本篇來自 urAD 優愛德投稿，技術長張天豪撰寫。
AI (Artificial Intelligence) First 是在今年 Google I/O 上由 CEO -- Sundar Pichai 提出的全球方向 (註一)，而 AI 的話題在近期也不斷地發酵，姑且不論歐美各巨頭的論戰，即使在台灣的各產業也興起了一波波的 AI 熱潮，一堆沒人說得清楚但又好像很厲害的名詞不斷的出現，連科技部也跳下來準備投入 5 年 50 億的經費發展 AI 產業 (註二)，AI 霎那間成為神級如鋼鐵人從天而降般的角色，親眼看到的人不斷的闡述這個意象，更厲害的是從沒看到的人口中所聽到的描述，你會發現他們不但跟鋼鐵人是從小到大的朋友，而且比他的爸媽還了解他。
但其實鋼鐵人的的 AI 是 Jarvis....(小聲)
不過今天要討論的並不是 AI，而是 Data。Data 可以說是 AI 的養分，沒有 Data 的滋養，AI 是無法以任何方式產生的。藉由現在 Cloud Services (AWS, GCP, Azure) 的成熟，讓我們就算沒辦法像 Google 投入數百億美金在 AI 的發展上，不過從 Data First 出發是絕對可行的！
事實上 Data 一直以來都存在企業中，有的被系統化紀錄像是 ERP / CRM / EIP / CMS / DMP / BPM / HR.. 等等，而偏向知識，know-how 類型的 Data 則記錄在每一個員工的大腦裡，又有部分完全沒被記錄或記錄在他人的系統裡，例如網站上的行為存放在 GA，社群的資料存放在 Facebook 或 LINE，所以請放心，要打造屬於自己的 Jarvis 是絕對有機會的。
這是一個 go big or die 的問題，你如果同意 Data 是重要的，你的企業該如何在未來三到五年內，成為一個以 Data 為核心的企業，並讓 Data 成為你在商場上邁向下一步的競爭關鍵呢？
- 讓 Data 成為企業文化的一部份
不論公司的大小，如果你仔細的把工作流程或決策流程撥開來看，一定會發現有所謂「憑感覺」或是「從以前就這樣」或是「這是老闆說的」這類不盡合理但又相安無事的處理方式，而許多管理階層會把這樣的方式視為合理甚至是個人的能力表現，製造自己無法替代的假象，但其實反而讓公司無法正規的成長。如果公司有上述的狀況，那代表在這些狀態下，公司沒有收集足夠的資訊進行決策上的歸納與策略制定，
要打造 Data First 為核心的企業從管理階層在 mind set 上的改變是必要的，首先就要拋棄經驗法則，用 Data 挑戰或證實自己的想法，問自己：真的是這樣嗎？在這過程中，你會驚訝的發現人在 0.01 秒之內可以處理的事情需要多少的 Data，而這些 Data 通常不存在任何的系統裡。
對我來說，Data First 並不是要產生新的生意、換掉哪個職位或是多增加多少% 的淨利，而是讓每個部門，每個職位都有垂手可得的資料用於分析、討論、規劃等等。換句話說，你不需要去「要」Data，而是 Data 自動送到你的面前，進而讓所有的人產生對 Data 的想法和好奇心。這必須是一種文化，一種思維，一種呼吸的時候都感覺得到的氣味才能辦得到。
- 聚集以 Behavior 為主體的 Data，並且讓它產生關聯
剛剛提過了，企業本來就存在各種的 Data。依照不同的部門和目標，就會使用一個或多個系統或服務，而這些系統或服務所產生的資料大都是分散的，舉例行銷部門可能有媒體或廣告資料，業務或客服部門可能有 CRM 資料，技術部門有主機網路或服務的 Log 資料，管理部門也有帳務與員工的資料，這些分散的資料就如同分散的資源，連全貌都看不清楚，更別說綜效了。
看到這裡，如果你的想法是：啊！這不可能啦！那請自行登出，因為以下內容太過驚悚，不適合小朋友繼續觀賞。
但如果你的想法是：這就是我要做的！那恭喜你已經跨出第一步了。
首先，在資料收集上，你可以利用資料倉儲 (Data Warehouse) 來整合所有的資料，方法和工具大同小異，重點在能夠自動的收集 (collect)、監控 (monitor)、管理 (manage) 不同的資料來源和流程，不需要為了技術而技術，找尋適合你的方法即可。
