhuǎn)化率會更低一點。

第二類是現(xiàn)在很多的一些大數(shù)據(jù)的解決方案，所談到的事件營銷型的或者說是精準營銷型的，基于客戶事先的一些標簽，或者說客戶所在的地理位置或者說是客戶的一些網(wǎng)上的行為，對這些客戶進行一些所謂的精準營銷，那這是事件驅(qū)動性，它確實能夠提高一些營銷的效果，我們會看到在實際的應(yīng)用場景里面，我們的客戶他的營銷的轉(zhuǎn)化率可以提高五倍左右，確實也和我們之前很多的演講嘉賓談到的實際的落地的效果是一致的，那么但是我們會看到結(jié)合機器學習之后我們能不能把這件事情做得更好，所以我們會看到今天或者說未來的一段時間，里面越來越多的客戶會把大數(shù)據(jù)的應(yīng)用更多的傾向在一種叫即時營銷，跟客戶互動的過程當中，自己進行一些學習自動化的產(chǎn)生模型，而不需要任何的IT以及業(yè)務(wù)人員的參與，所有的流程都是自動化的，我們的人就好像在和一個看不見、摸不著的一個智能的環(huán)境進行交互，這個是我們希望在大數(shù)據(jù)應(yīng)用落地的時候，能夠真正可以告用戶提供業(yè)務(wù)價值的地方。

那么這個業(yè)務(wù)價值落地的框架是什么？很簡單，就是三層，左邊這一層是客戶你們現(xiàn)在已有的大數(shù)據(jù)環(huán)境，無論是不是ｏｒａｃｌｅ，或者說是第三方的，或者是開源的都沒有關(guān)系。只要你有數(shù)據(jù)，或者說你可以通過剛才我們所聽到得很多演講嘉賓談到的各種方式是采集到的依據(jù)都沒有問題，這些數(shù)據(jù)如果拿我們今天談到的營銷的業(yè)務(wù)場景來說的話，比如說你可以里面涉及到營銷活動的數(shù)據(jù)，涉及到你所要營銷的產(chǎn)品目錄的數(shù)據(jù)，涉及到你要營銷的一些內(nèi)容管理的數(shù)據(jù)，或者說是一些營銷廣告的、策劃的一些內(nèi)容都可以。

另外一端我們看到右邊這一段也是您現(xiàn)有的，我們叫接觸端，因為以前客戶和計算機的接觸，最早都是在電腦上面，但是現(xiàn)在的接觸端越來越多樣化，除了PC有移動，將來我們還會看到有各種各樣物理呈現(xiàn)的智能設(shè)備，這些智能設(shè)備可能可以通過語音或者是通過一些其他的人為交互的方式來把用戶帶入到你這個摸不到看不到的系統(tǒng)里，而ｏｒａｃｌｅ做的這個系統(tǒng)，是在當中我們叫一個智能的大腦，在這個當中它能夠自動的，而不需要IT人員去寫程序去編代碼，去調(diào)用任何的機器。學習的算法，你可能需要人為去判斷我到底用聚類還是分類還是預(yù)測還是決策，你不需要做這件事情，你只需要把這個環(huán)節(jié)引入到您的接入端和您的數(shù)據(jù)端之間，把數(shù)據(jù)和用戶的接口連接在一起，從而實現(xiàn)一個什么自動化的業(yè)務(wù)流程的優(yōu)化，那么這件事情怎么做我們看一下。

和我們熟知的，或者說經(jīng)常談到的機器學習的方法不一樣的，在什么地方？在于上下兩部分的區(qū)別。在圖上的上半部分，我們看到的是我們現(xiàn)在基本上長談的機器學習的方法，類似于你有數(shù)據(jù)，你把這部分的數(shù)據(jù)導入到一個你所了解或者說是采購的一個機器學習的框假也好，平臺也好里面，你可能需要雇傭一個叫數(shù)據(jù)科學家的技術(shù)人員，或者說是請一些業(yè)務(wù)人員參與到這個項目里面去對這個算法進行學習，然后把這個算法學習產(chǎn)生一個模型，然后在這個模型使用過程之前，先通過一些手段，對這個模型進行什么進行一個打分，然后再把這個模型應(yīng)用到你的運營應(yīng)用系統(tǒng)里面去，這是以前或者說現(xiàn)在常規(guī)的機器學習做的這種方式都是這樣。

