AI前线导读：

在这个五句话不离大数据和AI的时代，让我们来看看它们给我们带来了什么，以下是麻省理工科技年度科技评论近5年来评选出的“全球十大突破性技术”，我们为每一年挑选了一项作为例子。

更多干货内容请关注微信公众号“AI前线”（ID：ai-front）

前言

在这个五句话不离大数据和AI的时代，让我们来看看它们给我们带来了什么，以下是麻省理工科技年度科技评论近5年来评选出的“全球十大突破性技术”，我们为每一年挑选了一项作为例子：

2014年，脑部图谱（Brain Mapping）
2015年，基因互联网（Internet of DNA）
2016年，分享型机器人（Robots That Teach Each Other）
2017年，刷脸支付（Paying with Your Face）
2018年，AI共享（AI for Everybody）

从这些例子不难看出，大数据和AI已经引领了整个技术的突破，为人类的美好未来带来了不可估量的影响。这个潮流，确实难以抵挡，那么不如就投身其中吧。

对大多数软件从业人员来说，我们不知道如何开发大数据或人工智能项目，甚至不知道如何进入这些领域。事实上，市场的反应已经能够体现所谓的“热炒”或者“热潮”，特别是：

作为企业老板，意外收获了一笔投资
作为业务部门，面对大量的数据
作为分析部门，想变得更聪明
作为开发部门，被用户抱怨越来越慢

可以看到，各个职能部门都多多少少会受到影响，目的也是想在井喷的信息量中获得洞见。下面这张图把业务按照数据和分析这两条线进行拆分，它们相辅相成，大数据和AI分别从传统数据和BI扩展而来，并形成一个闭环。

我将从几个不同的视角对这个问题做一些思考：如果你想要从零开始做一些大数据和AI相关的事情，该如何思考，该如何行动，该如何与正确的人一起做正确的事。文中没有提及任何与流行的大数据或AI相关的技术或产品，因为那是下一步甚至是下下步才要做的事情，这里只是做一个引子和方法论介绍。

企业视角

这是一个很大的主题。如果我们从这个视角看问题，可能什么都看不清楚，因为我们并不是创业家，不用思考生存获利的问题。不过我们可以有如下操作：

1. 如何驱动愿景或策略？

我有一个美好的初步愿景，为了成为人人敬仰的Doctor Who（神奇博士），为了人类能够决定自己的命运，为了大家都能受到启发，为了推广这些概念，为了生活变得更丰富多彩，为了人人都能成为大数据或AI专家。

有点想法总是好的，没准哪天实现了呢？为此，我需要一个品牌，姑且就叫它“Simple Man”吧。为什么不叫“Super Man”？因为是刚刚起步，所以还是不要定太高的目标。

在刚刚起步时，可以试着像大多数人一样表现得毫无畏惧。大数据，无非就是数据多些，不规范些；AI，无非就是智能些，只是比无知多点技能罢了。

SWOT（态势分析法）说，我的优点是懂点皮毛，我的缺点也是懂点皮毛。这样显然是不行的。我们要真的知道自己的竞争力在哪里以及和别人的区别在哪里才行。差异化决定了你是不是真的“神奇”，不然人人都是神奇博士了。“人人都是产品经理”或者“人人都能发财”，这些只是骗人的宣传口号。

接下来的市场计划，我得参考黑客增长（growth hacking）一样做一些病毒式宣传，在聊天工具上贴些文案，央求他们转发，以便增加点击率。种子用户总是那么的善良，他们愿意帮助你，因为他们百分百相信你是专家。

2. 什么是可执行规范？

说总比做容易得多。所以，要建好一所房子，光想是不够的，要付诸行动把它造出来。如果碰巧腰不好，或者没这个手艺，那么至少得告诉建筑工人你想要的弧形吧台是什么样子的。

规范，在英语里是Specification，缩略语为Spec。那么什么时候需要用到规范？当你的下游（你是老板，下游就是你的经理；你是用户，下游就是业务分析师；你是产品经理，你的下游就是技术人员；你是技术人员，你的下游就是测试或者支持人员）需要和你对接工作时，你得写点东西，你可以随便写点，然后等着挨骂；或者，如果你不想挨骂，就逼着他们签字画押，如果出了问题他们就不会找你，这样就合同化了，就成了规范了。

