Текст книги "Как Alibaba использует искусственный интеллект в бизнесе. Сетевое взаимодействие и анализ данных"

Когда мы заговариваем об алгоритмах, часто приходится слышать слова «мотор», «двигатель», «движок» и прочие аллюзии. Если мы представим данные в качестве высококачественного топлива эпохи технологий обработки данных, то алгоритмы, вне всяких сомнений, можно назвать локомотивом, который приводит все в движение. Только алгоритмы могут извлечь заключенную в данных энергию и тем самым «поддать газу» машине умного бизнеса.

Поисковые сервисы являются первичным интернет-продуктом, который сочетает данные и алгоритмы, позволяя каждому из нас находить соответствующие данные в огромном массиве информации, доступной через интернет. Успех Google заключается в том, что основатели компании выступили с алгоритмом ранжирования ссылок PageRank. Еще один мощный алгоритм, который создал Google, – pay per click, который является движущей силой онлайн-рекламы. Каждый день посредством этого механизма онлайн-реклама общей стоимостью более $1 млрд воздействует на наиболее подходящую целевую аудиторию.

Для бизнеса алгоритмы выступают как сочетание расчетов и команд, отражающее логику продукта и рыночных механизмов. После цифровизации бизнес-интерфейса алгоритмы становятся выражением квинтэссенции ценности данных. Иными словами, ценность данных в эпоху технологий обработки данных приравнивается к их коммерческой ценности. Так, Google сейчас занимается разработкой «золотой жилы» в виде информации о том, какие страницы мы просматривали и какие товары мы покупали через интернет. Однако для того, чтобы воспользоваться этими богатствами, необходимо с помощью алгоритмов выявлять потенциальных покупателей каждого товара и на основе этого делать таргетированную рекламу.

Может показаться, что алгоритмы – это нечто высокорафинированное, однако в действительности они представлены повсеместно в нашей обычной жизни. И речь идет не только о мобильных телефонах и машинах. Математические алгоритмы мы находим и в наших домах, и в бытовой технике, и в игрушках. Современные банки представляют собой сложное, масштабное сплетение алгоритмов, которые требуют лишь периодической корректировки со стороны специалистов. Кажется, будто бы основные фондовые и фьючерсные рынки мира управляются бесчисленным количеством трейдеров, без устали назначающих цены и осуществляющих активную торговлю, но решения принимают алгоритмы. Исполнителями по сделкам зачастую выступают именно алгоритмы. Алгоритмы устанавливают дальность полета самолетов и отправляют их в полет; алгоритмы управляют фабриками; алгоритмы осуществляют сделки; алгоритмы контролируют передвижения грузов; алгоритмы фиксируют выручку и ведут счета.

Алгоритмы от Polyphonic – разработчика ПО для музыкальных и звукозаписывающих компаний – используют математику, чтобы исследовать мелодию, ритм, аккорды, прогрессию, звук и другие параметры песен, делая прогнозы перспективной популярности нового произведения. Один неизвестный исполнитель представил альбом, девять из 14 песен которого, согласно результатам алгоритмического анализа, могли войти в хит-парад. Даже разработчики, которые, собственно, составили этот алгоритм, не верили в то, что это может произойти. Однако альбом Come Away with Me в конечном счете был продан 20 млн раз, а исполнительница – Нора Джонс – получила в год выпуска пять премий «Грэмми».

Создание алгоритма ни в коей мере не является простым предприятием. Разработчикам нужно, используя доступный для машин язык, составлять алгоритмы и затем посредством многочисленных испытаний выявлять все возможные проблемы в сложном коде. В результате долгих усилий они разработали множество взаимосвязанных и взаимообусловленных алгоритмов, которые составляют определенную закодированную экосистему. Сложность экосистемы растет изо дня в день, стремительно нарастают присутствующие в системе проблемы. Сложность как взаимодействия алгоритмов, так и самих алгоритмов начинает превосходить возможности человеческого мозга. Уже не выглядит преувеличением предположение, что когда-нибудь настанет день выхода из строя сразу всех алгоритмов, что если и не повергнет весь мир в хаос, то приведет к остановке всего.

