MathArt | 机器学习模型商用大有可为

  车企在管理变革的过程中，首当其冲的是决策体系的变革。

文 | 董事长兼CEO 张椿琳

随着汽车行业的快速发展与变革，汽车企业决策面临周期越来越短，频次越来越高的挑战。传统决策方式已经无法适应当今企业发展现状，而且，在越来越多的场景下，人脑智慧和经验是无法快速做出最优决策的，所以车企在管理变革的过程中，首当其冲的是决策体系的变革。

得益于互联网和数字技术的发展，各种传感数据、物联数据、统计数据、交易数据，以及图片、声音、文字等信息，帮助车企勾勒出了用户画像和行为轨迹，为管理者提供了决策支持的依据。在企业管理变革的内在驱动下，结合当下技术发展潮流，机器学习模型作为数据驱动决策的重要工具，其作用与价值日益凸显。

机器学习模型（以下简称“模型”）是利用大数据和算法来达成对现实世界的抽象和模拟。在商业领域，模型也可以理解为一种“兵棋推演”或者“决策前的演算”，充分利用大数据和算法，探索和分析重要的驱动因素，最终在数字世界里推算出投入产出最优的决策。

商业实践中，模型一般适用于以下决策场景：

1）具有一定频次的重复性。

2）决策结果在现实世界中与对象（可以是消费者）交互。

3）有足够的数据支持。如果场景符合以上特征，就可以应用机器学习的一般范式来进行模型构建。

接下来，我们来了解模型能够带来的商业价值。

首先，模型能增效。

相对于人类决策的局限性、主观性和不稳定性，机器学习模型具有穷尽一切可用数据的全面性、基于数据说话的客观性，以及大数据算法理论加持的有效性，从而确保更优的效果。

例如，根据最近的谷歌数据，机器学习技术新葡的京集团3512vip首页生成和投放的广告，能够为消费者创造更丰富的体验，同时，与其他展示广告相比，新葡的京集团3512vip首页展示广告的转化次数平均高出20％，为品牌带来更好的广告效果。

其次，模型能降本。

模型是数字化自动执行的，所以基于模型的每一次决策边际成本接近于0。例如，对线索购车意向概率的判断模型，线索判断可以通过系统对接的方式，周期性自动化同步到DMS系统，并通过DCC进行外呼。同时，也可以配合MA等自动化工具，连接公众号、小程序、企业微信、第三方电商平台等企业自有触点，实现决策结果自动化触达客户。

另外，基于模型的决策体系，执行过程可监控可管理，决策逻辑可迭代可升级。

举个机器模型在业务端应用的例子。基盘客户的营销并促成增购或换购，是主机厂销量来源的一个重要组成部分。基盘客户营销通常由业务驱动决策，依靠业务人员经验，由经销商线下批量抽取目标客户，再通过营销专员逐个进行外呼。采用这种传统方式产生的营销名单转化率低，执行过程难以监控与评估，而如果基于模型进行决策，则可以充分利用各个业务系统内沉淀的大数据，包括DMS、线上触点、车联网等，从多个维度对基盘客户增购或换购的决策过程进行建模，提炼关键因素，最终实现高意向客户名单的产出。从商业实践结果来看，模型产生的营销名单，转化效果数倍优于传统方式。

从以上案例我们可以看到，机器学习模型拥有巨大的商业价值。举个例子，在某车企新葡的京集团3512vip首页客户运营平台的模型中心，用户可以清晰地看到目前所有成熟的算法模型。

根据自己的兴趣和需求，用户可以查看该模型的算法原理以及模型训练结果。例如，点击“增换购意向识别”，即可查看该模型的历史更新记录以及模型训练结果指标等信息。

最后，用户可结合实际业务需求选择对应的模型一键安装，即插即用。例如，用户安装了“增换购意向识别”模型，即可在客户中心的客户分组模块中使用，假设用户选择了增换购意向指数在9~10分的客户进行营销，那么同时还可以看到该分数区间的预计客户数量以及在整体基盘的占比，帮助业务人员更加直观地了解目标客户的覆盖情况，以便及时调整营销策略。

机器学习模型是企业实现降本增效的利器，但模型价值的实现极度依赖大数据，而大数据的获取又取决于企业的数字化能力。当前模型应用较为成熟的行业，都有强大的数字化能力，例如电商、金融、零售等。而在汽车行业，业务主要在线下开展，虽然模型等新的决策工具已经开始逐步应用，并产生了一定的效果，但要充分实现模型的巨大价值，还需要企业数字化能力的进一步提升，将更多的业务过程数据完整而准确地留存下来。

因此，我们可以清晰地看到汽车企业的数字化转型路径，首先需要建立强大的业务数字化能力，借助适应汽车行业特性的数字化工具，将真实世界的各类客户行为完整地映射到数字世界，为模型构建和应用打好基础。结合当下的商业实践，通过不断构建和迭代模型，实现模型决策结果的最优化，当模型被越来越多地应用于商业决策场景时，也就真正实现了数字驱动决策，完成了决策体系的变革。