ZKIZ Archives


起底“解題神器”的奧秘,海量題庫背後如何盈利?

來源: http://newshtml.iheima.com/2015/0418/149643.html

黑馬說:現在的學生越來越幸福了。遇到不會做的難題怎麽辦?掏出手機,拍照、上傳、獲得答案,一切so easy。而這些,就是現在多款“解題神器”正在發力所做的事情。

解題神器背後其實離不開大量的人工參與,而與巨大工作量對應的是目前難以找到盈利模式。因此,多款解題神器不排除將來向“一對一解題”收費的可能。不過,黑馬哥始終有個困惑:如果學生解題都依賴解題神器,那他們自己又能從中學到什麽呢?
 
文 | 本刊見習記者 周路平
編輯 | 齊介侖

 
傳統路徑下,學生解決學習中的問題多求助老師、同學或家長。當下移動互聯網和智能手機的飛速發展已為之提供了新選擇——用手機拍題上傳獲得答案。
 
自學霸君2013年8月上線後,百度作業幫、學習寶、阿凡題、猿題庫旗下產品小猿搜題等同類軟件井噴式湧現。目前學霸君、學習寶、阿凡題均已完成千萬元級大額融資,學習寶則已率先落定B輪融資。
 
盡管熱錢已然湧入,但作為在線教育細分市場之一,相較其他門類,拍照搜題並不是一個容易賺錢的行當。
 
神器的秘密
 
拍照、切分、搜索,幾秒之內,詳細的題目和解析將出現在手機終端。這一場景已開始大量出現在中小學校園。拍照搜題也因如此強悍的表現被學生奉為“解題神器”。
 
拍照搜題的神奇存在兩個關鍵因素,即圖像識別和海量題庫。前者識別,後者匹配。圖像識別成文字和公式依賴圖像預處理、光學字符識別(OCR)和深度學習(Deep Learning)三類技術。基本上每一道題目的搜索解答均需經過這三道工序。
 
OCR是德國科學家Tausheck最先於1929年提出的概念,目前已相對成熟。文件掃描和名片錄入等生活場景都與OCR相關。但其弊端也很明顯——面對圖片不清晰、結構複雜等狀況時,識別效率大打折扣。基於深度學習的圖像識別是在數據訓練的基礎上對圖片進行識別、大規模樣本集標註。這是識別的重難點。
 
這些專業詞匯在普通人看來未免雲里霧里,學霸君創始人張凱磊曾給百度李彥宏寫過一封公開信,信中以下段落有助於理解前述內容:
 
“圖像識別……需要大量標註圖像數據,其實就是手工把照片上的字一個個框出來。每個中文字需要上千個這樣的小圖片,還得分別屬於不同場景……我們在天津有個這樣的小屋子,黑黑的,有140多個小夥伴們在那里沒日沒夜盯著那個屏幕,框著一張張千奇百怪的照片……”
 
業內人清楚此公開信來由。當時學霸君正在遭遇百度手機助手、91手機助手下架,張凱磊因此拍案而起。在憤筆抨擊百度封殺行為之余,公開信特意提及了搜題拍照工作的不易。當然,文中人工標註方式現已逐漸被機器標註取代。
 
技術之外,題庫是搜題的源頭活水。
 
軟件本身並不會做題,答案的最終呈現有賴海量題庫的匹配。題庫量的大小成為各平臺對外宣傳的焦點。目前各平臺公布的題庫量均為數千萬道題,阿凡題接近3000萬,學習寶超過4000萬,百度作業幫超過7000萬。這更像是一場數字遊戲。這些題庫和解析多源於出版社和網絡。例如作業幫題庫,將近一半資源來自百度知道。市面上售賣的教輔書另為渠道之一。而其中一些參與者通過手工拍照錄入的方式增加題庫量。
 
識別率差別源自各家技術和題庫的高下。目前學霸君、學習寶、阿凡題、小猿搜題四款軟件,對外宣稱的識別率分別為87%、85%、85%、90%。事實上,北京商報曾對作業幫、學習寶、小猿搜題、學霸君四款拍照搜題軟件進行過測試,準確率最高的為82%,最低的僅為38%,平均準確率不足60%。《創業家》記者也在實際測試中發現,該類軟件識別準確率確與官方公布數據存在較大差距。

靠系統還是靠人工?
 