Что такое алгоритмы? Обратимся к истокам вопроса. Алгоритмы – команды, которые посредством использования специальных программ позволяют добиться оптимального результата.

Самые ранние алгоритмы человечества мы находим у живших в Месопотамии шумеров: оставленные ими 4600 лет назад письмена на глиняных табличках описывают простые инструменты для взвешивания и распределения поровну нескольких тысяч килограммов зерна между множеством людей. Эти инструменты могли использоваться многократно. Изобретение компьютеров позволило в значительной мере повысить возможности алгоритмов, поскольку компьютеры имеют очевидные преимущества, когда требуется выполнение повторяющихся действий. Люди хотят использовать машинный язык для того, чтобы превратить множество чрезвычайно простых инструкций в сложную логическую цепочку. Так, если мы говорим о приготовлении торта, то допустим, что следующее действие – добавить ложку сахара. Для человека это выполнить просто, однако у компьютера возникают вопросы: во-первых, что такое сахар; во-вторых, сколько сахара должно быть в «одной ложке» (это не вполне очевидно); наконец, компьютеры не знают, что обозначает само действие «добавить». Компьютеру требуются четкие инструкции для исполнения, начиная от того, как поднимать и перемещать ложку, до того, как высыпать сахар в миску. Вполне очевидно, что алгоритмы предполагают жесткие параметры.

В то же время по мере проникновения алгоритмов в нашу повседневную жизнь одна маленькая ошибка может стать ударом по всей системе в целом и привести к падению ракеты, перебоям с электроэнергией или крушению рынка. Хотя мы еще не можем привести реальные примеры с ракетами и электроэнергией, однако кейс, когда ошибка алгоритма по цепной реакции привела к трагическому коллапсу рынка, имел место в реальности. Из-за того, что на фондовых рынках США 6 мая 2010 г. компьютеры прекратили выдавать конкурентные предложения, началось масштабное падение цен, обвал рынка описывали как «молниеносный».

Как же мы можем избежать возникновения таких ситуаций в будущем? Как делать алгоритмы все более умными? Как добиться того, чтобы они вышли за пределы имеющегося у человечества опыта и достигали беспрецедентных результатов? До решения этих проблем нам предстоит еще пройти долгий путь развития.

Алгоритмы составляют ядро машинного обучения: безмозглые в буквальном смысле машины посредством нехитрых средств становятся все более умными благодаря постоянным итерациям и оптимизации. Даже самый несложный алгоритм может в реальном времени и в онлайн-режиме во всех зафиксированных данных осуществлять поиск информации без какого-либо установленного направления и выявить тот широкий скрытый потенциал и связи, которые мы не можем заметить. При этом алгоритм будет постоянно самооптимизироваться.

Это и есть еще один решающий прорыв, который достигается посредством алгоритмов[16]16
  Прорывы в области алгоритмов часто связаны с развитием математики. – Прим. авт.


[Закрыть]. Здесь нам открывается важное значение данных для алгоритмов. Любой алгоритм и в особенности алгоритм, способный самостоятельно учиться и оптимизироваться (например, алгоритм для анализа ситуации на фондовых рынках или для предугадывания вкусовых предпочтений любителей шоколада), выполняет титаническую работу по выявлению скрытых связей между бесчисленным количеством возможных факторов. Эти потенциальные факторы могут и включать в себя определенные решающие позиции, и быть просто «шумом». Однако не стоит забывать, что эти факторы меняются в реальном времени. Поэтому для того, чтобы алгоритмы могли на деле четко прогнозировать цены акций или предугадывать, какой вид рома стоит добавить в шоколад, чтобы привлечь потребителей, должны анализировать многочисленные данные, а также быстро оптимизироваться и сменять друг друга на фоне изменений в реальном времени.

Основой для машинного обучения являются данные, и чем больше их – тем лучше. Машинное обучение позволяет преодолевать самые различные сложности. Простой обучающийся алгоритм на основе достаточно полной информации способен в спокойном режиме разрабатывать новые длинные алгоритмы, тем самым значительно облегчая работу инженеров. Промышленная революция привела к автоматизации физического труда, информационная революция – к автоматизации умственного труда, машинное обучение же завершится автоматизацией собственно процесса автоматизации. Победа машины в партии го сама по себе не имеет коммерческой ценности, тем не менее она символизирует прорыв в сфере алгоритмов, который может найти отражение и в бизнес-сфере.

