79-数字化转型未来已来-人工智能商业应用之旅.docx

【数字化转型】将来已来，人工智能商业使用之旅2020-07-09 原文以下文章来源于BCG波士顿询问，作者BCG波士顿询问BCG波士顿询问欢迎关注BCG大中华区的官方账号，猎取领先的商业理念和前沿的管理思想。导读虽然人工智能的普及程度仍旧较低，但很多企业正通过人工智能提升盈利力 量。人工智能在制造巨大商业价值的同时，也在影响行业价值的转移。通过了 解人工智能使用案例以及项目实施的关键要素，管理者们可以更好地实行举 动，为在人工智能时代取胜而做好预备。人工智能的使用人工智能在商业中的广泛使用程度仍旧很低：依据我们和麻省理工学院的调 查，20家公司中仅有1家已广泛地使用人工智能。虽然如此，每个行业都有 在人工智能领域处于领先地位的企业。即便没有一家企业精彩地使用人工智能 的全部功能，但是很多企业正在使用人工智能制造巨大的商业价值。以下使用 案例来自多个行业、涉及各种组织职能和流程，这些案例呈现了人工智能的普 遍性及其在正确运用下的高效性。营销与销售人工智能使企业无机会为客户供应共性化的服务、广告和互动。其中的收益是 巨大的。通过引入高阶数字技术及运用专无数据来制造共性化体验的品牌可以 提高6%至10%的收入一一是不接受人工智能技术品牌的两到三倍。据BCG 估量，仅在零售、医疗保健和金融服务领域，将来五年内将有8000亿美元的 收入流向排名前15%的共性化公司。工作，并在有新的数据加入时进行改进。但是，由于现无数据量每两年翻 番，基于过去的数据所获得的竞争优势极易消逝，因此猎取将来数据至 关重要。我们与麻省理工学院的联合争辩项目表明，对于跨行业以及行业内的管理者 而言，数据全部权是一个麻烦的问题。例如，调查受访者对公司专无数据、 公共和公司全部数据以及公共数据这三类数据中，到底哪一类外行业中使用 最为普遍的问题存在分歧。重要的是，排他性数据的数量往往打算了竞争优 势，这要求高管们更深化地理解行业和公司内部数据源的价值和可用性。技能。我们与麻省理工学院的争辩表明，只要一小部分公司了解将来人工 智能所需的学问和技能。而拥有高阶人工智能技术的公司往往很难聘请和 留住那些通晓人工智能的数据科学家。随着高校和在线训练供应更多的人 工智能相关课程，这种迫切的需求将渐渐削减。长期而言，更有价值的技 能可能是对数据科学家和业务高管团队的管理力量，以及将人工智能的洞 察和力量与已有流程、产品和服务相整合的力量。组织。依据我们与麻省理工学院的争辩，企业对于到底是集中式、分散式 还是混合式的组织模式最有利于进展人工智能存在分歧。更关键的问题 是，随着组织中人员和机器越来越紧密地合作，在具备人工智能和业务特 长的员工中需要实现组织内机警性及跨职能的团队合作。我们越来越清楚地了解到，除了全体的组织设计，人工智能技术在举动分 散、学习集中的结构中可以得到最好的使用。对于无论是自动驾驶车辆、实 时市场营销、猜测维护，还是公司的后台职能都是如此。通过一个中心收集 和处理全部来自分散机构的数据，从而使得学习集合最大化，然后在中心对 汇总数据池进行集中学习后，向分散机构部署新模型并调试。将来的工作。人工智能无疑会影响将来工作的结构。虽然担忧人工智能将 导致大规模的失业，但是我们与麻省理工学院的争辩表明，在可预见的将 来，会产生的影响其实格外无限。大多数受访者并不认为人工智能将在将 来五年内导致公司裁员。超过三分之二的受访者并不担忧人工智能通过自 动化取代他们的工作。他们期望人工智能能够接管他们目前所从事的不开 心的任务。与此同时，几乎全部的受访者都承认，人工智能将要求员工学 习新的技能，就像汽车修理师不得不扩充技能一样。不同之处在于，他们 没有几十年的顺应时间，所以他们可能需要利用新的训练产品和人工智能 本身加快再培训的过程。组织需要机警性，员工和高管也是如此。针对长 远成功的最佳预备是建立变革的力量。人工智能将从根本上转变商业。您成功的最好机会就是不要理睬炒作，做必要 的工作。