機器與人工的運用,是拍照搜題領域最為分化的地方。智能原本就是為了顛覆傳統的人工解題,然而非標準化造成機器搜題在實現上存在障礙。拍照搜題要不要人工解答,這還真是個問題。
 
題目無限,題庫有限。即使能夠做到及時更新,題庫也無法百分之百地解決所有問題。機器不行,求助學霸,由人工解答,寫出步驟,達到搜題解疑的目的,這是拍照搜題在運用UGC時的邏輯。為了提高用戶的解題熱情,諸如作業幫、學習寶之類的平臺方已紛紛推出相應激勵措施,比如通過答題換積分、積分換禮品等方式刺激用戶內容生產的積極性。
 
盡管如此,體驗並不完美。大部分題目還是處在無人回答的狀態,或者簡單的題目引起蜂擁搶答,難題被冷落,直至淹沒在題海。《創業家》記者在采訪學生用戶時也了解到,他們答題的動力很大程度上在於獲取積分、兌換禮品。這種物質驅動或難持續,且已衍生出做假換積分等行為。小禮品數量有限、大件商品積分值太高,也開始影響用戶答題的積極性。阿凡題的做法是,專門邀請上千名老師入駐,一方面保證解答質量,另一方面提高用戶體驗和活躍度。
 
同行對手中已不乏試水UGC者,但學習寶似乎興趣不大。“我們暫不打算走這條路。”學習寶CEO黃湧濤對《創業家》記者稱。學習寶也有用戶答題的板塊,但他們更希望借助軟件本身的優化,來解決搜不出題的問題。在學習寶的功能中,求助學霸不是第一選擇,用戶只有在搜不出題時才能使用。
 
盈利觀
 
教育行業很賺錢,這是很多從業者的共識。對於拍照搜題的創業者而言,他們或許會是這種共識最大的反對者。他們最不願談及的就是賺錢問題。
 
盡管都搭載著拍照功能,但做法各有側重。在盈利模式上,各平臺態度一致,均稱暫時還沒有考慮盈利的問題。當然,這或與平臺自身顧慮有關。但客觀講,拍照搜題相較培訓、直播等其他細分領域,顯然更難嗅到錢的味道。
 
“這只是一種工具,學習解疑的工具”,猿題庫副總裁李鑫對《創業家》記者說。李鑫稱,猿題庫推出小猿搜題,從一開始沒有將它當成盈利業務,做這件事只因“別人沒做好,用戶又有需求”。
 
“我想的是,這1.8億中小學生如何能夠得到最好的教育服務。盈利和商業模式一點都不重要。”學習寶CEO黃湧濤的說法格局宏大但又耐人尋味。
 
阿凡題創始人陳李江表示,目前雖不予考慮,但他並不認為盈利是一件很難的事情。在他看來,答疑個性化服務和流量分發,是很好的變現方式。
 
難賺錢也是部分投資人擔心的問題。創新工場投資總監張麗君去年底看了好幾個相關項目,但一直沒投,原因就在於,她感覺這里面存在用戶體驗無法保障和商業模式變現難等問題。“相比職業教育,K12的付費群體與使用主體不是同一類人,這種轉化跨度有點大。”
 
對於猿題庫而言,小猿搜題只不過是副業,其他以此為主業的平臺看起來已不得不思考以後的生存盈利問題了。
 
起家於拍照搜題的軟件商們,在一邊流量猛增、一邊變現難的情況下,開始有了突圍的跡象:學霸君作為最早一批入局拍照搜題的平臺,專攻機器搜題,如今也開始往做題練習的方向拓展;學習寶在固守陣地的同時,已增加語音答題服務,目前不收費,但並不排除將來收費的可能,畢竟背後是大量的人力支撐;阿凡題采用的是機器搜題+教師背後答題的模式,現在則希望在機器搜題的基礎上,實現從簡單的答題到深度答疑的轉變——“答題是做出題目,答疑是搞懂問題”——至於答疑將以何種形態出現,陳李江並沒有過多透露。


版權所有:本文作者周路平,編輯齊介侖,文章為原創,本刊版權所有,如需轉載請聯系zzyyanan授權。未經授權,轉載必究。

\新零售的另一種解題思路:重新認識數據行為
野草新消費野草新消費

新零售的另一種解題思路:重新認識數據行為

如何把數據行為應用放到新零售里呢?