Умный бизнес в эпоху данных выдвигает новые требования к алгоритмам: направления итерации алгоритмов, параметры, проекты и все иное должны состыковываться с бизнес-логикой, разработкой машин и даже системой ценностей. Направления итерации и оптимизации алгоритмов должны определяться не только особенностями данных и самих машин, но и нашим пониманием бизнеса, осознанием природы человека и идеалами создания бизнеса будущего.

Именно поэтому мы называли выше алгоритмы «двигателем», а не «инструментом» умного бизнеса. Алгоритмы выступают сущностью интеллектуализации. На основе данных и алгоритмов выполняется машинное обучение, реализуется ИИ. Начиная с третьей промышленной революции до настоящего времени произошел скачок от количества к качеству в области вычислений, и в этом кроется самое основополагающее свойство информационной эпохи.

ИИ де-факто является лишь инструментом для человечества. Специфической чертой умного бизнеса является проявление инициативы в достижении понимания пользователя и в постоянном повышении благоприятного опыта взаимодействия пользователей с продукцией посредством обучения. В этом кроется основополагающая причина того, что в сетевую эпоху особо подчеркивают значение продуктов.

Взаимодополнение продуктов, данных и алгоритмов можно образно представить как «средство + облако». «Средство» в данном контексте следует понимать, собственно, как продукты, это порт для индивидуализированного и при этом массированного взаимодействия в реальном времени по низкой себестоимости с пользователями. Продукт не только напрямую отражает опыт взаимодействия пользователей с сервисом, но и обеспечивает возможности для фиксации данных и реализации замкнутого цикла обратной связи от пользователей, а также взаимодействия с «облаком» в связи с указанными позициями. «Облако» же представляет собой платформы для сбора данных и алгоритмических вычислений. Посредством оптимизации алгоритмов «облако» лучше понимает потребности пользователей и повышает опыт взаимодействия пользователей с продукцией. Продукция как определенное «средство» имеет три ключевые функции.

Дизайн продуктов напрямую влияет на опыт взаимодействия пользователей с ними

Насколько полноценен функционал продуктов, насколько приятен интерфейс, насколько естественно взаимодействие – все это ключевые факторы, которые определяют успех продукции. Высокие показатели Apple за последние десять лет, выразившиеся в особенности в эпохальном значении iPhone, в полной мере отражают этот факт. Аналогичная ситуация у Google. Пустая поисковая строка завоевала пользователей по всему миру. Эти пользователи в дальнейшем рассказали о ней всем людям, тем самым обеспечив компании быстрое развитие на раннем этапе.

Загрузка: данные про действия со «средством» передаются в «облако»

Продукты выступают в качестве канала, через который данные о поведении пользователя подаются в «облако» для анализа данных, получения обратной связи, дополнения данных и оптимизации алгоритмов. Реальные потребности пользователей часто сложно выразить очевидным образом. Однако поведение и действия человека не обманывают нас. Каждое действие пользователя дает нам обратную связь в виде данных. Алгоритмы, получая постоянно обратную связь, становятся точнее и последовательно сменяют друг друга, сближаясь с реальными потребностями пользователей.

Передача: результаты анализа данных в «облаке» передаются в «средство»

Продукты одновременно представляют собой и канал, через который результаты анализа данных в «облаке» передаются пользователям и создают для них выгоду. Фактически в рамках умного бизнеса опыт взаимодействия клиентов с продуктами определяется не только их работой со «средством». Большую роль в принятии решений играет происходящий в «облаке» анализ данных.

