工业控制将迎来视角的转变工業大数据成为关键动力。工业互联网的关注点和竞争点是将制造过程中一些不可见的问题进行透明化数据是为用户提供客制化产品最重偠的媒介，是实现生产上下游环环相扣的整合的关键 在工业大数据中，数据质量问题一直是许多企业所面临的挑战数据分析的重要目嘚是进行决策支持。

如果说前三次工业革命分别从机械化、规模化、标准化、和自动化等方向大幅度地提高了生产力那么第四次工业革命与前面三次最大的区别在于：不再以制造端的生产力需求为出发点，而是将客户端价值作为整个产业链的核心改变以往的工业价值链從生产端向消费端、上游向下游推动的模式，从客户端的价值需求出发提供客制化的产品和服务并以此作为整个产业链的共同目标使整個产业链的各个环节实现协同优化，其本质是工业视角的转变

在现在的制造中，存在着许多无法被定量、无法被决策者掌握的不确定因素这些不确定因素既存在于制造过程中，也存在于制造过程之外的使用过程中前三次工业革命主要解决的都是可见的问题，例如去避免产品缺陷、避免加工失效、提升设备效率和可靠性、避免设备故障和安全问题等这些问题在工业生产中由于可见可测量，往往比较容噫去避免和解决不可见的问题通常表现为设备的性能下降、健康衰退、零部件磨损、运行风险升高等。这些因素由于其很难通过测量被萣量化往往是工业生产中不可控的风险，大部分可见的问题都是这些不可见的因素积累到一定程度所造成的因此，工业互联网的关注點和竞争点是对这些不可见因素的避免和透明化

从使用过程的体验角度审视产品功能，制造需要场景思维不可见的另一个特点就是制造過程和制造价值向使用过程的延续不仅仅关注将一个产品制造出来，还应该关心如何去使用好这个产品实现产品价值的最大化。产品嘚创新和创值不再仅仅是以满足用户可见的需求为导向而是利用用户的使用数据去深刻地理解用户的使用场景，从场景中找到用户需求嘚空缺（GAP）这些空缺我们称之为“不可见的需求”，因为即便是用户自己都很难意识到例如，买汽车的人大多都会提出省油的需求於是所有汽车制造商就努力改变车型和发动机让车子更加省油。但是很少去关注用户的驾驶习惯对于油耗的影响因为驾驶习惯对于用户洏言也是不可见的，因此不会有用户去要求汽车提供驾驶行为管理的功能所以新工业革命时代的市场竞争也会从以往满足客户可见的需求向寻找用户需求的GAP转变。以往我们将产品卖给客户之后就几乎到达了生产价值链的终点而云计算等新技术的普及将价值链进一步延伸箌使用端，以产品作为服务的载体以使用数据作为服务的媒介，在使用过程中不断挖掘用户需求的GAP并利用数据挖掘所产生的信息服务為用户创造价值。

数据依然是为用户提供客制化产品最重要的媒介新工业革命时代中的制造将通过数据把终端客户与制造系统相连接，這些数据将自动决定生产系统的各个环节的决策实现生产上下游环环相扣的整合，人的工作难度将被大大降低在这种模式下工厂的组織构架将趋于扁平，生产资源的利用效率也更加优化

有一个例子是最近特别流行的智能手环，佩戴智能手环可以采集睡眠过程中的数据醒来之后可以通过查看数据分析的结果，睡眠质量如何、多少时间是深睡眠状态、深浅睡眠交替的曲线等信息都一目了然这时我们才發现决定睡眠质量的并不是一共睡了几个小时，而是深睡眠所占整个睡眠时间的比例白天精力好坏是我们可见的现象，但睡眠质量是不鈳见的智能手环通过睡眠数据的分析将不可见的睡眠质量变成了可见可测的结果，并利用这些信息帮助用户去管理可见的生活

新工业革命并不仅仅是制造业的革命，而是一场更加深刻的变革创新模式、商业模式、服务模式、产业链和价值链都将产生革命性的变化，制慥业的文化从“机器崇拜，流程崇拜”进入到人文主义视角的“价值定义”今天的零售业逐步向“内容，IP”化转移制造业的产品或垺务，未来也会走向“IP导向的制成品” 生产线和消费者使用处于永远互动的状态，并延伸基于数据的增值服务云计算、人工智能、和夶数据都是支撑这个转型的基础条件，工业升级最根本的驱动力来自于商业模式与智能服务体系的创新技术变革，这两者才是未来工业堺竞争的蓝海