文 | 腦極體

先來思考這樣一個問題:為什麽星巴克的排隊一定是橫排的,而不是肯德基麥當勞那樣的豎排?

這個問題經濟學中有很多中解釋,但其中比較靠譜的一種認為:橫排排隊可以減少空間中的壓抑感,一方面讓整個空間看起來更寬敞,一方面可以降低人流的流動頻次,緩解空間中的緊張感。

新零售的另一種解題思路:重新認識數據行為

通過橫著排隊這種對行為規則的改變,讓咖啡館區別於快餐店,確定了自己的消費人群和商業模型,是個非常好的經濟學案例。

這其中很重要的一點是說明了“行為”這個東西能帶來的商業結果。經濟學有個分支叫做行為經濟學,就是專門研究這個的。著名的心理學家卡勒曼還憑借對行為經濟學中心賬理論的構建獲得過諾貝爾經濟科學獎。

以上是為了說明行為學與經濟學交叉可能發酵出的價值。所謂行為學,在學術上的研究目標是“個體和社群為適應內外環境變化所作出的反應”。我們每天的一舉一動莫不是行為,習慣、工作、愛好也都是行為。

很有意思的是,行為是一個非常好的數據化樣本,比如你每天的出行路線、上網的瀏覽軌跡、攝像頭中的一舉一動,都可以被數據化。而數據的運行本身也是一種行為,比如數據的運算、建模、流動和交換。我們今天的世界,可以說是從行為數據化中開始,到數據行為化中結束(好吧我承認這段有點繞,但是沒關系,下邊會更繞的)。

關註數據行為,可能得到的東西非常多,絕對不是一篇文章可以討論的。所以我們不妨在這里舉個例子,來看一下數據行為化可能激發的想象。

最近一個特別火的概念是新零售。而馬雲提出新零售時,就明確了它是融合線上、線下與數據的產物。目前我們看到的生物識別+無人超市,就是一種線上數據來到線下場景的示例。

但數據行為也許可以給我們更多,今天我們的主題是通過換一種方式理解數據,來打通線下消費的更多可能性。

結果與過程:另一個視角看數據

首先我們要知道,一般情況所看到的大數據到底是什麽?

比如說,我們看到了大數據顯示,每天有多少共享單車被使用、房價一年擡高了多少、地區農作物產量的數據變化等等,這都是大數據的結果。

我們看到的數據,是經歷了數據收集與運算、整理過程之後,呈現出可供人理解的“扁平化大數據”。我們可能確實知道了很多此前不知道的,但這絕對不是大數據的全貌。

比如,我們看得到一個地區交通事故的總數和時間曲線,卻看不到每一次交通事故是如何發生的、原因有哪些種、哪些事故因素可以被改善、哪些事故可以更及時救援,甚至哪些可以預防。

假如說我們看到的數據結果是一個二次元的漫畫人物,那麽看不見的數據就是一個三次元的里的完整的人——這就是數據行為。

數據行為不僅僅是數據的增長過程,還包括在整個時空關系中數據的交互狀態。比如具體數據的軌跡、數據的折返區間、數據多元性,以及與預期模型之間的差異。

這麽說可能有點過於抽象,舉個不太恰當的例子來解釋:你買個盒雪糕,這個是數據結果,證明你喜歡這個牌子的雪糕。但是數據行為卻可能顯示,你是問了好幾個牌子都沒貨,挑了好幾個牌子嫌太貴,不想買卻發現實在太熱,才最終買了這盒雪糕……然後吃一口就扔了——這都是數據行為——也是其他雪糕品牌占領這個客戶的機會。