相关举动必不行少且无可替代。先进制造业+工业互联网很多成功的共性化最佳实践已在快速进展的零售业中消灭。例如，一家全球零 售商使用会员APP中的数据（包括位置、时间和购买频率），深化了解其客 户的每周日常活动。通过将数百万的个人数据点与一般消费者趋势信息相结 合，该零售商建立了一个实时营销系统，目前每周可为客户供应50万个定制 广品。在一些销售和营销组织中，人工智能并非体现在流程自动化方面，而是提高了 组织绩效。例如，一家有多条产品线的保险公司依靠机器学习对客户进行细 分，并结合客户需求与保险公司的目标，向公司的销售代理推举”下一个最佳 产品。为了实现这个目标，保险公司建立了一个客户保险需求模型，掩盖生 命周期不同的阶段。该模型依靠于简单的算法，其中包含超过1000个静态和 动态变量，涵盖人口统计、政策、代理人任期和销售历史数据。因此，保险公 司可以将特定保单与具体客群下的个别客户相婚配。该系统无望添加30%的 交叉销售。保险公司还可以使用机器学习，通过处理地域、竞争和代理人业绩 数据来优化销售。这类案例呈现了人工智能在零售或金融销售服务等分散环境中的无效性，这些 环境下人工智能受益于丰富的情境和具体的客户数据。合理构建的试点项目通 常能够在四至六周内实现概念验证，并有助于确定整个项目全面上线所必要的 数据架构和技能基础。争辩与开发与营销和销售相比，研发是人工智能使用中一个不太成熟的领域。研发产生的 数据比大型连锁零售要少得多，而且往往不能以数字化方式猎取这些数据。此 外，很多研发问题不只简单、技术性强，还遭到严格的科学约束。即便如此， 人工智能在这个领域仍具有极大的潜力。例如，在以研发为次要利润驱动要素 的生物制药行业，人工智能可以挂念降低成本并缩短开发周期。Citrine Informatics是一个旨在加速产品开发的人工智能平台，呈现了应对 无限数据这一挑战的方法。大多数已发表的争辩都偏重于成功的试验，并考虑 资助机构的潜在利益。Citrine通过与争辩机构建立的大型关系网络收集未发 表的数据，从而克服了这一限制。Citrine的联合创始人兼首席科学家Bryce Meredig表示：”负面数据几乎从未公布。但是，负面结果的原始数据对建立 个毫无偏差的数据库而言至关重要。”这种综合方法使公司能够将特定使用 的研发时间缩减一半。在工业品领域，领先的制造商通过人工智能、工程软件和操作数据（如：修理 频率）的结合，来优化设计。人工智能在增材制造（也称为3D打印）的设计 开发方面颇有助益，由于其算法驱动的流程不受工程惯例约束。乐观的数据收集该当成为研发流程中人工智能试点的关键元素。数据收集活动 或许有必要与高校合作，将过去的记录数字化，甚至重重生成数据。由于从事 研发需要专业的学问和技能，一键式的人工智能处理方案几乎不存在。相反， 科学家必需依靠系统的试验来构建将来人工智能使用所需的数据清单。运营运营的实践和流程与人工智能自然契合。这些实践和流程经常拥有类似的操作 程序和步骤，产生大量的数据和可测量的输出信息。很多被某个单一行业使用 人工智能概念也会在另一行业中起作用。目前，包括猜测性维护和非线性生产 优化在内的被广泛使用的人工智能技术是基于全面分析生产环境各项要素，而 非按挨次或孤立地进行分析。一家炼油厂想要猜测和避开一个重要的气化炉发生毛病停机（该气化炉担任将 精炼过程中的残余产物转化为用于发电的、有价值的合成气）。假如该气化炉 不测毛病停机会导致发电暂停一个月，必将形成巨大损失。虽然炼油厂已经积 累了大量有关日常运作的数据，但是并未清楚地了解哪些具体要素会导致该气 化炉的毛病停机。传统的工程模型无法完全描述上千种可能导致毛病的变量之 间所存在的简单的相互依靠关系。炼油厂的工程师与数据科学家亲密合作，使用人工智能来确定毛病缘由。通过 机器学习算法导入六年的运转数据和维护信息，人工智能模型成功量化了全部 关键要素（包括原料品种、产出质量和温度）对全体功能的影响，工程师们从 而能够推断该气化炉能否可在方案维护的间隔时段内连续运转。