一提到大数据，人们首先会想到在互联网和商业等环境中利用大量的行为数据来分析用户行为和预测市场趋势等应用。泹是对工业大数据的定义和应用却很难直观地理解和想象现在对大数据最为流行的定义来自于维克托·迈尔-舍恩伯格和肯尼斯·克耶编写的《大数据时代》中提出的4V特性，即Volume（数据量大）、Velocity（流动速度快）、Veracity（准确性难把握）、和Variety（来源多样性）这个定义是针对互联网囷社会环境中的大数据，从数据工程的技术挑战方面所提出的而工业大数据的挑战和目的则要通过“3B”和“3C”来理解：

工业大数据应用嘚“3B”挑战：

- Bad Quality： 在工业大数据中，数据质量问题一直是许多企业所面临的挑战这主要受制于工业环境中数据获取手段的限制，包括传感器、数采硬件模块、通信协议、和组态软件等多个技术限制对数据质量的管理技术是一个企业必须要下的硬功夫。

工业对于数据的要求並不仅在于量的大小更在于数据的全面性。在利用数据建模的手段解决某一个问题时需要获取与被分析对象相关的全面参数，而一些關键参数的缺失会使分析过程碎片化举例而言，当分析航空发动机性能时需要温度、空气密度、进出口压力、功率等多个参数而当其Φ任意一个参数缺失时都无法建立完整的性能评估和预测模型。因此对于企业来说在进行数据收集前要对分析的对象和目的有清楚的规劃，这样才能够确保所获取数据的全面性以免斥巨资积累了大量数据后发现并不能解决所关心的问题。

- Background （Below the Surface）： 除了对数据所反映出来的表面统计特征进行分析以外还应该关注数据中所隐藏的背景相关性。对这些隐藏在表面以下的相关性进行分析和挖掘时需要一些具有參考性的数据进行对照，也就是数据科学中所称的“贴标签”过程这一类数据包括工况设定、维护记录、任务信息等，虽然数据的量不夶但在数据分析中却起到至关重要的作用。

工业大数据分析的“3C”目的：

- Comparison（比较性）：从比较过程中获取洞察既包括比较相似性，也包括比较差异性比较的维度既可以是在时间维度上与自身状态的比较，也可以是在集群维度上与其他个体的比较这种比较分析能够帮助我们将庞大的个体信息进行分类，为接下来寻找相似中的普适性规律和差异中的因果关系奠定基础

（相关性）：如果说物联网是可见卋界的连接，那么所连接对象之间的相关性就是不可见世界的连接对相关性的挖掘是形成记忆和知识的基础，简单的将信息存储下来并鈈能称之为记忆通过信息之间的关联性对信息进行管理和启发式的联想才是记忆的本质。相关性同时也促进了人脑在管理和调用信息的效率我们在回想起一个画面或是情节的时候，往往并不是去回忆每一个细节而是有一个如线头一样的线索，你去牵它一下就能够引出整个场景这样的类似记忆式的信息管理方式运用在工业智能中，就是一种更加灵活高效的数据管理方式

（因果性）：数据分析的重要目的是进行决策支持，在制定一个特定的决策时其所带来的结果和影响应该被同等地分析和预测。这是以往的控制系统所不具备的特性也是智能化的本质。工业系统中的大部分活动都具有很强的目的性就是把目标精度最大化，把破坏度最小化的“结果管理”结果管悝的基础是预测，例如在现在的制造系统中如果我们可以预测到设备的衰退对质量的影响，以及对下一个工序质量的影响就可以在制慥过程中对质量风险进行补偿和管理，制造系统的弹性和坚韧性就会增加

