企业决策智能项目的五种失败姿势

2021 即将迎来最后一个月份。每到这时，关于未来的技术趋势预测总会见诸报端。前不久，Gartner 公司就宣布了企业组织在 2022 年需要探究的几大战略性技术趋势，它们或将在未来 5-10 年内推动重大颠覆和机遇。

其中，既有看起来相对新颖的分布式企业、云原生平台 CNP、超自动化，也有火了几年的生成式 AI、决策智能 DI 等。

今天想跟大家深入聊一聊的，就是号称“世界级难题”的——决策智能 DI。

早在 2017 年，AI 浪潮刚刚袭来的时候，业内就流传着类似的预言：未来所有的企业都是人工智能企业。而 AI 公司的典型样貌，不就是利用智能技术让企业决策更高效、更精准、更灵活吗？

看起来似乎很简单，将经营中产生的大数据扔给 AI 不断地训练学习，形成适配业务需求的决策模型，将原本依靠经验的“人治”变为“数治”，就可以了。

类似的案例也不少见，比如某服装厂商将原本要靠店长每天统计上报补货数量，全部变成了系统根据销售情况自动安排补货；某自来水公司原本需要靠人工来调节水压，运用 AI 智能判断调压，省了人工和运营成本，住户体验也更好了……听起来皆大欢喜。

但现实中，我们走访了许许多多的传统企业智能化项目，发现事情并非如此简单。

和成功相比，失败或停滞的案例更多。

这些企业中，不乏几十年的深厚管理功力，更不缺少推进智能化项目的魄力和眼光，否则也不会最先拥抱 AI。

但是，这些探索中，有的智慧门店，在尝试了十几家之后宣告终止；

有的企业好几年还停留在数据采集、数据治理阶段，距离决策智能遥遥无期；

有的预测模型，根本达不到预期效果，还不如依靠专家经验的传统方式……

这些现实问题，是很多企业在智能化探索中很少愿意去讲的故事，一些 AI 技术服务商也往往会隐去这些“失败案例”，倾向于畅想“技术利好”。

据 Gartner 公司的测算，到 2030 年，智能决策将超过所有其他类型的人工智能活动，占全球人工智能衍生商业价值的 44%。也就是说，未来组织必须使用决策智能，以增强竞争优势。

如果搞不清楚可能踩到的坑，反而会在当下透支企业——尤其是传统行业对决策智能以及 AI 的信心。

所以，我们决定通过五个“大失败“案例，带大家参观一下决策智能 DI 可能有哪些失败姿势。

姿势一：没数据，却要洞察

智能指导决策，首先要求 AI 能够从各种异构化数据中洞察出隐藏的业务逻辑。但许多企业的数据却散落在各个渠道。其中，最为撕裂的要数线上与线下。

我们采访的某 A 服装品牌，就是线下购物商场起家的。伴随移动互联网的快速发展，线上业务近些年快速崛起和壮大，还没来得及与传统的线下渠道、供应体系深度磨合，已经形成了分庭抗礼的状态。

线上、线下分属两个渠道，分管领导/老板之间有着直接的利益冲突，订单、库存、会员数据等都不愿意共享和打通。而企业壮大之后，创始人的权力也受到多方掣肘，很难强势地要求双方整合成全国乃至全球“一盘货”，最后 A 企业不得不各个渠道各建一个系统。

统筹几千家门店、几万个 SKU、多层分销体系，是一件非常庞大复杂的工作，数据之间无法协同，还有大量数据存在于纸质文件、报销票据等等。

对 A 企业来说，看不到全局数据，生产、调拨、发货、库存、订货等各个业务单元，想要做分析预测也就变得十分困难。

举个例子，工厂要看到动态销售情况，掌握哪些款式卖的好可能要追单，会提前联系原材料厂商、对布料进行预处理，从而快速响应。

而 A 企业虽然有了一个系统，但线上线下的内部数据并不互通，依靠 AI 进行销售预测就不一定准确了，形成了“不了解市场变化——无法高效生产——做不到精准补货——消费者买不到或不喜欢——库存压力大现金流紧张——不愿意做数字化投入——更不了解消费者”的恶性循环。