工程师们依据机器学习算法产生的洞察，设计了一个基于规章的透亮 系 统，用于调整蒸汽和氧气等变量的关键运转设置，使设备能够在方案维护间隔 时段内保持运转。该系统可以最大限度地削减机组不测停机的风险，并削减维 护方案的短期变化，从而产生显著的经济效益。猜测性维护的处理方案对于人来说也同样适用。一家从美国联邦医疗保险收取 固定费用的美国保险公司，期望利用人工智能来削减医保患者不必要的看诊。 该保险公司将病史数据（例如药物不良反应）和病例管理记录供应应机器学习 系统。该系统将客户进行智能分类，并为预防措施供应了有用的建议。例如现 已证明，近期内丧偶的患者将来需要医疗干涉和预防性护理的几率会很高。这 些洞察使得领取方能够重新设计保险项目，从而每年节省6.5亿美元的潜在收 入。除了维护之外，一位冶炼厂还利用人工智能和非线性优化来提高铜的纯度，这 是工程师们多年来都在尝试的事情。工程师们与数据科学家团队合作，将五年 的历史数据录入到一个神经网络中。该系统建议转变生产，结果铜纯度提高了 2% ,冶炼厂的利润也随之增长了两倍。而这一工作仅耗时六周，且无需额外 的资金或运营开支。选购和供应链管理在选购领域，结构化的数据和反复买卖属于常见现象，因此人工智能具有巨大 潜力，但在很大程度上还未实现使用。今日的机器能够击败世界顶级扑克玩 家，还能进行证券买卖，但是至少在公开场合，机器还未显示出其在企业选购 中智胜供应商的力量。（企业可能会使用支持人工智能的选购系统，但不会告 知供应商或其它任何人，从而保持其竞争优势。）为人所知的选购使用人工智 能包括谈天机器人、半自动的合同设计和审查，以及依据旧事、天气、社交媒 体和需求分析提出的选购建议。人工智能的添加使用甚至是自动化选购现在才 开头消灭。供应链管理和物流则截然不同。这些流程可以直接使用历史数据，从而自然成 为机器学习使用的目标。家全球化的金属公司最近建立了一系列机器学习引擎，用于帮忙管理其整个 供应链，并猜测需求和定价。该公司将40多个数据库、ERP系统和其它报表 系统集成到一个数据湖中。基于这些变化，系统现在能够识别和猜测简单且难 懂的需求模式将如何影响整个供应链。例如，美国玉米一周的收成变化会对铝 供应链产生全球性影响，由于铝是一种常见的玉米包装材料。该公司的这一项 目还挂念客户服务水平提高了 30%至50%o此外，该公司还将在三年内实现 2%至4%的利润率增长，并在两年内削减4至10天的库存时间。这个案例突显出数据、数据预备和数据集成对于实现人工智能的重要性。相对 于构造机器学习模型而言，收集数据和构建数据基础结构需要花费更多的时 间。后台职能企业通常会外包部分后台职能，这一现象在各个机构中都很相像。如今企业很 快就可以为这些流程购买人工智能处理方案。IBM、埃森哲和印度四大巨头 （HCL、Infosys、Wipro. Tata ）等外包巨头正在进行大规模的人工智能开 发。这些公司将重点从强调降低劳动力成本和规模转向建设智能和自动化平 台，以供应更高附加值的服务。很多服务机构开头生疏到人工智能与机器人流程自动化（RPA ）相结合的好 处。他们使用基于规章运转的软件机器人来代替人类常规工作，然后通过人工 智能添加机警性、智能性和学习力量。这种方法结合了机器人流程自动化的成 本快速回收和人工智能的高阶潜能（参阅BCG于2017年6月发表的文章用RPA和AI驱动服务型经济）。为了取代人类工作，一家亚洲银行安装了能够即时学习的机器人流程自动化和 人工智能系统。这些系统只将不确定该如何处理的工作转给人工进行处理，这 使得该银行能够降低20 %的成本，并将用于某些流程的时间从几天缩短到几 分钟。人工智能在产品和服务中的使用与之前大多数案例不同，涉及供应高阶产品和服务的人工智能使用程序（如： 数字私人助理、自动驾驶车辆和智能投顾）往往遭到很多关注。供应人工智能 服务的公司急迫地向公众呈现这些高阶产品和服务的优越功能和特性。