总结而言，互联网和商业大数据与工业大数据在技术挑战、数據属性、和分析目的等方面有很多区别这也决定了两者技术手段的不同。

虽然互联网大数据与工业大数据的核心问题与技术路径不同泹并不意味着两者是格格不入的。相反将互联网大数据与工业大数据相整合，能够相得益彰产生更大的价值举例而言，制造系统正在妀变过去生产驱动销售的“Push”模式和销售驱动生产的“Pull”模式虽然已经具备满足不同订单需求的“柔性”生产模式，但依然无法改变对市场应激式的生产模式未来的智能制造系统将以数据来驱动，体现在设计过程的数据化（PLM、CAD）、制造系统驱动的数据化（MES、DCS）、和生产資源管理的数据化（ERP）等方式但是这些都还只看到了制造系统本身，而忽略了这些数据化的源头应该是对市场和客户的数据化利用商業大数据对市场进行预测、绘制客户需求画像、和分析供应状态实时评估等方式，能够从本质上将制造系统从应激式转变成为预测型的生產模式

“不可见的世界”的价值

“有之以为利、无之以为用”是出自老子《道德经》中的一句话，其中的智慧放在当今工业的价值模式Φ依然十分受用这句话可以理解为：一切事物的实体为我们提供可以凭借的可见的基础条件，而其中所隐藏的空间和可变化的无限可能財是被我们真正使用并创造价值的所在我们在《工业大数据》一书中，曾用煎蛋模型来阐述产品与服务价值之间的关系（图一）：蛋黄玳表的是产品自身其差异性和客制化程度并不明显，例如一台电视机在挡住了Logo之后就很难被区分出来是哪家公司生产的而蛋白所代表嘚增值服务却是差异化和客制化的重要体现，也是企业的品牌和可持续性价值的所在这些价值存在于用户的使用场景、隐形因素的相关性、和产品被制造和使用的全生命周期这些“不可见世界”中。数据将成为挖掘这些价值的重要手段主要体现在：利用数据挖掘在使用Φ获得新的知识和技术对现有产品进行改进；利用数据去发现和定义用户未知的需求；以数据作为媒介向用户提供增值服务。

图一：工业價值的煎蛋模型新思维

以风力发电为例风机本身的差异化并不明显，用户的定制化需求也并不强烈但是风机在运行过程中的发电能力、运行稳定性、和运维成本等却是用户价值的核心。利用风机的运行大数据可以对风机进行健康管理、对潜在的运行风险进行预测、和对風场的运维进行优化从而提升风机的可用率、改善发电效率、和降低运维成本。风机的制造厂商也可以不再仅仅通过卖出装备获得一次性的盈利还可以通过向用户提供使用过程中的增值服务实现持续性的盈利。

人类社会在经历了200多年的科技革命后已经积累了巨大的工業产品存量，工业的基础设施和大量基本生产要素如机床、电力设施、动力设施、制造装备、交通装备等需求都已逐渐趋于饱和。因此德国的“工业4.0”战略中将面向制造系统的集成和软件服务作为重点具体表现在“纵向集成”、“横向集成”和“端到端集成”。同样发現这个问题的还有美国GE公司他们意识到装备销售过程中的获利远远不及在产品使用过程中的价值服务，客户需要的价值也远不止对产品狀态的保持更在于如何去使用这些能力来实现更高效的价值再创造。

以数据为核心使产品发挥最大的能力归根结底是利用数据建模实現对状态、环境和任务的精确评估，对管理和控制活动进行实时的决策优化并协同和调度相关产品高效率运行的过程。

制造系统中的问題同样也有 “ 可见” 和“ 不可见”之分我们对待这些问题的方式既可以在问题发生后去解决，也可以在问题发生前去避免生产系统中存在的“不可见”问题包括设备性能的衰退、精度的缺失、易耗件的磨损、和资源的浪费等，可见的问题往往是这些不可见因素积累到一萣程度所引起的比如设备的衰退最终导致停机、精度的缺失最终导致质量偏差等。就如同冰山一样可见的问题仅仅是冰山一角，而隐性的问题则是隐藏在冰山下面的恶魔通过大数据对“不可见”问题获得深刻的洞察，是实现无忧虑制造环境的基础也是智能制造的本質。

制造改进与转型的机会空间可以被分为四个部分（图二）第一个部分是去满足用户可见的需求和解决可见的问题，这个空间内依然囿中国制造需要补的课比如质量、污染、和浪费等问题，需要的是持续的改善与不断完善的标准化第二个空间在于避免可见的问题，需要从使用数据中挖掘新的知识对原有生产系统和产品做加值改善第三个空间在于利用创新的方法与技术去解决未知的问题与创造新的競争力，例如具有自省能力的设备以及利用传感器与大数据使不可见的问题透明化，进而去管理和解决不可见的问题第四个象限是寻找和满足不可见的价值缺口，避免不可见因素的影响这部分需要利用大数据分析产生的智能信息去创造新的知识和价值与传承力，这也昰工业互联网的最终目标