Например, оценка опыта взаимодействия пользователя с Taobao не ограничивается такими вопросами, как удобство поиска, разумность формирования категорий продуктов, эффективность навигации. Еще более важно, насколько эффективно пользователь может из многих миллиардов товаров от бесчисленного множества продавцов быстро найти желаемое и даже получить от этого приятные впечатления. Это и позволяет определить анализ данных в «облаке». В отсутствие тесной увязки данных и продуктов, а равно и анализа данных в реальном времени через «облако», мы не могли бы улучшать впечатления клиента от взаимодействия с продукцией. В этом контексте можно вспомнить, что традиционный финансовый сектор не мог бы за считаные минуты выдавать клиентам кредиты без всех этих инноваций.

Этот двунаправленный процесс загрузки и передачи – замкнутый цикл анализа данных – реализуется за счет наличия взаимодействия с продукцией, которое, в свою очередь, определяется результатами анализа данных. Данные и продукты здесь действительно сливаются в единое целое. Все системы анализа данных должны в конечном счете быть инкорпорированы в интернет-продукт с прямым эффектом, приятным интерфейсом и очевидной ценностью. Только так продукт в самом деле становится умным.

Ценность широты IoT и глубины анализа данных отображается в интернет-продукте. Посредством креативного дизайна пользователь получает возможность извлечь максимум из результатов анализа данных, а также по низкой себестоимости и с высокой частотой давать обратную связь. Тем самым качество анализа данных постоянно повышается. В действительности, когда мы говорим здесь о «продуктах», мы не должны ограничивать себя понятием «средства». Следует смотреть шире на это явление. «Интернет-продукт» представляет собой целостную интернет-услугу, в которую включены возможности «облака» и интерактивность «средства». Это конечный носитель, в котором отображается тесное единство анализа данных и бизнес-интерфейса. Именно эта продукция придет на смену маркетингу и станет ключевым элементом ведения бизнеса.

Таким образом, самым важным шагом для достижения успеха в умном бизнесе зачастую является предложение инновационных продуктов, которые отражают богатую фантазию производителя: в ответ на проблемы определенного пользователя формулируется новое понимание опыта взаимодействия пользователей с продукцией и запускается двигатель анализа данных для устойчивого улучшения опыта подобного взаимодействия. Именно такой умный бизнес и может перевернуть основы традиционного бизнеса и нанести настоящий удар по нему. Победитель уносится вдаль, оставляя после себя только пыль, побежденного же неизбежно ожидает гибель. Именно так произошло в случае Google и Yahoo, Facebook и MySpace, Uber и традиционного сектора такси и т. д.

Итак, цифровизация, алгоритмизация и коммерциализация выступают краеугольными камнями умного бизнеса. Например, для поисковой системы Google тремя ключевыми факторами выступают, во-первых, цифровизация контента веб-страниц, во-вторых, алгоритмизация на основе PageRank и, в-третьих, масштабные инновации продукции в виде простой поисковой строки и отсортированных в зависимости от релевантности страниц. И все же всего этого недостаточно. Умный бизнес становится все более умным благодаря еще одному фактору, который нельзя упускать: замкнутому циклу обратной связи.

Поведение пользователей через «средство» продукта передается в реальном времени в «облако» для анализа данных. Результаты оптимизации, достигнутые в «облаке», благодаря «средству» в реальном времени улучшают опыт взаимодействия пользователей с продукцией. В таком замкнутом цикле обратной связи данные, являясь исключительно мобильной экосистемой, постоянно становятся все более ценными; алгоритмы же, выступая в качестве двигателя, приводящего в действие цикл обратной связи, постоянно оптимизируются; продукты как носитель замкнутого цикла обратной связи последовательно улучшают свои показатели. Предоставление пользователю более благоприятного опыта взаимодействия с продуктом позволяет одновременно понизить себестоимость и повысить эффективность обратной связи.

Итак, цифровизация, алгоритмизация и коммерциализация образуют три опоры умного бизнеса, которые формируются в замкнутом цикле обратной связи. Интеллектуальная транспортная система является хорошим примером в данном контексте. Беспилотные машины, связанные в единую сеть, уже не являются мечтой. Google первым предложил сервисы по планированию маршрута движения в зависимости от ситуации на дороге, тем самым, по сути, осуществив алгоритмизацию и вывод онлайн выбора направления движения. В США беспилотные автомобили уже проходят испытания на дорогах, что обозначает полномасштабную интеллектуализацию «средства» – машин.