大数据的Spec怎么写？AI的spec怎么写？其实不难，可以通过大数据和AI技术来写大数据和AI的Spec。搜集网上所有包含这两个关键词的海量信息，大数据就有了。然后，你希望用这些数据来做些什么？对了，前面说了，我想成为一个神奇博士。为了它，我得具备神算子的本事（像极了算命先生）。作为神奇博士（或算命先生），不管谁问我问题，我都应该能够解答。

“可执行的东西”是指SMART（Specific/Measurable/Attainable/Relevant/Time-bound）的人能够在规范里写得出来的东西。那么多的机器人每天阅读很多信息量，你也可以，训练你自己，有人做到了，你也可以做到。

于是，一个可执行规范就有了，不管*谁问我任何问题，我都能解答，并且，我未来真的可以做到，不然就是忽悠，而不是规范了。

3. 什么时候达到目标？

好了，一个月过去了，好像什么也没发生。我正在找工作，但是没找到。神奇博士不太“神奇”了。虽然我每天写500字的KPI是完成了，但和我原来的美好愿景还是有些差距。我的目标应该重新定义下，比如混个职业经理的职位如何？稍等，我不是已经就是个职业经理了吗？还是再来梳理一下吧。

目标还是想当个神奇博士，那么：

每天阅读2篇有关大数据的需求文档
每天阅读2篇有关AI的技术文章
……

但这些KPI无法把我自己推销出去，这些只是我的短期目标，我要设法活下去才能实现最终的愿景。

4. 正确的方向在哪里？

看来是方向不对。愿望虽好，但有点不太切实际。像下面这样改一下，是不是好很多？

每天阅读2篇一流互联网企业需要的大数据需求文档
每天阅读2篇一流互联网企业需要的AI技术文章

（Brand）自己是谁？（Revenue）价值是什么？（Success）是不是能成功？（Launch）**路线图好不好实现？(Pipeline) 有没有计划？(Product) 学得会新技能吗？(Milestone）里程碑是什么？（Lifecycle）你能活到那个时候吗？（Addedd Value）**能带着别人一起玩吗？

这些问题不用多解释，但值得深究。

客户视角

什么是用户？用户就是用你东西的人，就是这么简单。

1. 谁能发现这个机会？

一张来自eWeek的分析图表显示，客户仍然是大数据最大的直接受益者，这点无论何时都是毋庸置疑的：

我们都知道，产品要给用户带来良好的体验，他们才会“使用”产品，才会好好地“使用”产品，才会反复“使用”产品，才会很久之后还知道怎么“使用”产品。

机会在哪？无处不在。问自己几个问题：

你如果是用户，想得到什么？先去了解。
用户在日常生活中是如何进行体验的？其他产品是怎么做到提供这些体验的？先去学习。
用户得到了最想要的东西了吗？反复思考。
用户最不喜欢什么？反复反思，有时候这比前一个更关键。

一句话，用户想花最少的钱获得最佳体验。别反驳，如果你作为一个用户，肯定也是这么想的。

2. 向什么看齐？

通常，产品越做越起劲，但老板却跳出来说这不是他们想要的。这个时候你应该反思，而不是去顶撞老板。老板眼里只有利润和效益，90%的老板都这样，除非钱多了脑袋烧坏了。如果你说自己还不是老板，体会不到老板的想法，那么你就听话，向老板妥协并看齐。

有时候用户也会跳出来说，这也不是他们想要的。这个时候你要反思，而不是拖延。比如产品经理通常的反应是：对不起，我的计划表里排满了高优先级的事项，它们都非常重要，实在没法再快了。

用户认为一个产品好不好，他们的标准通常不会是你想的那样。所以，应该向什么看齐？把自己变成一个用户，这是第一步。否则，你和用户的关系将变成“偶尔治愈，常常帮助，总是安慰”。

3. 如何展示和发布？

很多人觉得，展示和发布很高大上，西装、发型和腔调缺一不可。其实不然，请注意乔布斯的蓝色牛仔裤，扎克伯格的灰色上衣。那么什么才是重要的？

乔布斯的PPT永远是那么简洁明了，让你看了就只想到一件东西，能做到这样就足够了。

所以，60秒就能让人们看懂的简单展示就是好的展示。
同样，10秒就能上手的发布就是好的发布。

我们有太多糟糕的展示和发布经验。展示了“一堆东西”，只为证明有好多东西。所以，我们从一开始就已经错了。价值主张是非常重要的，从一开始就要想清楚你要展示什么价值，否则你拿什么展示给别人？