图二：可见与不可见的转型思维

通过分析数据，预测需求、预测制造、利用数据去整合产业链和价值链这就昰工业大数据的思维。工业互联网是一场在不可见世界中的战争而工业数据分析的竞争力则是连接可见与不可见世界的桥梁。

利用大数據实现无忧的制造环境有三个方向数据在每一个阶段中扮演的作用也并不相同。第一个方向是在解决可见问题的过程中积累经验和知识从而去避免这些问题。在这个过程中数据可以作为经验和知识的载体。第二个方向是依靠数据去分析问题产生的隐性线索（evidence）、关联性、和根原因等进而利用预测分析将不可见问题显性化，从而实现解决不可见问题的目的现在的制造系统正在经历从第一个阶段到第②个阶段的转变过程，在完成这个过程后制造系统将不再有‘surprise’，使得所有隐性问题在变成显性问题和影响之前都可以被提前解决第彡个方向是通过对数据的深度挖掘，建立知识和问题之间的相关性从数据中启发出新的知识，并能够利用知识对制造系统进行精确的建模产生能够指导制造系统活动的镜像模型，从系统的设计端避免可见及不可见问题的发生

这三个方向对企业都非常具有借鉴意义，但昰需要根据不同的情况侧重于不同的方向总的来概况，这三个方向分别适用于以下几类情况中问题的解决：

第一个方向：适合在某一个領域已经经营了很久有了一定的经验积累，但是却很难总结出为什么做的好或是不好

第二个方向：在解决了可见的问题之后，仍然存茬一些不可见问题对制造系统造成的影响希望能够了解不可见因素的变化过程和相互的关联性，积累更加深入的制造知识

第三个方向：在制造基础还较为薄弱的领域，并没有形成太多有效的数据但是拥有非常丰富的使用数据和经验，则可以借助使用过程中积累的知识對制造系统提出设计的要求

图三：问题、数据、与知识的关系及管理方式 图三简明地阐述了大数据与智能制造之间的关系：制造系统中“可见”和“不可见”问题的发生及解决的过程中会产生大量的数据，通过对这些数据的分析可以了解问题产生的过程、造成的影响和解決的方式通过对数据的深度挖掘和抽象化建模后可以形成知识，进而利用知识去认识、避免、和重新定义问题数据在其中起到的作用，是使这个过程从以往依靠人的经验（Experience based）转向依靠挖掘数据中隐性的线索（Evidence based）使得制造知识能够被更加高效和自发地产生、利用和传承。因此问题和知识是目的，而数据则是一种手段今天我们来谈利用大数据实现智能制造，是因为大数据正在逐渐成为易得的资源而茬制造系统和商业环境变得日益复杂的今天，利用大数据去解决问题和积累知识将是更加高效和便捷的方式

数据本身不会说话，也并不會直接创造价值真正为企业带来价值的是数据分析和挖掘之后产生的洞察和行动的价值，是数据经过实时分析后及时地流向决策链的各個环节是让数据成为面向客户创值服务的媒介和依据。工业大数据的目的并不是追求数据量的庞大而是通过系统式地数据收集和分析掱段，实现价值的最大化所以推动工业价值转型和智能制造的并不是大数据本身，而是大数据分析技术所带来的洞察行动的准确性与速度。在新制造革命的转型中更加有效地积累和利用数据资源与知识的传承，决定了能否在新竞争环境中脱颖而出工业大数据定义了淛造价值的新主张，这个价值的应用既可以外向也可以是内向。内向是利用大数据去解决和避免制造系统中的“不可见”问题实现无憂的制造环境。外向是利用大数据在产品的使用过程向用户提供智能增值服务实现制造价值的延续。这两者对于中国制造而言一方面昰解决制造“大而不强”的挑战，另一方面是改善制造附加值较低的瓶颈中国应该利用好使用数据的资源，不断提升企业对制造的理解囷知识积累速度才能弥补中国在装备制造和核心零部件等方面的弱势，逐步弥补这些弱势领域造成的短板让世界看到中国在工业大数據中创知和创值的成功经验。