當然,數據行為實在太複雜了,因為這是在跟蹤數據而不是整理數據。此工作人力無法勝任。但人工智能不正是用來解決人力無法完成的工作嗎?比如已經有用遷移學習技術來追蹤城市里每輛車形式軌跡的技術,這就是一種解讀數據行為的嘗試。

由於數據行為千變萬化,具體而微,尤其可能關乎與人與社會空間的互動。解碼數據行為,也就成為了AI介入生活的一次良機。

用戶數據行為

想要搞明白如何用數據行為驅動新零售,首先要看到哪些數據可能對零售場景產生影響。這里我們可以把它分為兩種:個體用戶數據和群組數據。

通過大數據來了解用戶,已經不是什麽新鮮事,甚至有點老生常談。但根據用戶數據的數據行為來了解你的用戶卻是一個空白。

通過解碼數據行為,你會得到哪些對用戶的全新認知呢?

首先是數據行為在時間上的同頻性,可以讓掌握數據的企業認識多端口數據源融合下的用戶。比如說我們的社交行為、內容閱讀行為、購物行為,與真實世界中攝像頭拍攝下的我們、交通信息中的我們、工商信息中的我們,其實各自都是我們自身的一個剪影。通過時間概念把這些數據整合起來,可以合並成一個相對完整的用戶形象。

它在購買行為之外的所思所想,每天的所見所聞,其實都不難在暴露在公共視野下的數據拼接起來。這樣企業對於用戶消費動機與規律的把握,將提升到一個新的高度。

再比如說,數據行為會偵測用戶消費軌跡的改變。大部分人在生活中都有穩定的消費規則,或高或低都有其規律。而一旦出現峰值,就會說明用戶有某種消費異常產生。實時分析這些消費數據的行為軌跡,可以實時提供切中服務,比如用戶突然出現消費沖動時進行針對引導、用戶消費軌跡趨緩時給予消費刺激,用戶消費進入極端低谷,就該考慮提供網貸產品了(開玩笑開玩笑)。

另一個數據行為帶來的改變,是企業可以測算出用戶應用的使用模型。比如一個籃球,用戶本應該一周打五次,一次半小時。但假如出現用戶使用率降低,可能就說明產品本身出現問題了。當然就籃球來說可能只是因為用戶比較懶,但對於互聯網產品來說,用戶行為與預期模型之間的差別卻能說明很多問題。

組織行為中的關鍵信息比特化

通過人工智能檢測個體用戶數據之外,還有一種檢測集體數據行為的方式。比如已經在城市安防當中應用的人流軌跡識別技術。

這類技術可以觀察一個群體的動態,並通過多個數據源進行數據采集與分析。這一類數據進行全面的數據行為監控很難,但卻可以對關鍵信息進行比特化。永久留存並進行多個領域的應用。

比如說,某個寫字樓里一到中午就聲貝提高,人臉識別表示不高興的人數急劇攀升:這可能說明外賣必須投入更多人力了。或者某地鐵站早上的人流停滯度過高,人流運行緩慢:這可能說明要放更多共享單車了。通過比特化這些數據運行的關鍵值,可以給企業提供非常好的運行依據。

這只是最基本的一種人流數據行為應用。具體到相對垂直、複雜的群落組織中,數據行為的應用性會更加廣闊。

有一個多領域的交叉學科叫做組織行為學,專門研究組織中人的心理和行為表現及其客觀規律,以達到預測、引導和控制人的行為的能力。通過計算機計算去測算和預期組織行為中個體與群落的互動,恐怕會帶來無數種應用可能。

如何激發消費

說了這麽多,到底如何把數據行為應用放到新零售里呢?