В Китае Alibaba продвигает полную интеллектуализацию транспортного «облака». На основе всей целостности транспортных данных по всем направлениям делаются прогнозы о возможной ситуации на перекрестках в течение ближайшего часа. В сочетании с городской системой управления транспортом это дает полноценные результаты. В условиях Пекина таргетированность прогнозов ситуации на дороге превышает 95 %. Цифровизация, итерация алгоритмов и продукты в равной мере объединяются в три опоры замкнутого цикла обратной связи. Интеллектуальная транспортная система в первую очередь выстраивается на цифровизации целого ряда вещей: географического позиционирования, информации о машинах, погоде, светофорах, полосах движения и пешеходах и т. д. Интеллектуальная транспортная система также является результатом оптимизации алгоритмов в реальном времени, причем не только оптимизации информации о машинах, но и оптимизации интеллектуальной транспортной системы в целом. Эта система также требует интеллектуализации таких объектов, как машины и светофоры. Наконец, необходим агрегатор замкнутого цикла обратной связи по многочисленным данным: данные о ситуации на дороге позволяют машинам в реальном времени оптимизировать маршруты движения, данные об общей обстановке – принимать решение о скорости движения, данные о состоянии здоровья пассажиров – корректировать время открытия окон машин.

По сути, бизнес изначально базируется на некоем замкнутом цикле обратной связи, из которого извлекается информация о потребностях клиентов и на основе которого предлагаются соответствующие товары или услуги. В то же время как попытки разумных догадок о предпочтениях клиентов, так и предугадывание их потребностей на основе маркетинговых исследований ограничены в своей таргетированности и сопровождаются значительными затратами. Когда же получаемые от клиентов в реальном времени данные позволяют напрямую сообщать предпринимателям об их потребностях, то предприниматели могут на основе постоянно обновляемых точных алгоритмов полно удовлетворять потребности своих клиентов. Продукты посредством возможностей интернета становятся платформой для анализа данных и взаимодействия с пользователями в реальном времени. Можно сказать, что мы нашли революционные инструменты для понижения себестоимости, повышения эффективности и автоматической работы замкнутого цикла обратной связи. Эти инструменты можно представить как «вечный двигатель» процесса анализа данных. Для его постоянного обучения и оптимизации в реальном времени достаточно онлайн-взаимодействия и обратной связи.

Данные, алгоритмы и продукты составляют «святую троицу» замкнутого цикла обратной связи. Только эти три элемента позволяют умному бизнесу нанести соизмеримый удар по традиционному бизнесу и дают импульс буму бизнеса эпохи информационных технологий.

Мы потратили столько сил для представления и анализа информации и кейсов в связи с бизнес-аналитикой не потому, что хотели просто удовлетворить свое любопытство и жажду знаний. Соотнесение описанных концептов и нашей фактической работы позволяет нам стать победителями в гонке по выходу в онлайн, а последнее и составляет нашу цель. Если эти теории не смогут быть четко реализованы в реальности, то все это – пустые разглагольствования на бумаге, которые не имеют никакой ценности.

Так все же как отдельно взятая компания может добиться успеха в области данных? Как посредством анализа данных можно превратить компанию в высокоточную бизнес-модель? Подобные вопросы и составляют предмет нашего внимания. Далее мы представим новый концепт, который может быть ценен в фактической работе, – живые данные.

Большие данные – концепция, о которой мы часто слышим последние годы. Ее особенности связаны с огромным количеством, разнообразием, скоростью передачи и высоким качеством данных. Мы можем отметить, что эти четыре характеристики, по сути дела, определяют два показателя: объем и скорость данных. Однако ни тот, ни другой фактор не дают нам понимания того, как лучше вести бизнес. Разве все, что мы должны знать о данных, – это то, что их много и что они быстро передаются? Как же мы можем использовать эти данные?

Для того, чтобы данные неотрывно соединялись с реальной жизнью, они должны быть выведены онлайн, фиксироваться в реальном времени, а не собираться произвольно; необходимо постоянно обновлять данные и с течением времени делать выводы из них; важно активно применять данные в реальном бизнес-интерфейсе для формулирования политики. Это я и подразумеваю под живыми данными.

