业务目标驱动的基础与测试路由优化方案

任何企业的应用系统都是为企业目标服务的，这个目标可以是企业的使命、企业的愿景、企业的战略或短期内的小目标。服务与营销平台更是如此，如果我们将服务也看成是一种营销行为的话，那么这个系统就是为了实现企业的营销目标。本书开头“有机的企业”一章，引用了彼得·德鲁克对企业职能的描述，其中一个重要职能就是创造顾客，营销就是一个创造顾客的过程，服务也是营销。按照这个定义，所有的企业战略必须具备营销的目标，而预测式路由就是为服务与营销的业务目标服务的。

企业的所有行为和资源都是为创新和营销服务的，让营销的效率最大化是服务与营销平台的目标，也是企业的核心目标。要达到这个目标，就要找到产品、客户、市场、销售人员之间的匹配关系，进而优化产品设计，更精准地进行市场与广告活动的投放，通过培训或招募来提升销售人员的销售技能，然后通过营销结果的反馈对这个匹配模型进行持续优化。

这个日益优化的匹配模型就会成为企业营销的金钥匙，谁先找到它，谁就能够成为领跑者，并一骑绝尘。然而，这是一个非常复杂的网状关系，产品的特征与元素众多、客户与销售人员的标签层出不穷、市场投入方向千变万化，这其中可能涉及成千上万个变量，如果用基于规则的模型穷尽，则几无可能。

以服务与营销领域的一个核心问题——客户流失的预测模型为例，看一下技术是如何服务于这个经典业务难题的。对许多企业来说，获取客户往往代价很高，故此，客户流失带来的损失很大。一旦获得了客户，企业就会通过减少流失率来充分利用获取成本。在保险、金融、电信等服务行业，控制客户流失大概也是最重要的营销活动。减少客户流失，需要先识别出有流失风险的客户，预测技术能很好地完成这一任务。

历史上，预测客户流失的核心方法是一种被称为“回归”的统计技术。有一些研究聚焦于改进回归技术，研究人员在学术期刊和实践中提出并检验了数百种不同的回归方法，回归就是根据过去发生事件的平均值来寻找一种预测。在机器学习之前，多元回归提供了一种处理多种条件的有效方法，而且无需计算数十、数百甚至数千种不同条件下的平均值。回归运用数据去尝试找到那个将预测失误最小化、“拟合优度”最大化的结果；回归将预测的平均失误控制到了最低限度，对待大失误比对待小失误更加严厉。这是一种强大的方法，尤其是当数据集相对较小，能很好地感知什么因素对数据有用的时候。除此之外，回归模型渴望产生无偏差的结果，所以，要是预测得足够多，这些预测就平均概率而言是完全正确的。虽然我们喜欢无偏差的预测多过有偏差的预测（比如系统性地高估或低估一个值），但无偏差的预测也并非完美。因为准确无比的平均值可能在实际中每次都出错。

为了调整这种由于统计算法本身所产生的大的偏差，在实际的企业客户流失预测模型的设计中，会由经验丰富的业务专家主导，根据经验与自己的判断来调节优化模型，清除模型中明显的错误因子，并加上主观有效因子。这种做法往往能够得到很好的效果，但是由于它对专家有很强的依赖度，一旦专家发生错误，模型可靠度就会受到质疑，并且在无数个可能的变量中，专家也受限于自身经验和主观因素。

这一问题在人工智能应用之前几乎是无解的，所以优秀的“客户流失模型”管理必须依赖优秀的专家。解决这一问题的最佳做法是通过人工智能，应用其强大的计算能力以及基于神经网络的算法学习能力。与回归不同，机器学习的预测可能平均起来是错误的，但当预测失误的时候，它并不会失误太多。按统计学家的说法，允许偏差，以求减少方差。机器学习和回归分析之间一个重要的区别是新技术的开发方式，发明一种新的机器学习方法时还需证明它在实践中能运作得更好；相反，发明一种新的回归方法，首先要证明它在理论上是有效的。强调实践效果，给了机器学习创新者更多的实验空间，哪怕他们的方法生成的估计结果平均来看不正确或存在偏差。在这种自由实验的推动下，机器学习借助过去10年的丰富数据和高速计算机实现了快速的进步。