而行為資料 (Behavior Data)，常常在企業中被忽略，例如想知道三個月前某一天的銷售大增的原因，大概有 8 成的行銷人員是用猜的，他們會說：應該是某一個活動或是某個產品大賣，但實際上的關聯和記錄往往沒有被規律的收集下來，所以你又會常聽到：上次這個活動蠻有效果的，但這次好像沒那麼好？當然很多事情是很難用單一變數來重複驗證，不過將 Data 收集下來做長期觀察是有必要的。
接下來先記住一件事：GIGO (Garbage in, Garbage out)，意思是說如果你收集的是垃圾，那最後產生的除了垃圾之外還會有其他的嗎？Data 的匯集當然不會是把所有資料丟到一個地方就沒事了，包括資料的採集、清理、對應、標籤... 等等，有許多的事情必須要做，這需要企業整體的共識，降低企業的投資風險，所以絕非單純屬於技術部門的責任。
假設你已經建立了一個資料倉儲，接下來就是把資料之間的關聯性建立起來，資料之間存在可能是強關聯也可能是弱關聯，而決定關聯的方式應由各部門提出，你要做的就是把所有的資料來源攤開讓他們做選擇，再由技術部門處理當中的邏輯即可。為什麼是各部門提出呢？原因很簡單，使用資料的部門絕對比技術部門更了解資料所代表的意義，你若作為部門主管，也應該會比員工更具有資料的敏感度，所提出的需求才能貼近實際的狀況。
- 讓員工升級，每個人都可以是資料科學家
許多台灣的企業，把員工作為生產線的一部分，用各類型的系統來對流程進行管理或是對產品進行良率提升，長期下來，你還沒把機器人訓練成人，到是先把人訓練成機器人了。另外近期有許多的企業開始注意 Big Data 的發展，紛紛的開啟資料科學家 (註四) 的職缺，希望藉由資料分析找出 Data 的價值，但是整個流程耗時費工，成本又高，效益極難評估，很多公司只是拿來當作說嘴或對外包裝的題材，而不是認真想做，這在大企業中最容易發生
你該了解的是，跟資料靠近的第一線人員其實才是對資料最有 Sense (註五) 的人，例如行銷人對行銷或媒體資料、業務對客戶或業績資料、產線對生產相關資料... 等，資料科學家再厲害，也要花很長的時間去了解資料的特質，也常發生分析出的報表被給予"這不用你分析我也知道"的評語。所以不如讓第一線人員可以使用一些工具，像是 Google Data Studio、Tableau 或是 M$ Excel，做適當的教育訓練，讓他們對資料產生想法或好奇心，鼓勵員工提出數據的觀察，說不定效果更好呢！
另外，通常員工在日常工作中的判斷是來自經驗的累積，但人的記憶是選擇性的，如果能將判斷標準的來源數據化，作為判斷的參考，好處是公司可以降低錯誤決策的發生機率，員工也可以更客觀的態度來處理相關庶務，甚至提供建議，讓資料的收集可以更完整，一魚多吃啊！
呵呵... 好像越說越難了！沒錯，搞定人絕對比搞定系統困難多多多多多了！想將企業打造成 Data First 的環境，就要讓員工也知道你是玩真的，懂嗎！
- 用數據做管理，拋棄數字管理
數字管理在台灣各產業都已經運行多年，在數字至上的企業裡，有著數不清的假 KPI 和無意義的數字作為管理績效的方式，以下舉兩個例子：
「例一」
目標：會員數增加
作法：舉辦加入會員抽 iPhone 的活動，會員三個月增加 130%
這類的活動一定會吸引到大量的會員，但大部分的會員可能根本不是你的潛在顧客，他們過三個月之後甚至不記得自己在哪些地方加入會員，而你說不定還辦了慶功宴慶祝會員破 xx 萬呢！
「例二」
目標：銀行衝信用卡申請數
作法：辦卡禮 + 強迫員工每月要有 x 張申辦數，信用卡申請增加 xx 萬張
你可以簡單算一下你有幾張人情信用卡完全沒用過甚至沒開卡，但銀行端在辦卡禮、製卡、申辦流程、帳單和管理，這些都是成本。銀行說不定還會辦激勵大會，發獎金犒賞優秀員工，銀行界的朋友啊！我相信你們懂，只是不想改變吧！
而數據管理的方式會如何進行呢？