但這個過程首先它需要一個過程，無論你有沒有數(shù)學科學家，你有沒有一個很好的團隊或者是一個技術(shù)平臺？你從拿數(shù)據(jù)到去訓練這個模型，然后把這個模型應(yīng)用到你的應(yīng)用系統(tǒng)里面，都需要一個時間，可能短則一周、一個月，長則可能更長的時間。有些客戶會是以項目的方式去做，但我們覺得今天其實技術(shù)遠遠不是只在這個層面，今天oracle做的是一個能夠完全脫離人自己進化的一個機器學習的引擎，是完全一個黑盒子，他在背后是中間，你只要數(shù)據(jù)進去，然后連上我們剛才講到的用戶接口，這個接口可以是您已有的網(wǎng)站，也可以是call center、也可以手機端的APP或者說是你的一些智能的物理系統(tǒng)，比如說智能網(wǎng)關(guān)等等，這些系統(tǒng)上面都會產(chǎn)生數(shù)據(jù)，同時這些數(shù)據(jù)都會實時的和這個進化的這個機器的大腦進行實時的通訊。無論用戶對呼叫中心的一個電話有沒有響應(yīng)，或者說有沒有點網(wǎng)站上的某個廣告，或者說他對智能系統(tǒng)上的一個報錯有任何的響應(yīng)。這一個響應(yīng)的信息都可以使實時的傳到自學習的大腦里面，去實時的進行他的模型的優(yōu)化，從而為下一個客戶、下一秒進行跟我交互的客戶進行進一步的優(yōu)化。

所以它所產(chǎn)生的業(yè)務(wù)價值會不斷的反復(fù)迭代的進行優(yōu)化提升，各位可能不相信，那我們就拿一個中國的運營商的例子來跟各位做一個分享，那這個客戶是一個運營商，在中國境內(nèi)也是三大運營商當中的其中的一個省份的客戶，他拿這個平臺做了一件事情，就是各位經(jīng)常會遇到的，就是外呼是一個很經(jīng)典的營銷手段，其實今天有很多的人都收到一些騷擾電話，同時call center的人員也很苦惱，他每天要打非常大量的電話，但是收效甚微，那么oracle怎么幫他做到進一步的優(yōu)化和實時的進行自主學習，你會看到左上角是這個系統(tǒng)的一個邏輯架構(gòu)圖，左邊是這個客戶已有的大數(shù)據(jù)平臺，上邊是客戶和他的客服人員，這些都是我們系統(tǒng)之外的一些現(xiàn)有的客戶的IT架構(gòu)，沒有什么特別的。在中間就是這個叫決策平臺，這個決策平臺是在他這個項目當中，引入的唯一的一個新的技術(shù)點，那么這個新的技術(shù)點它最后的產(chǎn)出，我們先看它的結(jié)果，它的結(jié)果是能夠和它傳統(tǒng)原來在采用第二代大數(shù)據(jù)應(yīng)用，這種千人千面精準營銷的這種應(yīng)用場景之后進步的，能夠提升外呼的準確度達到4到5倍，換句話說就是400%到百分之500的提升。