姿势二：有意识，但数据质量低

当然，也有一部分企业意识到了数据统一化的重要性，并且渠道统筹、内部推动更加有力，这样的企业往往会更大胆地拥抱 AI。

比如某食品品牌 B，很早就成立了大数据和算法部门，招揽了许多算法专家、开发人员，希望基于大数据搭建起消费者洞察模型，指导营销决策和运营决策。

作为传统企业，B 是极有魄力和眼光的，但智能决策需要非常多的工程能力，而不仅仅是算法能力。

举个例子，要解决销售预测的问题，就要统一数据标准、采集全环节数据，联动渠道、门店销售、供应链、生产、库存等多种数据，让“从头到尾”的数据都被精准采集，才能避免供需不协同的问题。

而食品赛道的特点之一，渠道多而散，既有大型超市，也有夫妻店、无人货架……这些渠道要货、补货的数据往往比较粗犷，有的小店经营者缺乏经验，库存还有很多，却报了一个超过安全水位的补货数字，安排生产之后，几个月根本卖不掉，影响退货率不说，消费者吃到的食物口感变差，还会损伤品牌口碑。

而要实现高质量的数据管理，需要的不光是高精尖的算法人员，还必须懂业务、懂运营，自主定义好数据标准，才能让后续工作事半功倍，训练出更适配业务的模型，真正让 AI 帮助减少不必要的损耗，发挥出技术价值。

姿势三：降成本，但轮子不适配

没有企业对成本不敏感，一些“血厚”的老牌企业可以拿出足够多的预算，组建团队，自行开发决策智能工具，而更多企业会选择使用技术服务商造好的轮子，比如一些“行业大脑”“行业解决方案”。

让更专业的人做专业的事，通过 Paas、SaaS 模式，能够大大降低企业构建决策智能的难度。但是，相比于数字化方案，决策智能对于个性化方案的需求度更高，许多“大脑”“轮子”可能并不适配企业现状。

拿我们采访过的化妆品牌 C 为例，在应用决策智能的时候就遇上了两个问题。

第一，各个平台的数据无法打通。

不同互联网生态、不同内容平台上沉淀的用户数据是无法“出塔”的，只能在生态内部进行有限的洞察和使用，在某狗上的营销策略无法看到某猫上的用户行为数据，技术服务商的“轮子”只能跑在自家生态的路上，这就让精准营销效率降低了。

第二，“轮子”大小与业务进展不匹配。

作为国牌，品牌 C 还达不到雅诗兰黛集团、欧莱雅集团这样的规模和量级，项目和市场都在快速发展迭代期，对于决策智能项目的要求也是能够小步迭代、低成本轻量级。一些技术服务商一上来就推荐什么全球零售仓储物流体系化解决方案、建设海外平台，用 C 企业技术负责人的话来说——听起来就很可怕。

不用企业自己反复“造轮子”，这很好，但轮子也有大小，适配企业业务的轮子才能让决策智能真正跑起来。

姿势四：有决心，但战略耐力短

利用 AI 能够更好提升决策效率和决策质量，已经成为共识。做出“智能化转型”的决定并不难，但推进智能项目进程，就不是一朝一夕、一帆风顺的了，往往需要企业的掌舵人具备长期战略思维，以及深度把握企业方向的能力。

就拿某鞋类企业 D 来说，在 2018 年就尝试引入了数字化建设，希望积累大量会员数据来为消费者洞察服务。然而项目落地不到一年，老板觉得没有达到预期的状态，大数据平台建立起来之后完全没有产生经济效益，就直接将项目暂停了，相关平台也没有再更新迭代和使用。