4. 什么时候提醒或推荐？

在做出一个完美的产品之前，作为老板，是什么都不知道还是什么都知道的好？而作为用户，是什么都知道还是什么都不知道的好？

作为一名大数据和AI的应聘者，我希望知道：

如何能知道我的个人竞争力？（我需要一名职业规划师，懂大数据和AI。）
哪里能体现我的优势，并打败我的竞争者。（我需要一个招聘网站，用大数据和AI来开发。）
找到合适的企业，好的文化、价值观，行业合适，技能合适，最好还要离家近不出差。（我需要一个猎头，动大数据和AI。）
面试者会问什么？他们对我满意吗？他们都喜欢什么话题？我是不是可以再提高一下，这样就可以加入心仪的企业，毕竟我真的是个人才，只是面试发挥不太好而已。（我需要一个HR，懂大数据和AI。）
好吧，被拒了就被拒了吧。我开始反思，我究竟缺了哪些东西？我是不是找错了对象？（我需要一个顾问帮我分析分析，或者我也也可以自己来，毕竟我懂大数据和AI。）

谁能提醒或推荐给我？大数据和AI世界，机会无处不在，要看你在哪里以及在想什么。

商业视角

商业是一种有组织的为顾客提供所需物品与服务的行为。

1. 具备洞察力吗？

洞察力揭示了这种行为的本质是什么。

人才：为什么下属总要我指导才能完成工作？工作超过5年的员工为什么这么少？
客户：上个月为什么没多少人光顾？这个月怎么顾客全跑去对面了？
企业：为什么那么多奶茶店只开半年就关门？为什么还不断有新的奶茶店开业？奶茶店为什么都看起来都带有台湾风格？
商业：它家的商品清单好长，到底卖的什么？不过每次排队的人很多是为啥？
流程：热线电话为什么总是打不进去？打进去也解决不了问题，到底有没有人管？

洞察力就是指回答所有这些问题并解释背后的原因。这不是一个从无到有、从有到多的过程，它有点像是回答如何提高孩子学习成绩这类问题，很难做到，并且能做到的是极少数。

2. 问题是什么？

问题一直在哪里，只是换了个问法。比如，数据和大数据、分析和高级分析。

让我们做一个对比：

普通领导易怒，就算最后事情做好了。高级领导易喜，就算最后事情做砸了。
普通数据，便利店。大数据，大卖场。
普通分析，描述性。高级分析，预测性。

所以，问题在于在解决问题时出现了问题。比如，数据太大、分析太简单。如果没问题，就没大数据和高级分析什么事。用高射炮打蚊子，资本市场常干这事。

3. 如何盈利？

来看看两个公式：

利润 = 收入 - 成本 - 费用
数据: 集市(Mart) => 仓库(Warehourse) => 湖(Lake) => 沼泽(Marsh)

我们可以做一个表来交叉分析上面两个公式：

不同类型的数据产品的利润到底来自哪里？很简单，从收入那一列就可以看出不同之处。因为它们处理的业务外延扩大了，除了Data Marsh。成本和费用出自哪里？考虑下面几个：

操作性
存储性
敏捷性
安全性

下面是百度指数的搜索热点结果（对比Data、BI、大数据、AI）

备注：2012年4月发生了什么？因为3月奥巴马在白宫发布了《联邦大数据研发战略计划》（The Federal Big Data Research and Development Strategic Plan），并提供了2亿美金，作为大数据时代开启的标志，所以“数据是什么”变成了搜索热词。

如何盈利? 看看你手头的工作跟这个有没有关系，如果没关系，那么就赶紧跟上这个趋势。

4. 什么时候做诊断？

洞察力我们可以理解了，好吧，下一步想想怎么量化它。

比如，上个月为什么没多少客户光顾？你需要做出一下诊断：

有客户光顾的数据吗？
有客户的信息吗？
有上个月的数据吗？
没多少具体是指多少？
谁想知道这些数字？
要多久以后才能知道？
知道了以后该怎么办？
做了一些事情以后，怎么知道做对了？
如果没做对又该怎么办？

流程视角

过程就是指如何完成一件事。人们需要管理过程，设计过程，相互沟通，并以高质量的流程向前推进，然后获得我们所期望的价值。

1. 我们需要管理什么？

对流程而言，从无序到有序，再去改进，要一步一步来。

随时问自己一个问题，什么需要管理？一个企业家白手起家，从0到10，每走一步都会碰到各种问题，有很多下属要管，有很多供应商要央求，有很多客户要迎合。甚至大数据也不光光是数据量大而已，它还涉及各种异构系统、各种渠道。