那么同時我們把精準營銷的準確度，原來這個客戶他打一百個電話，其中只有1.3個電話是接起來說，我愿意繼續(xù)聽下去的�？赡芨�少的客戶聽完之后說，我愿意去對你這個電話的推銷的產(chǎn)品進行采購或者是購買，但是通過這個平臺之后，它的精確度提高到了15~20%，他100個客戶里面有20個客戶愿意接受達到這個電話的內(nèi)容的推銷信息，同時給他的年銷售增長過千萬，投資其實并不是特別大，那它是怎么做，我們看到在它一期項目實施的過程當中有這樣一張圖，這張圖我們給各位做個解釋，在這個圖的左邊的紅色這根線是在他使用這個平臺之前，其實很簡單，這個客戶說如果我把我的數(shù)據(jù)庫，我這個大數(shù)據(jù)平臺里面所有的客戶全部打完，當然是能夠達到這個最終的目標。

因為會買的就是那些客戶，不會買的還是那些客戶，是一個直線，但是采用了自學習的平臺之后，你會看到當我打到所自學習平臺里面提供的10%的客戶的時候，他已經(jīng)能夠?qū)崿F(xiàn)95%的客戶精準響應(yīng)，換句話說，我只需要打開整個運營商里面10%的客戶的名單，他已經(jīng)能夠拿到百分之60不到的。原來需要打完全部客戶名單的這樣一個結(jié)果，當達到20%的客戶的時候，他的響應(yīng)完成都已經(jīng)能夠接近到80%，換句話說，對于呼叫中心的人員來說，他的工作量可以降低原來在百分之二十，而受到騷擾的客戶，也可以減少原來的80%。

同一時間你會看到整個平臺，我們說是自學習，所以它有各自學習曲線，這跟就是自學習曲線，但是在呼叫名單里面的一個響應(yīng)情況你會看到一開始它的響應(yīng)的實現(xiàn)或者達到率其實并不高，因為一開始運營商給到里面的模型并不是特別科學的，雖然它用了很多的數(shù)據(jù)可視化分析的工具，結(jié)合了很多的業(yè)務(wù)的理解，把它自然認為非常精準的客戶畫像或者說是標簽輸入到這個平臺里面。但這個平臺當它打到第二批的客戶的時候，你會看到它的精準度已經(jīng)提高到接近50%。當它打到第三批客戶的時候，它的精準度基本上已經(jīng)達到70%以上，所以他在不斷的跟客戶交互的過程當中收到了客戶經(jīng)過呼叫之后的一個響應(yīng)。哪些客戶收到電話之后，愿意繼續(xù)聽下去，這是繼續(xù)學習的一個輸入，而不是以前。我們分批事后做完這個活動之后，再把這些信息輸入到系統(tǒng)里面做，他是實實在在里面進行學習。

那么這個是在呼叫過程當中，所有的這些呼叫線路的內(nèi)容你會看到，從第一第二批呼叫的響應(yīng)度并不高的同時，到之后的第三批開始就呼叫的響應(yīng)速度就非常高了，那么有很多的客戶就很關(guān)心，說既然是一個黑盒子，oracle把這種機器學習已經(jīng)全部自動化結(jié)合在里面，那對于我們業(yè)務(wù)人員，他是不是完全不知道機器在背后做了什么，其實也不是。以前我們說很多機器學習的應(yīng)用還是需要人去在里面進行一些設(shè)定，但是現(xiàn)在oracle給到的這個方案是說你不需要做設(shè)定，而你需要看結(jié)果，這個結(jié)果不是傳統(tǒng)意義上的可視化或者是統(tǒng)計分析的結(jié)果，而是告訴你每一個精準的個體你所輸入的任何一筆數(shù)據(jù)，它對你所希望產(chǎn)出的事件的重要程度是什么？你會看到左邊欄目里面就是在這個客戶所輸入的，它所以有的一些事件或者說是營銷活動。這個是他營銷的市場部門之前制定的一些營銷的內(nèi)容，這沒有什么特別的，但是特別的是。