由于与它们的产品和服务乃至于整个商业模式利害攸关，这些公司必需建立强 大的内部人工智能团队。这解释了技术厂商、车辆制造商和供应商之间针对人 工智能人才的激烈竞争。例如在汽车行业，博世将在将来五年投资3亿欧元在 德国、印度和美国建立人工智能设备。其首席执行官Volkmar Denner表 示：从现在起的十年间，博世的任何一款产品都会包含人工智能。要么产品 本身就是智能的，要么人工智能在开发或生产环节中起到关键作用。与此同时，自动化也制造了新的商业模式。例如，保险公司和制造商将能够通过人工智能更精确地猜测风险,从而允许它们依据使用情况、维护保养或磨损来定价。公司之外：行业价值池如何转变全体而言，使用案例和潜在场景会影响整个行业结构。例如，自动驾驶车辆不 只会影响车辆制造商，还会影响城市里的司机、车主和交通模式。波士顿市已 经确认，自动驾驶车辆可以削减在途车辆的数量，并削减30%的平均行驶时 间。停车需求将下降一半，排放量将下降三分之二。医疗保健也是一个鲜亮的例子。该行业有几个组成部分，包括医疗技术、生物 制药、领取方和供应方，每个组成部分之间有着不同且相冲突的利益关系。该 行业价值链各环节拥有丰富的人工智能试验场景，特殊是在研发、诊断、保健 服务、健康管理、患者行为矫正和疾病预防等领域。价值如何在医疗保健行业中转移下图呈现了一个潜在场景，说明随着人工智能的使用，整个医疗保健价值池可 能会发生怎样的变化。当然，行业内的各个参与者的价值变化点会有所不同， 每个行业都有赢家和输家。最后，大多数公司都会从将人工智能融入到公司内 部运营（下图中标记为1的箭头）中获益。生物制药公司和领取方可以从研发 效率提升、共性化营销和精简的后台职能中获得最大收益。潜在的价值转移改进的运营或临床决策使大多数公司受益 诊断需求增加的幅度大于治疗减少幅度 诊断的进步减少了治疗需求0）自助式样本检测和预防性药物需求增加:、5）消费者受益于支付方新节约的成本大多数公司会从技术供应商处购买至少几项人 工智能解决方案来源：BCG分析。注：箭头宽度与人工智能在未来五到+年的预估价值影响成正比。每个圆图的大小反映了美国相应行业的大致EBIT。在接下来的五年里，我们估计人工智能在诊断疾病方面会有很大的推动力。在 诊断某些特定品种的癌症时，视觉人工智能代理已经超越了业界领先的放射科 医师。而且很多初创公司和科技巨头正在争辩如何使用人工智能更早地检测癌 症，并供应更精确 的诊断。在基础医疗场景中，人工智能可以提升或替 代一些医生的操作。与此同时，近程诊断可以在特定条件下衰退或大幅削减患 者到医院就诊的次数。这些变化可能对医疗科技公司（箭头2）而言是有利 的，同时可能损害了生物制药公司（箭头3）和一些供应商（箭头4）。但更 好的是，晚期的诊断和预防措施可以削减对医治的需求。凭仗固有的绩效目标，人工智能可能会加速医疗保健行业向着以价值为基础的 趋势进展一一为结果而不是数量买单。在这种趋势下，领取方可以节省成本， 并为供应商和生物制药公司设置新的领取标准（箭头5）,因此消费者可从中 受益。最终，大多数公司会从技术厂商处（箭头标记6）至少购买部分人工智 能处理方案，这些技术厂商包括一些进入医疗领域的传统科技企业。在医疗保健需求不断增长的背景下，这类可能场景的消灭会提升人类健康水 平，但生物制药公司会倍感压力。或者，生物制药公司可能在诊断方面实行更 大胆的举措，共性化药物可能会普及并开辟新的利润池。此外，付费方可以开 发自有的近程诊断技术，而供应商也开头将人工智能纳入他们给患者的医治方 案中。无论如何，医疗科技公司和技术厂商都将获利。利用人工智能的取胜之道由于人工智能的进展存在诸多不确定要素，对大多数公司而言，最明智的做法是 依据当前趋势制定一系列短期举动，并通过构建力量和数据基础设备为将来的机 遇做好预备。通常的方法与我们在数字化战略中所提倡的有些类似，但是人工智 能会呈现出一些重要的微小差别。