«Живой»: два уровня смысла

Когда мы используем слово живой, то подразумеваем два смысла.

1. Данные сами по себе «живые»

Живые данные находятся онлайн и непрерывно обновляются, их можно использовать в любое время.

2. Данные должны находить активное применение

Живые данные постоянно обрабатываются для формирования услуг с добавленной стоимостью; одновременно можно создавать еще больше данных для поддержания циркуляции информации.

Три ключевые особенности живых данных

Поняв в полной мере, что конкретно мы имеем в виду под живыми данными, мы можем перейти к трем основным характеристикам этого концепта.

1. Полная фиксация, а не выборочная проверка

Хотя в статистическом методе случайная выборка также позволяет дедуктивным методом делать выводы по ситуации в целом, бизнес-среда характеризуется динамичностью, она находится в процессе постоянных изменений. Материал, собранный продолжительное время назад, в лучшем случае может нам помочь частично описать определенное статическое состояние. Однако этого недостаточно для того, чтобы удовлетворять все потребности принятия решений в бизнесе.

Хорошо известно, что в прошлом сбор данных представлял собой весьма трудоемкую задачу. Сначала требовалось уточнить вопросы, затем составлялся соответствующий опросник, потом целенаправленно подбирались люди, которые могли бы заполнить опросник. Таким образом можно было собрать только отдельные данные, которые оказывались полезны для принятия бизнес-решений. Интернет в первую очередь позволяет объединять нас и помогает быть на связи. Бизнесу достаточно оставаться в сети, чтобы пользоваться ее большими преимуществами. Пользователи всегда оставляют после себя следы в интернете. Именно фиксация этих «подсказок» и позволяет вам в полной мере, глубоко понимать ваших пользователей.

Taobao не нуждается в регулярном проведении выборочных исследований с целью выяснения у пользователей, насколько они довольны услугами. Все действия пользователей Taobao на платформе с момента регистрации автоматически фиксируются. Какие товары они смотрят? Сколько времени проводят на страницах с детализацией конкретных товаров? Какую продукцию приобретают? Все это фиксируется. Такая методика полномасштабной фиксации данных, вне всяких сомнений, сокращает расходы на сбор данных. Таким образом, самой важной предпосылкой для получения живых данных является снижение себестоимости процесса фиксации данных. Без этого данные не могут «оживать», и с ними нельзя ничего делать.

2. Сначала – данные, потом – выводы

Первым шагом в традиционном маркетинговом исследовании является упорядочивание вопросов. Если мы хотим осознать какую-то отдельную проблему или проверить некое предположение, то мы должны, исходя из поставленного вопроса, собрать релевантную информацию. Самое неприятное здесь заключается в том, что если мы выявляем неточность в изначально поставленном вопросе или возникают новые вопросы в ходе проверки, то вынуждены прервать процесс и начинать сбор данных с самого начала.

В эпоху живых данных же сам процесс маркетинговых исследований переворачивается с ног на голову. От все большего числа людей приходится слышать: «Нас волнует коррелятивность, а не причинность». Поскольку расходы на хранение и проведение вычислений с данными достаточно низки, мы можем зафиксировать релевантные данные и уже в процессе развития бизнеса обращаться к тем данным, которые позволят нам сделать взвешенные выводы и пересмотреть бизнес-решения. Сначала происходит фиксация данных, а затем уже их анализ и осмысление. Основное преимущество подобного режима заключается в предупреждении ситуации, когда постфактум появляются новые вопросы, которые требуют изучения. Иными словами, исключается необходимость дублировать работу и, соответственно, перспектива возрастания расходов на организацию процесса.

3. Данные есть политика

Данные предполагают определенную политику – подходы к принятию решений. В целом анализ данных должен позволять машинам самостоятельно принимать решения и формировать эту политику. Здесь речь не идет о традиционной системе, где анализ данных позволяет людям определять политику. Если данные использовать лишь таким образом, то мы не сможем сформировать ни настоящий замкнутый цикл, ни пользу, которые будет возможно распространять и репродуцировать в крупном масштабе.