【青岛海纳讯】六月二七日智能一点在北京微软大厦宣布了萝卜塔（Robota）智能交互体系和垂直行业售前AI导购解决计划，宣布深度布局新零售打造线上线下多场景智能客垺导购网站。此外智能一点还宣布了基于该体系打造的垂直行业售前AI导购解决计划——电子商务智能导购机器人。

智能一点CEO胡云华表现智能一点的AI导购行业解决计划既不同于传统客服工具，也不同于大客户定制化智能导购和通用的售后智能客服而是基于产品品类和交噫场景打造的、在技巧解决计划上更具挑衅性的售前AI导购解决计划。

依据胡云华泄漏的数据目前智能一点的AI导购机器人问题答复精确率高达九七百分，峰值独立招待率达六0百分可将客户询单转化率晋升一五百分以上。

宣布会前青岛海纳曾与胡云华展开对话，就智能一點的产品逻辑与面临的问题进行了深刻沟通以下为对话内容整顿：

青岛海纳：您说现在做智能客服正当其时，怎么懂得

胡云华：它取決于几个方面。第一商家有需求。现在人力成本这么高客服团队又不稳固，流动性强人员培训是问题；第二，现在流量比过去贵了幾十倍能到店里来咨询的顾客都很名贵，如果因为客服跟不上而流失客户很惋惜；第三电子商务行业有数据，近期盘算机硬件的发展使得算力有了很大晋升AI基本算法和技巧也取得了提高，很多条件都成熟了

青岛海纳：我们是不是得感激马云，淘宝网当时教导了一大量人现在可能还是那批传统商家，但他们对于新事物的接收度会变得更高

胡云华：对，某种水平上可以这么说商家有痛点并且愿意接收新事物，才愿意为软件和服务付费任何一门生意都是需求驱动的，客户没有需求教导市场的成本就会很高。正是因为市场有需求囷痛点我们能供给基于AI技巧的解决计划，才有了联合点

青岛海纳：刚刚说客户有需求，能举例详细说说吗

胡云华：小鹿叮叮是我们嘚第一家合作伙伴，在产品只有一个概念demo都没有的时候就敲定跟我们合作了，而合作的基本就是愿望通过技巧去解决现有人工客服的需求和痛点首先，人做客服是有局限的不可能七×二四小时作业，受情绪和其它因素影响，服务的质量也会有所波动。同时，客服人员培训是一件长周期的事，大促期间客服人手不够忙不过来须要临时培训、借调人员，加上客服人员流动性大导致全部行业的服务水平波動比拟大。小鹿叮叮很有先见之明看出这个问题是合适技巧解决的，所以在产品都没成型的时候就愿意跟我们合作今年它的交易量增長很多，但是并不盘算增长客服数就是因为我们有技巧可以配合他们做这些事情。

另一方面刚才提到客服行业人员不稳固是常态，也昰痛点因为客服工作本身相对枯燥，日常有很多简略反复劳动对很多人来说只是一个短期过渡工作。

所以商家的需求是真实存在的洏我们的技巧优势也显而易见：AI导购并发能力强，可以像千手观音一样同时招待很多顾客而且反响速度快。

电子商务运营今天已经脱离低水平反复竞争的阶段谁能够充足应用好技巧，最大化流量资源谁就能够在竞争中领先。

青岛海纳：其实我可以说你们做的不止是售湔客服还打入了人力体系。

胡云华：确切如此我们可以看一下客服流程里面典范的两种负责人。第一种角色是电子商务负责人他要降本提效，我们可以做到不转变客服现有人数的情形下提高百分之七八十的日常招待量，询单转化率到达金牌客户的水平对电子商务負责人来说事迹更好了。第二是客服主管以前管十个人，AI导购来了只管五个人但是我们通过语义剖析的BI体系，把客服部门就从一个成夲中心变成了基于数据驱动的一个决策部门，主管的工作更有价值更数字信息化了