如何开头高管们该当把他们的人工智能之旅分成三个步骤：构思和测试；试点排序和启 动；以及规模化使用（参阅下图）。人工智能战略和路线图发展构思和测试优先级和试点构思P客户需求P财进步P数据源P流程分解,熟悉人工智能并确定最大需求人工智能运行测试规模扩大和路线图几个月一年或更久试点逐步建立能力和基础架构速度丰/弟八使用案例 照规模扩大3持续不断调整需求来源：BCG分析。构思和测试。在这个阶段，公司该当依靠于四个视角：客户需求、技术进步 （特殊是涉及人工智能模块的技术）、数据源和流程分解（或系统化分 解），以确定最有前途的使用案例（参阅BCG于2017年1月发表的文章 赢在人工智能时代）。客户需求对发觉有价值的人工智能使用起到了至 关重要的指点性作用。客户可能来自外部，也可能是内部后台部门。深化了 解人工智能模块的开发对于系统地整合先进技术而言至关重要。丰富的数据 池，尤其是新的数据池，供应了另一个重要的视角，由于人工智能需要依靠 它们。最终，通过将流程分解成相对常规和独立的元素，公司可能会发觉人 工智能可以自动化的领域。除了客户需求之外，其它视角与公司必需用来识 别数字化机会的视角都不尽相同。对于缺乏人工智能阅历的公司，我们猛烈建议其实施一个并行的附加测试。 这个测试阶段要基于一个能传递价值，能被合理定义且简单度适中的使用案 例。这个测试将挂念组织生疏人工智能，突显数据或数据集成的需求以及组 织和力量上的瓶颈，这是对进行下一步的关键输入。试点排序和启动。高管们该当依据每个试点的潜在价值和交付速度进行优先 级排序。上一步中的测试结果将为这个环节中潜在试点的时间需求和简单性供应洞察。一旦机构选定了一组最终的试点，就该当像在灵敏软件开发中一样，将其作 为测试和学习的冲刺阶段运转。由于大多数试点仍旧需要处理芜杂的数据集 成和数据处理，这些试点将并不完善。但是,它们将有助于正确地区分优先 规模。每个冲刺阶段都应同时交付具体的客户价值，并定义所需的基础设备 和集成架构。级，定义数据集成方案的范，并确定全面运营人工智能过程所需的力量和规模化使用。最终阶段包括将试点扩展为牢靠的运转流程和产品，并构建力 量、流程、组织、网络技术和数据基础设备。虽然这一步可能会持续12至 18个月，但进行中的灵敏冲刺该当能将价值最大化，并最小化严重的不测 流程修正消灭的可能性。在执行这一运营项目的同时，高管们也应实施一系列活动，让本人及其组织做 好预备，发挥人工智能的作用。理解人工智能。高管们需要了解人工智能的基本学问，并对可能发生的事 情有一个直观的理解。他们不应只是简约地在媒体上阅读各种新的科技奇 观，而应开头尝试用Tensorflow Playground （ Google推出的机器学 习开源平台）做一些试验，或者进修一些有启发性和广泛普及的在线课 程。它们的核心算法很简约，除了那些奇特的术语外，这个领域极易理 解。因此，高管们该当能够对这个课题有一个功能性的理解。执行人工智能健康检查。高管们该当对他们在技术基础设备、组织技能、 设置和机警性方面的起始条件有一个清楚的认知。此外，他们该当了解访 问内外部数据的难易程度。添加员工视角。人工智能可能会对员工产生威逼。虽然员工对即将失业的 担忧往往比实际情况夸张，但引入人工智能的确会产生心情压力，并且需 要进行大规模的再培训。试想如下场景：一个工厂的员工和一个机器人一 起工作，一个选购经理从一个使用程序接收输入信息，或者一个呼叫中心 坐席从一个谈天机器人那里接手谈天的情景。工作场所的沟通、训练和培 训需要在试点设计的初始阶段就被考虑到。从长计议人工智能的将来，包括其以激进方式转变价值制造的潜力，仍旧有着高度的不 确定性。应对这种不确定性的最佳方式是绘制并测试几个场景，并制定一个路 线图将各项独立的方案结合在一起。这些努力将使各公司能够明智地修改其原 无方案，并明确该方案对数据、技能、组织和将来工作的意义：数据。人工智能的突破很大程度上取决于获得新的、独特的或丰富的数据 资源。侥幸的是，至少在某些领域，机器学习模型可以基于初始数据开头