我們會看到在平臺里面用戶可以直接看到經(jīng)過機器學習之后，他告訴營銷人員系統(tǒng)里面大數(shù)據(jù)所記錄的人的各種類型的屬性，比如說各種的消費的屬性，這些屬性針對每一個營銷活動哪個屬性，它所起到的重要程度最大？并且不是一個屬性，而是把所有的屬性的重要程度打分全部羅列在一個屏幕上面，而且這個打分會隨著機器的學習和應(yīng)用的不斷深入，它的打分會越來越疲于精準，我們的用戶可以每秒去看這個平臺，里面給到用戶說我背后用戶的背景信息的哪些屬性是最重要的？對于我此次進行的這樣一個市場營銷活動。

同一時間，除了重要度之外，有些業(yè)務(wù)人員還很關(guān)心的是這些屬性的數(shù)據(jù)分值是怎么分布的？有些業(yè)務(wù)人員他想知道，既然這個屬性很重要，那么當數(shù)值落在什么范圍之內(nèi)的時候，對我進行這一次當期的這樣一個營銷活動是最重要的，所以我會看到在這個平臺里面他也會給出機器在所有的這些課護不斷的跟它交互過程當中，所學到的這樣一個知識，他會告訴你最接近于對營銷活動響應(yīng)的數(shù)值是多少，同時當這個數(shù)值在某一個范圍之內(nèi)的時候，用戶的響應(yīng)程度會比較偏高，其實這也是后可以對于我們一些營銷人員，去進行一些創(chuàng)新的營銷活動的設(shè)計，帶來一些更好的想法。而不是讓用戶自己去想這些數(shù)據(jù)怎么分析怎么去用？

可以直接讓機器跟用戶去交互，把最終的結(jié)果呈現(xiàn)給業(yè)務(wù)人員，就這么簡單。那么當然除了外呼的場景之外，其實在運營商的場景里面還有很多，比如說我們手機端應(yīng)用場景也可以結(jié)合這樣一個黑盒子的智慧大腦去應(yīng)用，比如說基于地理位置，營銷行為的優(yōu)化或者是基于一些在線的網(wǎng)站，進行這些數(shù)字活動的營銷優(yōu)化。那么再舉一個例子，這個例子是oracle在幾年前就已經(jīng)和我們的一個國外的運營商，做的一個也是結(jié)合智能平臺的這樣一個智慧的這樣一個網(wǎng)站。智慧的網(wǎng)站是說每個用戶它登陸到這個網(wǎng)站的時候，它第一時刻這個網(wǎng)站就會知道你是誰？你用過我就運營商什么產(chǎn)品？你目前這個服務(wù)所處的一個狀態(tài)是什么？有沒有欠費？有沒有數(shù)據(jù)流量不夠，有沒有一些其他的一些問題，同時它也在背后會了解到你這個用戶有沒有一些投訴的反饋信息，基于所有這些信息，這個網(wǎng)站會自動的給到每個用戶，每一個人都不一樣的這樣一個展現(xiàn)的。

在頁面里面，同一時間還可以叫實時的進行機器學習，它怎么做的就是每一個框，上面用戶只需要有點擊，無論它點哪里，這個點擊的信息，就會返回到這個機器學習的平臺里面，去進行實時的進行模型的優(yōu)化，而不需要IT去參與，只需要用戶在這個平臺上面有任何的點擊，這個模型就會進行優(yōu)化，所以當它這個網(wǎng)站上線不到一個月的時間，它發(fā)現(xiàn)這個網(wǎng)站上面的廣告的點幾率，比原來提高了接近五到六倍，因為原來他不知道在什么地方放什么廣告？用戶會點或者給什么用戶看什么廣告，用匯點。