我们需要管理流程去应对内部建设，需要业务流程去应对客户。我们需要由内至外，比如Dev to Ops，也需要由外及内，比如Ops to Dev。不分先后，取决于那方实力更大。

那么我们到底该期望些什么？从人力到有经验的人力，再到半自动化，然后是人力和自动化打架，再到自动化替代人力，这个过程困难重重，不是你期望的就是正确的。编排无疑是流程中最重要的环节，让我们能够有的放矢，沉着应对。

除此之外，框架与流程相辅相成。企业可以有ESB，但你会发现其实核心竞争力不在这里，不过没关系，可以托管给SaaS/PaaS/IaaS。有趣的是，iPaaS还为大数据中的各种异构提供了支持。

AI呢？我们对AI有需求，有客户在催，但是不一定能做得出来。投入比产出大是常态，AI to Ops是一个解决办法。这是现在的一个炒作热点，所幸是刚刚起步，所以别犹豫。

2. 如何有效地设计？

首先，不管对业务还是对企业而言，每一步都要实现增值，这是毋庸置疑的。

其次，是标准化还是定制化？理论上讲，力推标准化有各种好处，这是事实。但在实践当中，人人都要求定制化，这也是事实。定位不同，目标也不同。

第三，是分布式还是集中化？就像找行业专家合作或培养复合型人才一样，一切取决于管人的经理是否能花50%的精力来做些事情，以及企业的价值观是不是把人摆在第一位，不然还是靠权力，如果是这样就别浪费时间了。

最后，学习学习再学习，B2C 或 B2B2C 或 C2C 或……最复杂的流程取决于最复杂的商业模式。

3. 与谁沟通？

只要有人在的地方就有江湖。只要有江湖，就有利益纷争。所以，只要你在江湖中，就要和利益相关者保持一致。

那么问题来了，谁是大数据和AI的利益相关者？不管是大数据还是AI，都不是一个人能够默默做出来的，需要很多人沟通交流。大数据和AI意味着总会有人各说各话，不可能都讲统一的语言。你要么雇很多翻译帮你去沟通，要么学习很多方言直接和他们沟通。

难点在于大家都想变成利益相关者，但这已经违反了客观规律。这也是很多想在这两个领域落地的公司举步维艰或失败的根本原因。该如何走出这个困境？不知道。

4. 在哪里添加工作流或质量检查？

BPM（业务流程管理）告诉我们，流程优化应该小步走，保持简单，甚至不要关注增值业务，而应该关注KISS或MVP原则。我们把质量这个词转化成一些问题，并经常问自己：

能不能完成业务的功能？
能不能很快达成一致？
能不能很快讲清楚？
有没有有人叫好？
不重要的东西是不是可以直接去掉？
是不是可以再简单点？

如果答案都是“是”，那么应该就没问题了。

至于AI应该怎么做，这个问题其实蛮难回答的。比如，AIOps是一个新的名词，现在的成熟度几乎为零，但是愿景很美好。对于将人脸识别应用在门禁中的场景，我们可以尝试回答以下这些问题：

能不能完成业务的功能？——可以替代门卫。
能不能很快达成一致？——人脸整容可能造成识别失败，不过还算信得过。
能不能很快讲清楚？——它就是门卫的替代品。
有没有人叫好？——老板会叫好，因为可以省人力成本。
不重要的东西是不是可以直接去掉？——要能够识别出你是市场部的？算了吧，这种花哨的功能不重要。
是不是可以再简单点？——可以用就行了。

技术视角

技术是一个很宽泛的词。全世界有多少技术人员？不知道，可能数以亿计吧。围绕技术的热门话题太多：

如何实现一个需求？
操作太复杂，怎么办？

技术决定生产力。那么什么是生产力？生产力是生产的价值，那么价值又是什么？对于大数据和AI而言，它是21世纪末期人类进步历史中呈指数增长的区域，而驱动它的，是同样呈指数增长的人类需求。

对大数据而言，价值不在于业务本身，而是业务的延伸。价值存在于“大”中，而不在于“数据”。
对于AI而言，一个基本问题是，为什么叫人工智能，而不是简单智能？价值无处不在，需要解决的问题也无处不在。这些全是技术的范畴。比如，如何存储数以千亿计的脑信息、如何识别一个人的喜怒哀乐。它不是简单的关联分析，比如一个人在看喜剧片，但他不一定开心。

