让AI/ML技术扎根行业 激活企业的全新商业价值
数字经济时代,数据无疑是关键的生产资料,对企业发展有着重要的指导意义,而如何有效挖掘、处理、分析、管理这些数据资产,则是摆在企业面前的一道难题。成立于2004年的ElectrifAi是一家人工智能和机器学习解决方案供应商,专注于提供“Last Mile AI”,希望通过实用的AI/ML技术从根本上改变客户的业务模式,增加营收、降低成本、控制风险。“我们会用先进的AI/ML模型算法,与具体的业务场景或痛点相结合,建立一座桥梁,可以快速、高效地解决客户的问题,这就是我们定义的‘Practical AI’,希望为企业带来实实在在的业务产出。”ElectrifAi中国区总经理、全球大数据分析副总裁、全球人工智能战略总裁孙娴在接受采访时谈到。
ElectrifAi中国区总经理、全球大数据分析副总裁、全球人工智能战略总裁 孙娴
(相关资料图)
ElectrifAi服务于银行/保险/投资、零售、制造等领域,可以提供超过1000个被市场验证的预先训练的机器学习模型资产(模型工厂),能够快速部署,加速数据到价值的链路,降低企业试错风险,有效提升ROI。通过对企业共性需求的挖掘,ElectrifAi沉淀了基于SaaS服务的AI产品和算法中台Signal Hub,可以根据企业所处的业务阶段制定相应的方案实施策略,帮助客户夯实基础能力,聚合数据资源形成场景化的决策链,借助AI/ML模型获取实际收益。ElectrifAi会先明确客户的需求优先级,例如是提升营收、风险管控还是降低成本,之后进行数据的清理和标准化操作,将模型算法与行业经验相结合,融入客户独有的数据、标签、字段等信息,有针对性的调整或定制模型来解决相应问题。
ElectrifAi的模型资产具有行业属性,覆盖银行、保险、制造、消费、零售、电商等领域,可以通过多种模型的协同效应解决供应链、需求预测等复杂的问题。在模型工厂中,ElectrifAi融入了机器视觉(目标检测、跟踪和定位)、加强学习、深度学习等能力,例如,加强学习在前端营收上形成了一套完整的方法论,可以结合客户的反馈不断优化模型和策略,直至达到最优解,迭代的频率可以周或天为单位,在一个月内达成目标,深度学习则主要体现在机器视觉和自然语言处理的应用。在新数据加入的时候,ElectrifAi会评估其与已有模型的关联性,并进行初步分析找出相应的特性,发挥出对模型增益的作用。在加强学习时,会尝试把新数据放到模型中观察有效性,或在闭环迭代过程中监控模型效果,以得到最优解。
通过使用预训练的模型,结合为业务场景定制化的解决方案,客户可以快速看到反映在业务上的商业价值,而不必对已有的技术架构做过多的改变。对于全新的业务场景,ElectrifAi会和客户携手共建,借鉴已有的行业经验快速构建对应的解决方案。同时,ElectrifAi也会在图像识别、文本挖掘、机器视觉等应用时运用开源的模型算法,在大规模通用模型的基础上根据个性化需求进行定制的二次开发和训练。
在金融行业,ElectrifAi会帮助企业搭建数字化经营的管理体系。在业务场景化方面,以基于场景化的营销方式获客,提升存量客户的粘性,定位重点客群进行产品创新;在数据平台化方面,打通数据孤岛,在数据上形成完整链条,建立数据中台和客户360洞察体系;在科技智能化方面,利用大数据和AI技术赋能业务,建立智能风控、智能定价、智能推荐、智能客服体系。
ElectrifAi在银行业的核心能力主要体现在两个方面,一是贯穿零售金融风险管理全生命周期的风控解决方案,例如贷款前的客户审批(申请、初始额度分配、客群定制化、反欺诈等),贷款中的客户监控(固定/临时额度管理策略、分期费率差异化定价、实时交易授权、欺诈交易授权决策等),贷款后客户催收(催收评分卡、差异化催收处置策略、失联修复策略等)。二是成熟的机器学习建模技术定位客户生命周期阶段,在不同的业务阶段结合机器学习模型给出相应的应对措施,包括针对性获客、精准营销、流失预警、客户激励等等。
这些全生命周期的能力将通过客户洞察平台形成数据-洞察-客户响应的闭环反馈,首先是全渠道的私域/公域数据整合,找到并识别客户,通过唯一客户识别号构建客户线上线下全渠道的行为轨迹,利用测试学习的机制量化每一次营销活动的投产比,根据客户反馈持续进行闭环迭代,优化活动的设计和发放,达到最优解。ElectrifAi帮助国内某保险金融公司打造了精准获客营销体系,利用数据分析技术和机器学习模型(有监督&无监督)为每个客户设计了基础型和洞见型的标签,提供360度画像,包括客户的购买需求、富裕程度、品牌忠诚度等信息,帮助企业提高生产力、缩短业务上线周期。国内某股份制银行的信用卡中心在ElectrifAi的帮助下,在移动APP上根据客户的行为轨迹、行为特征、个人偏好等进行个性化推荐。
近年来,供应链数字化发展迅速,不少企业都建立了计划系统、采购系统、生产系统、配送系统等信息化平台,把管理对象和工具数字化,随时随地了解供应链的状况。在此基础之上,管理决策也实现了数字化,把业务沉淀的数据通过算法赋能形成智能供应链,提升运营水平。“我们希望通过AI对企业经营的赋能,帮助企业在运营管理、供应链优化等场景提供数据决策支撑建议,包括利用数据进行精准预测、智能决策、优化网络架构、优化配送路径、判断用户喜好等等。”ElectrifAi中国区联席总经理、产品与解决方案副总裁杨海愿表示,“从营销去刺激企业增长到了天花板时,供应链会是非常好的突破口,可以帮助企业降低成本,提高竞争力,并且通过供应链的优化,会吸引到更多的忠实客户。”
ElectrifAi中国区联席总经理、产品与解决方案副总裁 杨海愿
杨海愿介绍称,供应链的优化可以从六个维度实施:建立规范预测体系,提升预测准确性;建立在预测基础上的成品备库优化,提升成品库存周转率和市场需求满足率;优化库存分配及过程库存管控,提升流通库存周转;优化仓储及终端分配、配送路径,提升配送实效,降低配送费用;优化仓库的设置点位,降低运输成本,提高服务水平;优化终端品类及补货、营销决策,提升售卖营收和产品动销率,降低缺货比例。
在零售领域,供应链和营销结合得愈发紧密,产销协同就是其体现之一,可以把库存控制在相对合理的水平。这一过程中,ElectrifAi希望通过算法建立产销平衡系统,与营销平台实现自动化对接。例如,ElectrifAi帮助某客户建立了以客户为中心的营销活动。每一个优惠券、营销活动和商品SKU都通过ElectrifAi创建的标签进行定制化,并根据客户的需求和人生阶段,以产品种类的粒度按周发放。ElectrifAi从一年发送的电邮和邮件定制化营销活动中,为客户提升了5800万美金的销售营收。
在中国市场,ElectrifAi会提供端到端的解决方案和数字化转型咨询,把最佳实践、行业经验融入通用数据模型、认知标签特征、预训练模型等资产,支持前端的业务场景实施,形成闭环的优化机制。“我们非常看好中国市场,也愿意花非常大的精力去投入,把多年积累下来的国内外先进经验带给国内的客户,加速数字化转型的进程。在战略层面,我们会继续深耕国内市场,要在大数据、人工智能和机器学习的赛道上,占有一席之地。”孙娴说。
标签: 人工智能