綜上所述,數據行為可以更好地理解個體與群體在時間軸上的精準動向和動機。這就讓很多基於移動互聯網的簡單商業激發有可能變得更加複雜。

通過對線上數據行為的廣泛測寫,結合現實世界數據收集端口提供幫助。人工智能至少可以為線下消費場景搭建以下幾種能力:

一、解決地理空間中的推薦問題:我們都感受過所謂的智能推薦,基本都是根據你的瀏覽記錄進行購買推薦。這種推薦本身非常不智能,而且往往進行線下推薦時就會失效。因為系統只能知道你的定位,卻無法預計你的目標,也無從知道你的運動軌跡。更多時候還是需要用戶自己去尋找消費。而結合運行軌跡、消費軌跡等數據行為,或許可以準確的在地理空間中實現線下消費推薦:不走冤枉路,不浪費時間,就近找到你的消費可能。

二、解決實時需求:數據行為檢測的一個特征,就是其具有非常強的實時處理能力。很多消費契機都是實時出現的,可能用戶自身都沒有察覺到。但數據系統卻可以感知到。比如數據證明你該渴了,又能從以往消費數據中判斷你的口味,然後實時對接飲品店的消費可能。這就集成了很多消費機會。

三、提供線下的智能服務:新零售里一直有個預期,就是你到了店里,發現店里正好都是你需要買的東西,不用自己找。這種聽起來像讀心術的消費場景,也可能通過對你生活中方方面面數據行為的測算得到結果。人進行線下消費的頻率其實是非常穩定的。利用遷移學習和過往數據來生成一個人的購物預期模型,並非不能做到。

四、根據群體行為調整供需策略:就像上文說的,群體行為往往決定了很多服務與消費的市場,群體行為的往複變化也決定了很多依托人群的消費場景興衰。測算人群,實時調整供需和營銷,可以為人群場景的線下消費企業提供極大的效率改善。

相比我們經常看到的圖表和結論,大數據這東西其實能體現更多東西。我們每天都暴露在數據收集器之下,也成為數據的使用者和消費者。相比無盡的增大數據量,把現有數據立體化、行為化其實就能探究人類社會的無數秘密。

數據會繼續帶來更多改變,同時也引發著更多恐懼:在人工智能才有能力理解的海量數據面前,人類究竟還有什麽秘密與隱私可言?

* 本文作者腦極體。歡迎關註野草新消費(ID:yecaoxxf),加入消費升級VIP群,請加野草君微信(crui12580)。

微信圖片_20170628201529

新零售數據行為消費企業服務人工智能
贊(...)
文章評論
匿名用戶
發布

新零售的另一種解題思路:重新認識數據行為

來源: http://www.iheima.com/zixun/2017/0803/164450.shtml

新零售的另一種解題思路:重新認識數據行為
野草新消費野草新消費

新零售的另一種解題思路:重新認識數據行為

如何把數據行為應用放到新零售里呢?

文 | 腦極體

先來思考這樣一個問題:為什麽星巴克的排隊一定是橫排的,而不是肯德基麥當勞那樣的豎排?

這個問題經濟學中有很多中解釋,但其中比較靠譜的一種認為:橫排排隊可以減少空間中的壓抑感,一方面讓整個空間看起來更寬敞,一方面可以降低人流的流動頻次,緩解空間中的緊張感。

新零售的另一種解題思路:重新認識數據行為

通過橫著排隊這種對行為規則的改變,讓咖啡館區別於快餐店,確定了自己的消費人群和商業模型,是個非常好的經濟學案例。

這其中很重要的一點是說明了“行為”這個東西能帶來的商業結果。經濟學有個分支叫做行為經濟學,就是專門研究這個的。著名的心理學家卡勒曼還憑借對行為經濟學中心賬理論的構建獲得過諾貝爾經濟科學獎。

以上是為了說明行為學與經濟學交叉可能發酵出的價值。所謂行為學,在學術上的研究目標是“個體和社群為適應內外環境變化所作出的反應”。我們每天的一舉一動莫不是行為,習慣、工作、愛好也都是行為。

很有意思的是,行為是一個非常好的數據化樣本,比如你每天的出行路線、上網的瀏覽軌跡、攝像頭中的一舉一動,都可以被數據化。而數據的運行本身也是一種行為,比如數據的運算、建模、流動和交換。我們今天的世界,可以說是從行為數據化中開始,到數據行為化中結束(好吧我承認這段有點繞,但是沒關系,下邊會更繞的)。

關註數據行為,可能得到的東西非常多,絕對不是一篇文章可以討論的。所以我們不妨在這里舉個例子,來看一下數據行為化可能激發的想象。

最近一個特別火的概念是新零售。而馬雲提出新零售時,就明確了它是融合線上、線下與數據的產物。目前我們看到的生物識別+無人超市,就是一種線上數據來到線下場景的示例。

但數據行為也許可以給我們更多,今天我們的主題是通過換一種方式理解數據,來打通線下消費的更多可能性。

結果與過程:另一個視角看數據

首先我們要知道,一般情況所看到的大數據到底是什麽?