然而，从20世纪90年代末期到21世纪初期，那些利用机器学习预测顾客流失的实验仅取得了有限的成功。虽然机器学习的方法有了稳定的进步，但回归的方法依然表现得更好。数据仍然不够丰富，计算机的速度也不够快，无法使其利用机器学习做事情。2016年，一切都改变了。使用机器学习和神经网络深度学习来预测流失的模型整体比其他所有方法表现得都好。是什么发生了改变呢？首先是数据和计算机终于足够好，让机器学习占了上风。20世纪90年代，建立足够大的数据库很难。比方说，一套经典的流失预测研究只使用了650个客户的数据，不到30个变量。

2004年，计算机的处理和存储都有了进步。机器学习方法逐渐能跟回归一较高下了。如今，研究人员根据数千个变量和数百万客户展开流失预测。计算能力的提高意味着可以处理大量的数据，除了数字，还包括文本和图像。例如，在移动电话流失模型中，研究人员除了使用标准变量（如账单额度大小和支付准时性）之外，还调用了通话记录数据（以小时为单位）。(www.xing528.com)

利用可用数据，机器学习方法也变得更好了。成功的关键因素是，如何从数百个可用变量中进行选择，以及选择使用哪一种统计模型。当时最好的方法，不管是机器学习还是经典的回归，都通过结合直觉与统计检定来选择变量和模型。现在，机器学习方法（尤其是深度学习方法）允许模型具备灵活性，这意味着变量彼此之间可以按照意想不到的方式相结合。在开始计费的月初就积累了大量通话时间、高额电话账单的人比到月末才累积大量通话时间的人流失的可能性更低。此外，周末异地通话、付费时间迟、大量发短信的人尤其容易流失。这样的结合难以预料，但对预测有极大的帮助。由于难以预料，建模人员在使用标准的回归模型进行预测时，无法将这些结合后的信息包含在内。机器学习把一些结合与交汇事关重要的选择权交给了机器，而不是程序员。机器学习深度方法的改进，意味着可以有效地将可用数据转化为对客户流失的准确预测。现在，机器学习方法明显优于回归和其他各种技术。

回到营销领域中产品、客户、市场与销售人员之间的模型建立与优化，会发现其需要的变量远远大于客户流失模型，而且这些职能几乎隶属于企业的所有部门。在人工智能得以广泛应用以前，没有企业会去尝试建立这一模型，企业的营销决策基本掌握在其核心管理层，不可能通过模型进行企业管理。

现在我们有了机器学习这一预测技术，就有可能找到企业的最优营销模型。当然，它和所有的人工智能应用一样，需要数据、训练、反馈与持续的优化。

先来看数据，对于这样一个复杂的机器学习模型来说，建立模型的数据很重要，这些数据包括客户画像数据、销售画像、产品的各类数据（如定价、定位等），它们都会成为模型中的变量，参与到模型的建设中。

训练数据可以是历史数据，其中包含营销流程所需要的变量与目标结果。机器学习可以通过历史数据训练找到初始算法模型，这个初始算法模型的优劣取决于预测算法、变量的详尽程度以及目标结果的准确度。经过历史数据训练过的模型就可以上线使用，当然，为了确保使用预测算法后的业务目标不低于基于规则的路由方式，可以用人工智能与规则并行，同时采用人工核对优化的方式进行模型优化。上线后的模型就可以在实际的环境中持续优化改进，以提升业务价值与业务目标。

智能服务与营销平台是这种预测式技术最好的落地场景，因为其工作的过程中贯穿了客户服务请求、服务与产品的推荐等流程，同时也可以方便地建立与优化客户画像、销售画像与产品画像。从系统与解决方案层面要做的升级，就是将原有的基于规则的路由升级成基于人工智能的预测式路由，再进行用户画像、员工画像与产品画像的建设与持续丰富。

拥有了基于人工智能的预测式路由能力的智能服务与营销平台，才称得上是新一代的智能服务与营销平台。这个预测式路由能力，用在客户服务上是基于服务目标的智能匹配，用在营销上就是基于营销目标的智能推荐。