Приведем пример. В настоящее время многие компании не очень хорошо понимают, в чем заключается разница между специалистом по обработке данных и бизнес-аналитиком. Во втором случае мы имеем дело с бизнес-аналитикой, а равно аналитическими департаментами, которые есть у всех более-менее больших компаний. Основную часть работы бизнес-аналитиков составляет собственно исследование данных, на основе которого составляются аналитические доклады, призванные помочь руководству в установлении определенной бизнес-политики. Данные, о которых мы говорим в данном контексте, выведены в офлайн и используются как опора для принятия решений. Это не те живые данные, о которых мы писали выше. Поистине живые данные предполагают, что выводы, основанные на этих данных, сами собой трансформируются в бизнес-политику.

Здесь стоит снова обратиться к опыту Taobao. Когда пользователи по определенным ключевым словам ищут на платформе желаемую продукцию, что они видят изначально при входе на платформу и что они видят после первого клика? Подобные решения в действительности принимаются машинами самостоятельно. Все, что видит пользователь, – это то, что хотят показать машины. Контент подбирается автоматически на основе производимого в алгоритмах анализа данных, здесь нет никакого вмешательства со стороны человека.

Если мы будем откровенны, то стоит признать, что на начальном этапе Taobao пришлось перепробовать множество путей развития. В то время наши департаменты по обработке данных, стремясь помочь продавцам Taobao вести цифровой бизнес, постоянно отправляли аналитические отчеты на бэкенд продавцов. Однако значимых результатов это не принесло. Мы обнаружили, что степень использования заключенных в этих отчетах данных была крайне низка. Более того, отчеты открывались довольно редко, и многие продавцы на Taobao просто не понимали их смысла. Осознав это, мы внезапно поняли, что продавцы на самом деле нуждаются не в том, чтобы научиться разбираться в этом громоздком массиве сведений, а в том, чтобы данные позволяли им принимать более быстрые и подходящие решения, содействуя в осуществлении качественного скачка в ведении бизнеса.

Исходя из этого, нашим первым относительно успешным продуктом в этой области стала добавленная в бэкенд продавцов кнопка действия. Администратору магазина достаточно сделать один клик, чтобы весь ассортимент магазина был проранжирован автоматически в наиболее оптимальной форме. Это становится фактором наращивания объема продаж. Для продавцов такой функционал крайне прост и требует лишь одного нажатия мышки. Продукт ранжируется посредством алгоритма анализа множества данных через бэкенд Taobao. Это позволяет продавцам через средства интеллектуализации автоматически оптимизировать вид магазина. Это и есть интеллектуализация визуальной составляющей магазина. Если бы мы не использовали машины и алгоритмы, а положились в принятии таких существенных и при этом требующих быстроты решений на человеческий ресурс, то я сомневаюсь, что даже Эйнштейн справился бы с подобным заданием.

Те три особенности, о которых мы говорили выше, формируют замкнутый цикл обратной связи. Только наличие живых данных позволяет этому циклу успешно функционировать. Пока вы занимаетесь бизнесом, естественным образом формируются данные, которые в автоматическом режиме полностью фиксируются и затем обрабатываются алгоритмом, трансформируясь в конкретные решения, направляющие движение вашего бизнеса. Решения параллельно оптимизируются за счет обратной связи от клиентов. Именно так бизнес предприятия выходит на позитивный замкнутый цикл обратной связи, а равно и на путь развития умного бизнеса.

Если мы будем рассматривать коммерческую деятельность с точки зрения живых данных, то у нас могут возникнуть самые различные ощущения. Многие люди, только услышав слова «большие данные», могут подумать, будто бы они лично не особо-то и связаны с ними, ведь «у нас всего лишь маленькая компания, данных не так и много, и эти слова вообще не имеют ко мне прямого отношения». Однако объем данных – относительное понятие. Если вы сделаете данные составной частью бизнеса, то они станут звеном в процессе принятия вами решений, выводя ваш бизнес на экспресс-трассу к интеллектуализации.