比如說,我們看到了大數據顯示,每天有多少共享單車被使用、房價一年擡高了多少、地區農作物產量的數據變化等等,這都是大數據的結果。

我們看到的數據,是經歷了數據收集與運算、整理過程之後,呈現出可供人理解的“扁平化大數據”。我們可能確實知道了很多此前不知道的,但這絕對不是大數據的全貌。

比如,我們看得到一個地區交通事故的總數和時間曲線,卻看不到每一次交通事故是如何發生的、原因有哪些種、哪些事故因素可以被改善、哪些事故可以更及時救援,甚至哪些可以預防。

假如說我們看到的數據結果是一個二次元的漫畫人物,那麽看不見的數據就是一個三次元的里的完整的人——這就是數據行為。

數據行為不僅僅是數據的增長過程,還包括在整個時空關系中數據的交互狀態。比如具體數據的軌跡、數據的折返區間、數據多元性,以及與預期模型之間的差異。

這麽說可能有點過於抽象,舉個不太恰當的例子來解釋:你買個盒雪糕,這個是數據結果,證明你喜歡這個牌子的雪糕。但是數據行為卻可能顯示,你是問了好幾個牌子都沒貨,挑了好幾個牌子嫌太貴,不想買卻發現實在太熱,才最終買了這盒雪糕……然後吃一口就扔了——這都是數據行為——也是其他雪糕品牌占領這個客戶的機會。

當然,數據行為實在太複雜了,因為這是在跟蹤數據而不是整理數據。此工作人力無法勝任。但人工智能不正是用來解決人力無法完成的工作嗎?比如已經有用遷移學習技術來追蹤城市里每輛車形式軌跡的技術,這就是一種解讀數據行為的嘗試。

由於數據行為千變萬化,具體而微,尤其可能關乎與人與社會空間的互動。解碼數據行為,也就成為了AI介入生活的一次良機。

用戶數據行為

想要搞明白如何用數據行為驅動新零售,首先要看到哪些數據可能對零售場景產生影響。這里我們可以把它分為兩種:個體用戶數據和群組數據。

通過大數據來了解用戶,已經不是什麽新鮮事,甚至有點老生常談。但根據用戶數據的數據行為來了解你的用戶卻是一個空白。

通過解碼數據行為,你會得到哪些對用戶的全新認知呢?

首先是數據行為在時間上的同頻性,可以讓掌握數據的企業認識多端口數據源融合下的用戶。比如說我們的社交行為、內容閱讀行為、購物行為,與真實世界中攝像頭拍攝下的我們、交通信息中的我們、工商信息中的我們,其實各自都是我們自身的一個剪影。通過時間概念把這些數據整合起來,可以合並成一個相對完整的用戶形象。

它在購買行為之外的所思所想,每天的所見所聞,其實都不難在暴露在公共視野下的數據拼接起來。這樣企業對於用戶消費動機與規律的把握,將提升到一個新的高度。

再比如說,數據行為會偵測用戶消費軌跡的改變。大部分人在生活中都有穩定的消費規則,或高或低都有其規律。而一旦出現峰值,就會說明用戶有某種消費異常產生。實時分析這些消費數據的行為軌跡,可以實時提供切中服務,比如用戶突然出現消費沖動時進行針對引導、用戶消費軌跡趨緩時給予消費刺激,用戶消費進入極端低谷,就該考慮提供網貸產品了(開玩笑開玩笑)。

另一個數據行為帶來的改變,是企業可以測算出用戶應用的使用模型。比如一個籃球,用戶本應該一周打五次,一次半小時。但假如出現用戶使用率降低,可能就說明產品本身出現問題了。當然就籃球來說可能只是因為用戶比較懶,但對於互聯網產品來說,用戶行為與預期模型之間的差別卻能說明很多問題。