追求短期见效，也让该企业面临着较大的内部管理动荡，数字项目负责人的离职更替率较高。

老板因为意识到自家企业的数字化能力相对落后，开始努力追赶，这期间不停尝试引入新的技术管理者，领导者的更替总会带来一轮方向变化和员工换血，不可避免地导致重复建设与投入，无法彻底、全面地实施变革。

频繁地调整战略、团队动荡，也让线上线下渠道权益的平衡与整合，多个信息化系统的打通，门店的数字化改造等等，许多“硬骨头”无法高效推进。

智能决策的落地需要土壤，民营企业和家族企业的管理特质，以及背后的激励体系、企业文化，或许才是成功更需要的质素。

姿势五：有 AI，但没知识

全局数据+厉害算法，智能决策就一定比“人治”强吗？答案是否定的。

诚然，决策智能需要不断挖掘和分析消费者、研发、生产、供应链等各种数据，再基于算法模型建立一套新的决策机制，但这个过程是终极理想状态，至少在目前，人的传统经验、行业知识依然非常重要。

某饮料企业 E 告诉我们，目前该企业已经慢慢长出了一些自动化决策的标准，可以从某些维度给出建议，比如从短视频博主的曝光量、点赞量、粉丝画像、成长轨迹等，判断对方的带货效果。

但技术人员也坦诚，目前还不太确定，这些建议一定能够给业务部门带来不错的价值。目前的市场投放决策，还是要依靠营销人员的专业经验去判断，有时候甚至是灵感的东西。

新品开发也同样如此，智能决策系统可以给出一些建议，提前预判可能会遇到哪些问题，用什么样的包装材料，生产上可能出现什么瑕疵，但对于一些创意方向、从零到一的需求创造，目前的智能决策系统还不算成功，只是让研发人员看到的数据维度更多、思考更全面、决策更加精细化而已，最终决策还是靠专业人士来完成。

比如他们就将一个 logo 设计成了环抱的弧形，从心理上让消费者感觉更亲近，这个创意就来自于专业判断，而非 AI 洞察。

写在最后

说了这么多“失败姿势”，并不是想给企业和 AI 行业泼冷水，而是成功各有各的成功，但失败之处某种程度上都是相通的。当千行百业都渴望 AI、拥抱 AI 的时候，提示风险、避免踩雷，才能让 AI 产业化和产业 AI 化更良性地发展下去。

具体到决策智能这一技术上，通过这些先行者的探索，可以发现影响成功率的因素非常多，主要有四个方面。

1.数据化程度。要能做到业务全流程、全场景的数字有迹可循，为智能提供基本养料。

2.组织力支撑。归根结底，决策离不开管理科学，企业管理、文化、组织架构等都要适配智能项目。

3.价值场景。决策智能到底如何发挥价值，需要找到最符合企业增长效益、符合数据逻辑的场景，这又对技术人员的综合能力提出了要求。

4.外部支持。目前，我国的企业管理大多还停留在梳理商业规则（Business Rules）和搭建商业规则阶段，少数进入了自动分析决策智能（Automatic Prescriptive Analytic）阶段，技术服务商和基础设施提供商也需要适配企业智能化的不同阶段，提供相适配的技术工具与商业支持。比如轻量级、模块化的组件，帮助企业快速搭建智能系统，低成本试错；比如反垄断的推进，让跨生态的数据流动起来。

维基百科中，决策智能指的是“ An engineering discipline that augments data science with theory from social science, decision theory, and managerial science”，一门运用社会科学、决策理论和管理科学知识来扩展数据科学的工程学科。

这就已经说明了，决策智能的成功，从来都不是 AI 技术本身所能独自决定的。它依赖于整个社会、企业、用户的全面改变，而这一天一定会到来。

从这个角度看，失败其实也是一种胜利，只有真正试水，才有可能成为最先感受到春江水暖的那只鸭子。