同一時間，它連接這個平臺之后，它也不需要業(yè)務(wù)人員去做分析，也不需要IT在背后天天去調(diào)用復(fù)雜的模型了，機器會自動的去優(yōu)化，這樣一個平臺，將這個廣告的推送率做到進一步的優(yōu)化。當用戶點擊完之后，他還做了一件事情很有趣，雖然email現(xiàn)在大家都是手機端進行處理，但是EMAIL還是營銷的渠道之一，所以運營商在用戶點擊這個平臺之后。那他還會給用戶發(fā)一封電子郵件，同時它會根據(jù)用戶訪問這個網(wǎng)站的時間以及他在網(wǎng)站上面瀏覽的時間長度去自己優(yōu)化。我什么時候發(fā)這個email，因為大家有時候工作很忙，在一廟里面會收到非常多的垃圾郵件。當如果你所發(fā)送的精準廣告淹沒在一堆的垃圾郵件的時候，你可能這個廣告的效率也不是特別好，所以它背后它還收集說用戶點擊我網(wǎng)站的時候，可能是它有時間去上網(wǎng)的時候，這是第一。

第二它去了解用戶收到EMAIL之后打開的時間，它進一步的了解這個用戶在emali平臺里面它怎么去處理這樣一些數(shù)據(jù)，把兩者結(jié)合之后進一步的優(yōu)化發(fā)送郵件的這樣一個時間，讓用戶在他最后最希望了解信息的時候，收到這樣一封電子郵件，這是另外一個客戶的實際的例子，當然我們會看到這個平臺其實在精準營銷場景之外，其實還有很多的場景可以進行使用，只需要兩個前提條件。第一，把這個平臺接到現(xiàn)在的數(shù)據(jù)平臺上面，無論是不是oracle都可以，你可以使自己搭建的大數(shù)據(jù)平臺都可以。

第二連接到和客戶交互布的渠道之上，這可以是call center可以是排隊機，可以是網(wǎng)站，可以是你的手機端APP也可以是其他你任何的，只要跟客戶有交互這個交互式，可以給他進行自我學習的數(shù)據(jù)的動力，那么在這個過程當中舉了一些例子供各位參考。其實這些例子我們在不同的行業(yè)，不僅僅是電信行業(yè)，也有很多客戶拿這個平臺進行一些應(yīng)用的創(chuàng)新。

那么在這個平臺后面，其實oracle還結(jié)合了海量的這種機器學習的算法，只是羅列一下，因為本身這個平臺是全自動的，只是給各位做一個參考，當中會涉及到區(qū)域內(nèi)回歸、關(guān)系規(guī)則、屬性重要性、異常檢測，還有文本編輯特征分析時間序列等一系列現(xiàn)在非常主流的機器學習的算法在這個平臺里面進行，已經(jīng)打包在里面進行使用。當然如果我們的用戶說我如果用到這個平臺之后，我還希望結(jié)合第三方的一些工具，對這個結(jié)果進行可視化的時候，當然你也可以結(jié)合今天會上談到得很多第三方的非oracle的廠商把這些最終的結(jié)果進行數(shù)據(jù)可視化。

當然oracle也提供了結(jié)合機器學習算法在內(nèi)的這種可視化的展現(xiàn)工具，包括幫你把這些數(shù)據(jù)的分類、異常預(yù)測、回歸等相應(yīng)這些數(shù)據(jù)把用可視化的這種方式展現(xiàn)給業(yè)務(wù)人員，讓他再利用到機器學習創(chuàng)新的能力之后，還可以了解到機器在做些什么，自己在做些什么，那么最后我們看一下，除了其實oracle做的事情很多，因為今天時間的關(guān)系，我們就舉其中的一個例子，也是變在比較火的機器學習的這樣一個例子，來引申出大數(shù)據(jù)的一種應(yīng)用。當然除了這種機器學習之外，在數(shù)據(jù)管理、數(shù)據(jù)實驗室、還有快數(shù)據(jù)就是我們現(xiàn)在講到的物聯(lián)網(wǎng)場景，上面包括還有企業(yè)級應(yīng)用，包括前報人工機器，智能機器機器人聊天等等，這些應(yīng)用場景上面oracle都有相應(yīng)的一些解決方案，如果各位有興趣的話，也可以會后我們進行一個交流。好，那我今天所分享的內(nèi)容就是這些，也再次感謝各位的時間。