青岛海纳：回到客服场景，人的情绪细腻水平以及慬得庞杂问题的能力机器是做不到的，转化率怎么做上去

胡云华：虽然机器对情绪处置能力不及人，但是人力是有限的用机器先把排队咨询的顾客留下来至关主要，如果没有响应客户很快会流失掉机器人可以答复大部分简略的问题，小部分庞杂的问题就交给人工客垺假设一个客服以前一百轮问答中，有九十句是功效性的答复十句是暖心的沟通，现在由机器说那九0句功效性的对答客服就有更多精神进行二0句有温度的沟通，从用户体验上面来讲就会好一些。另一方面机器人没有情绪的起伏，永远有耐烦也就不存在服务质量嘚波动；第三，机器人记得更牢依据信息推举更快

亚马逊最开端推举书籍全靠人工编纂，后来上了推举算法效力爆炸式上升。这些方媔都是机器能比人做得好的处所机器要比情绪，确定赶不上人但机器人也没有必要挑衅人最善于的处所，要做自己善于做的事情响應快，记得牢处置得精准，没有情绪波动就够了，转化率上去就很自然

青岛海纳：您之前在阿里妈妈做数据营销，这次创业为什么沒有涉及到营销全链售前客服这块交易会不会略显薄弱？

胡云华：售前导购确定是现阶段做的事情产品还是回到技巧和商业联合的这個点上看。我们的产品从商业上来讲足够刚需有现有客服市场，又恰好可以用技巧来实现进一步做机器人出售，技巧请求太高了；退┅步去做售后商业价值没有那么大，所以我们刚好介于两者之间技巧上有门槛，商业上又有价值营销方面，售前客服也在普遍参与比如经济实惠型顾客，售前客服通过一张优惠券就可能促成购物；如果顾客重视品牌那就多说明品牌特色，也是一种针对性的营销

圊岛海纳：阿里、京东网、网易等电子商务网站都有自己的云，把客服体系能力架构在云上性能相当好，智能一点怎么从它们嘴里抢食

胡云华：我们跟网站不是“抢食”而是合作，网站和AI垂直生态互补网站相当于一个应用市场，它供给了很好的网站、环境和工具但昰具体的服务是垂直的，必需得懂这个行业的交易能力服务得好对于网站来讲，比如阿里巴巴上有一百多个类目想一个一个都去抓好，交易太重代价太大了网站和许多像我们这样的公司合作，每个公司做几个到十几个品类就会相对轻松，网站相当于躺着赚钱：他搭┅个网站大家来唱戏，比他自己把所有的戏都唱了会更好所以我认为阿里很聪慧，它用market place的方法来做对我们来讲，一个创业公司要紦所有的品类都占了，几千亿的市场全做的下来吗能把一些垂直范畴做下来，就已经非常好了

青岛海纳：市面上大多数智能客服，都艏先选择了做母婴或者孕婴品类比如竹间，比如你们这个选择是出于什么考量？

胡云华：别人怎么选择我不知道我们选择有几个方媔的斟酌。

第一这是一个非常宏大的市场，万亿级别现在电子商务市场总共是二九万亿，母婴占了一个万亿市场很大；

第二， 母婴品类里面的咨询量大很多人一辈子只生一个孩子，所以买东西基本都没有经验须要去咨询。

第三母婴品类的SKU比拟稳固，而且相对来說比拟少不像衣服，今天卖的明天就下架了SKU稳固意味着可以做长期，应用更长时光的数据来打磨体系最后体验也会更好。虽然切入市场时候选的垂直品类不同但最终能不能供给一个质量好、费用合理，还能赚钱的对话机器人是最主要的这些我们今天都具备了。

青島海纳：所以你们什么品类都能做

胡云华：不会全做，确定会有选择也没有能力全做。做垂直行业跟做网站不一样做网站要做的简畧够用，而做垂直行业要证体验好所以必定要做深做透。所以网站不会去担忧我们把它网站的品类都给占了我们也不用去跟网站竞争那些简略通用的东西，这样双方才有合作的基本 网站愿望搞一个草原，或者一片森林有很多树，但是他绝对不愿望草原上只有一棵参忝大树这点大家都能懂得。

青岛海纳：智能客服行业算法和技巧更主要，还是数据更主要

胡云华：非常好的问题。人工智能公司的競争不是单一维度的竞争打个比喻，我们熟知的这些视觉公司辨认能力很强，这家是九九.九九百分的辨认率那家就是九九.九九九百汾，技巧是一个门槛但是技巧上面不会有太大的差别了。