組織行為中的關鍵信息比特化

通過人工智能檢測個體用戶數據之外,還有一種檢測集體數據行為的方式。比如已經在城市安防當中應用的人流軌跡識別技術。

這類技術可以觀察一個群體的動態,並通過多個數據源進行數據采集與分析。這一類數據進行全面的數據行為監控很難,但卻可以對關鍵信息進行比特化。永久留存並進行多個領域的應用。

比如說,某個寫字樓里一到中午就聲貝提高,人臉識別表示不高興的人數急劇攀升:這可能說明外賣必須投入更多人力了。或者某地鐵站早上的人流停滯度過高,人流運行緩慢:這可能說明要放更多共享單車了。通過比特化這些數據運行的關鍵值,可以給企業提供非常好的運行依據。

這只是最基本的一種人流數據行為應用。具體到相對垂直、複雜的群落組織中,數據行為的應用性會更加廣闊。

有一個多領域的交叉學科叫做組織行為學,專門研究組織中人的心理和行為表現及其客觀規律,以達到預測、引導和控制人的行為的能力。通過計算機計算去測算和預期組織行為中個體與群落的互動,恐怕會帶來無數種應用可能。

如何激發消費

說了這麽多,到底如何把數據行為應用放到新零售里呢?

綜上所述,數據行為可以更好地理解個體與群體在時間軸上的精準動向和動機。這就讓很多基於移動互聯網的簡單商業激發有可能變得更加複雜。

通過對線上數據行為的廣泛測寫,結合現實世界數據收集端口提供幫助。人工智能至少可以為線下消費場景搭建以下幾種能力:

一、解決地理空間中的推薦問題:我們都感受過所謂的智能推薦,基本都是根據你的瀏覽記錄進行購買推薦。這種推薦本身非常不智能,而且往往進行線下推薦時就會失效。因為系統只能知道你的定位,卻無法預計你的目標,也無從知道你的運動軌跡。更多時候還是需要用戶自己去尋找消費。而結合運行軌跡、消費軌跡等數據行為,或許可以準確的在地理空間中實現線下消費推薦:不走冤枉路,不浪費時間,就近找到你的消費可能。

二、解決實時需求:數據行為檢測的一個特征,就是其具有非常強的實時處理能力。很多消費契機都是實時出現的,可能用戶自身都沒有察覺到。但數據系統卻可以感知到。比如數據證明你該渴了,又能從以往消費數據中判斷你的口味,然後實時對接飲品店的消費可能。這就集成了很多消費機會。

三、提供線下的智能服務:新零售里一直有個預期,就是你到了店里,發現店里正好都是你需要買的東西,不用自己找。這種聽起來像讀心術的消費場景,也可能通過對你生活中方方面面數據行為的測算得到結果。人進行線下消費的頻率其實是非常穩定的。利用遷移學習和過往數據來生成一個人的購物預期模型,並非不能做到。

四、根據群體行為調整供需策略:就像上文說的,群體行為往往決定了很多服務與消費的市場,群體行為的往複變化也決定了很多依托人群的消費場景興衰。測算人群,實時調整供需和營銷,可以為人群場景的線下消費企業提供極大的效率改善。

相比我們經常看到的圖表和結論,大數據這東西其實能體現更多東西。我們每天都暴露在數據收集器之下,也成為數據的使用者和消費者。相比無盡的增大數據量,把現有數據立體化、行為化其實就能探究人類社會的無數秘密。

數據會繼續帶來更多改變,同時也引發著更多恐懼:在人工智能才有能力理解的海量數據面前,人類究竟還有什麽秘密與隱私可言?

* 本文作者腦極體。歡迎關註野草新消費(ID:yecaoxxf),加入消費升級VIP群,請加野草君微信(crui12580)。

微信圖片_20170628201529

新零售數據行為消費企業服務人工智能
贊(...)
文章評論
匿名用戶
發布

Next Page

ZKIZ Archives @ 2019