第一：做長期的數據觀察－企業同時會執行有許多的活動 (Activities)，以上面兩個例子來說，持續追蹤經由這些活動對企業的影響是什麼，從客戶期間價值 (Life Time Value)、產品或服務的銷售、活動相關成本應做適當的攤提到每個細項做長期的評估。
第二：依數據設立目標並徹底執行－許多的企業分析是一回事，執行又是一回事，原因很簡單，都是因為管理階層還是做數字管理，員工在多做多錯的企業氛圍下，不敢挑戰新的方式，讓企業呈現殭化的狀態。再以上面兩個例子來說，如果目標改成：增加 30% 的會員年度貢獻度和提升 20% 的持卡人滿意度，整體的思維和進行方式就會完全不同，而有數據作為依據，企業的成長動能來源也可以更透明。
- 重心放在創新，而不是管控
企業創新是所有的經理人都在追求的，過去製造業的思維主要是管控，標準作業流程 (SOP) 幾乎每天都掛在管理階層的嘴⋯⋯對，你沒看錯，是嘴裡，在只有數字沒有數據的企業中，充其量只是把現有工作流程化或自動化，這和創新的定義有很大的不同，簡單來說舊思維是無法創造新方法的。
我們不希望變成一個僵化的企業，但在現在變化如此快速的環境中，如果一個 SOP 執行了 2 年都沒人能提出改善方式，在某種程度上可能存在很大的問題，又如果改善都是由管理階層提出，代表企業存在更大的問題，代表企業內部存在者被動改變而非主動創新的文化認同問題。
要成為一個 Data First 的企業，你就要學習管理數據，這裡說的並不是 data warehouse、database、dataflow 之類的相關技能，而是依照不同部門和職級分層進行長期且定期的 Data 觀察、定義、收集、監控與分析。個人很建議可以利用 Scrum 的管理方式來追蹤與數據相關人員的回饋，作為整體的溝通橋樑。
企業內部如果能透明且中性的看待數據，創新就有機會在很多地方發生，小數據也有機會有大發現，也許從服務流程、作業流程甚至是內部溝通流程都有機會產生創新，相同的是小創新也有機會有大表現。
- 讓 Open Data 成為企業目標
無庸置疑的這是最難的，但我強烈建議企業要朝這個方向進行，原因很簡單，當你把去識別化的數據開放出來，就有機會讓全世界的人幫你創新，看看 Google、Facebook 和各國際大廠過去 10 年的發展趨勢就可以明白，這裡就不多做說明了。
而最重要的，當你有能力將數據透過 API 開放出來，代表內部的數據的流程有相對高的完整度，當有了規格化的數據後，更有機會與合作夥伴進行合作；也可以像 KKBOX 或 Pixnet 一樣，舉辦 Hackathon 的活動來吸引人才，加速服務優化與創新；當然，你的數據如果有價值，一樣可以收費，甚至是新的商業模式都有機會藉由開放數據而誕生。
以上........ 你既然都有耐心看到這裡了，就讓我總結一下吧！
企業的發展能否永續誰也說不準，不停的向前是必要的，我想不只台灣，許多企業無法應對市場變化往往是無法掌握變化，在過去的工作經驗中，即使是高階經理人，其實也常常沒有頭緒，不確定下一步該往哪走，如果你能讓數據變成企業中的血液，攜帶養分隨著流動到每一個部門甚至員工中，當你用腦過度的時候，心臟就自然會打更多的氧氣上來或是呼吸的更用力來得到氧氣，一切是自然反應而不是命令得來的，你的體質自然會比其他人更好，更有機會抓住機會，應對挑戰。
以上幾點其實是寫給自己看的，看官如果覺得哪裡有問題，按關閉視窗就好！
而 AI 的境界，等我完成以上 6 點再告訴你喔～
(註一) 完整 Keynote 請看 https://www.youtube.com/watch?v=iDQihBEcTzU
(註二) 真心要發展 AI 的話，建議至少要佔國家年度總預算的 1%（約 200 億)，並拉升到國家戰略等級，而不是政策等級，方向應朝產業 AI 化，而非發展 AI 產業。
(註三) 小祕技：人才招募也要趕流行，你把資料分析師改成資料科學家，應徵人數多 30% 不是問題。
(註四) Sense 這個字太難用中文來描述，大概就是感覺、理解力、聯想力的綜合吧！
from INSIDE 硬塞的網路趨勢觀察 http://ift.tt/2CdVoBx
沒有留言:
張貼留言