我们真正领先的优势在于研发能力不须要去期待成熟的解决计划，碰到新的問题我们会有新的计划去解决。如果技巧没有到这种顶尖高手的水平那就要等很长时光，这就是鸿沟它不是一个门槛，是个鸿沟跨不过去就是跨不过去。产品上看似好像只是好一点，但是这处所好一点那处所好一点，最终的体验会是个链式效应很难追上。

这昰技巧方面但其实数据层面也很主要，就是数据量今天我们的人工智能算法，尚且不能在无标志的数据里大量的去学习更多的是监視学习。因此只有数据没有用这些数据都要有标签，再经过深刻的加工大公司可以做很多品类，小公司做垂直品类数据的加工可能仳大公司做得更深刻。从这个角度上面来讲并不是说大公司就能秒杀小公司，谁能对数据进行深加工谁能够把数据跟算法联合的更紧密，谁才更有优势

所谓的大数据，就是要从海量数据中把有价值的信息提炼出来必需有宏大基数的用户来应用你的产品给反馈，才可鉯形成一个闭环

所以到底是技巧主要，还是数据主要还是交易场景主要我都没法说，但是我必定可以说闭环最主要就是所认为什么峩们可以在一个狭小的范畴里面树立我们的领先优势。大公司要进入这个范畴也得跟我们一样把这个环闭起来。那么和小公司合作行不荇收购或者投资行不行？因此这不是一个零和逻辑更多的是一个配合的逻辑。

青岛海纳：作为智能客服行业的一员智能一点目前面臨哪些难战胜的问题？对自身或是对行业

胡云华：首先就是一个说服的问题。不能想当然说我们可认为企业主降本增效就行了而要让愙户信任，产品最终做的是一个立体的服务体系不只是一个孤立的技巧，这个对于产品落地是非常主要的To B客户对产品的认知须要一个接收进程，它不像to C的产品可以爆炸式的增长

另外，就是行业不应当把人工智能目前的能力虚张夸张同时也要从真实客户的角度去评测，不要试图去挑衅机器人的能力边界从电子商务问答角度确切很多用户典范的需求都能满足，就可以了

青岛海纳：最近几次电子商务夶促的成就怎么样？

胡云华：我们现在的产品比半年前完美多了所以基本上已经没什么压力了。提到大促确切很有意思我们第一次加叺大促是去年（二零一九年）的九九大促，结果很狼狈那个时候的全主动招待率连百分之二十都不到，团队都认为很沮丧灰溜溜回来妀数据。真正冲到一线去看着客户的人工客服那么忙，自己又帮不上这种感到非常难受。所以回来之后所有人都打足精神持续改有種置之逝世地而后生的感到。这也告知我们必定要针对交易场景把技巧落到实处，所以那次之后我们带回了真实的数据带回了大家对嫃实交易的感受去做预备，双一一的时候就一炮打响机器人这边毫无压力，四平八稳最后数据是挺好的，双一一我们的全主动招待率夶概是百分之三0百分多帮客服替代工作量是六三百分。到双一二的时候我们的全主动招待率基本上到达五0百分，工作量可以做到大概昰八0百分左右经过双一一这种考验之后，我们自己心里有底确切是不断在进化。

青岛海纳：未来智能客服会有哪些新发展

胡云华：技巧上的挑衅可能是多模态，就是我可以给你打字可以跟你说话，甚至给你发张图片这应当会是未来的一个趋势。

还有多场景线上、线下场景都可以，等等不管怎么样能够解决电子商务和客服的问题，这样的话对企业就很有价值能把企业跟用户之间的图谱和数据統一起来。我信任大家都想看到那个画面也许我们会错、会绝望，但没准就这样探出了一条全新的途径

青岛海纳：怎么懂得“智能一點”的命名？

胡云华：人们都是在短的时光内会高估技巧的威力长期则会低估技巧的威力。换句话说一.0一的多少次方，永远比0.九九的哆少次方要大很多靠的是连续不断的积聚。我们的核心技巧每天都能往前就是做的更好一点，那最终这类出来的这个效应是很大的這个技巧就是这样，尽力须要日积月累我也是愿望我们客户的交易每天能精进一点，最终获得大的结果