我们可以更多地讨论如何看待技术，比如我们的同伴是谁、什么叫技术专家、怎样培养一个技术专家、什么样的技术人是合格的，这些问题都是面向人、能力提升、文化价值这类话题。

1. 在哪里建立伙伴关系？

为什么合伙人的工资很高？除了他是技术专家、是公司需要的人之外，他们与公司有着一致的目标。简单说，他们给公司带来很高的价值，反过来公司也给他们带来很高的价值，这是一种双赢关系。

那么，公司知道他们的价值在哪里吗？在招聘的时候可以知道其中的20%，但80%的人并不是公司原本期望要的人。如何识别候选人的价值取决于这个公司的文化。这是建立伙伴关系必不可少的步骤，当你发现需要花重金才能招到公司需要的高级人才时，应该反思一下。

那么，合伙人知道公司的价值在哪里吗？从CEO到实习生，层层传递，基本没剩下多少。而扁平的组织结构，除了解决了执行效率问题，也解决了价值观传递问题。

大数据和AI的合作伙伴比较难找，除非一起解决过双11的交易崩溃问题，否则你们的认知是完全不同的。要找到合作伙伴，就简单问对方：

为什么你要使用大数据和AI技术？
- 回答：挖掘用户行为特征。
为什么要挖掘用户行为特征？
- 回答：为营销、运营及决策提供数据支持。
为什么要为营销、运营及决策提供数据支持？
- 回答：因为市场需要扩大，企业需要提高价值，公司需要盈利。
为什么公司需要盈利？
- 公司盈利了才能发我高薪啊！！！

好吧，听到这里，合作伙伴关系就确定了。

2. 你是行业专家吗？

比如给用户提供自助服务，并不是简单地建一个数据库，用户就可以为自己提供服务了。它需要：

明白用户需要看什么数据？比如市场部要做渠道分析，如果不知道什么是客户维度、什么是NPS（Net Promoter Score）、什么是产品宣传（Campaign）就玩不下去。
知道用户什么时候要看数据，否则用户每天要花1个小时才能得到他们想要的数据，那么谁还会继续使用它？数据清洗、加工、整合、分析，能走到哪一步，取决于你对数据了解的程度。

Hadoop的生态圈产品随便一列就是几十个，从Kafka到Storm到Flink到Parquet，没人能完全解释清楚，当然也没这个必要。知道它们能解决什么问题，适用于什么的样场，再抱有从失败中进步的决心，这样就可以了。

3. 如何辅导？

作为一个工作导师（Mentor），你知道Google Analytics能用来什么，但你的下属知道么？最省力的做法就是发一个网站给他，然后给他2周时间。而通常在2周之后，他觉得浪费了时间，而你觉得他完全没有理解你的意思。

正确的做法应该是告诉他：

这里有一个流量分析工作，是为了给客户提供用户分析结果；
现在碰到一个问题，因为不知道用户的访问数据和访问方式，所以没法进行分析；
这里有一个工具，叫Google Analytics，它最基本的功能就是支持这类工作；
请你花2周时间拿出一套方案，告诉我怎么用它解决用户分析问题；
或者如果你有更好的方案，也可以提出来，我会因此感到开心的。

4. 什么是好资源？

一个有趣的问题，我们是需要什么都会但都不精通的万金油，还是只会一样但非常精通的专家？这个需要平衡，这是一个管理问题。我们需要的是一个会Java的、会Hadoop的、懂业务的、懂管理、会外语、会沟通、能演讲、非常细心、重视质量、有大局观、可以出差的人，因为他要面对老板、面对客户、会推销、会讨价还价、精通计划、知道权衡成本和利益、了解技术趋势、知道业务哪里出了问题……但是，世界上有这样的人吗？

针对上面那个问题，我们可以使用矩阵把人按照能力和态度分为4类。20%的企业认为态度决定一切，他们更注重过程，而80%的企业是反过来的，他们认为能力决定一切，更注重结果。

最后，怎样才算“好”？先问自己一个问题，我们有好的文化吗？如果有，那么可以去找出能和你保持一致目标的人，不然的话，烧钱吧。

会议推荐：

AICon

创作场景

从 5 个视角看 AI 和大数据实践