通信世界網消息（CWW）

Oracle亞太區大數據和分析解決方案總監 鍾振華

鍾振華：

各位下午好，那我是今天這個分會場，最後一個部分也是很感謝各位有這麼好的耐心來聽到最後這個部分，那我們這個分會場主要談的是應用，所以我想跟各位分享一下，偶爾口這兩年一直在大數據領域，結合現在很火的機器學習和人工智能都做了哪些相關性的一些智能應用，同時大家也可以在我所講的兩個案例裏面去瞭解到這些智能應用在中國的一些客戶裏面，它落地的一個效果是怎麼樣。

首先再講我所講的機器學習的應用。我們回顧一下今天一天在臺上所有的演講嘉賓並談到的大數據的應用，其中主要就是四類，第一類我相信這幾天應該不太會有人來講，就是最早大數據切入的時候是說海量數據有一個非常低成本的環境去存儲的一個應用場景，第二類我們會看到，其實今天也有很多的，一些演講嘉賓談到就是對於海量數據的一些處理，這些處理其中有一些應用場景我們之前一直聽說的，類似於客戶的360度視圖客戶標籤其實都是利用一些大數據，在事先把海量數據進行一些預初第三類應用，我們相信各位也剛纔在很多的演講過程當中聽到包括數據可視化數據的查詢數據的分析，其實都是結合一些大數據的技術對數據進行一些人工的使用和分析，而我今天想談的就是二扣，現在我們看到的在。

在大數據領域裏面，現在比較火的一個應用場景，就是我們看到的叫機器學習，在機器學習裏面，我們相信各位已經很多聽說過，比如說AlphaGo在圍棋上面的一些應用，那麼在電信行業ｏｒａｃｌｅ有哪些應用可以真正在現實的業務上黃金裏面進行落地呢，首先我們看還是談一個怎麼爲企業賺錢的一個問題，其實剛纔很多的演講嘉賓也談到了精準營銷，當把精準營銷在歷史上面的三個階段做一個分類，第一個時代可能沒有大數據。我們很多的企業基於人的判斷去做營銷的規劃，然後事後通過一些技術的手段，無論是大數據還是不是大數據，來把這些營銷的結果進行一個分析，我們看到這種場景裏面它的營銷的轉換率一般都在1%到5%之間，有些企業可能營銷的轉化率會更低一點。

第二類是現在很多的一些大數據的解決方案，所談到的事件營銷型的或者說是精準營銷型的，基於客戶事先的一些標籤，或者說客戶所在的地理位置或者說是客戶的一些網上的行爲，對這些客戶進行一些所謂的精準營銷，那這是事件驅動性，它確實能夠提高一些營銷的效果，我們會看到在實際的應用場景裏面，我們的客戶他的營銷的轉化率可以提高五倍左右，確實也和我們之前很多的演講嘉賓談到的實際的落地的效果是一致的，那麼但是我們會看到結合機器學習之後我們能不能把這件事情做得更好，所以我們會看到今天或者說未來的一段時間，裏面越來越多的客戶會把大數據的應用更多的傾向在一種叫即時營銷，跟客戶互動的過程當中，自己進行一些學習自動化的產生模型，而不需要任何的IT以及業務人員的參與，所有的流程都是自動化的，我們的人就好像在和一個看不見、摸不着的一個智能的環境進行交互，這個是我們希望在大數據應用落地的時候，能夠真正可以告用戶提供業務價值的地方。

那麼這個業務價值落地的框架是什麼？很簡單，就是三層，左邊這一層是客戶你們現在已有的大數據環境，無論是不是ｏｒａｃｌｅ，或者說是第三方的，或者是開源的都沒有關係。只要你有數據，或者說你可以通過剛纔我們所聽到得很多演講嘉賓談到的各種方式是採集到的依據都沒有問題，這些數據如果拿我們今天談到的營銷的業務場景來說的話，比如說你可以裏面涉及到營銷活動的數據，涉及到你所要營銷的產品目錄的數據，涉及到你要營銷的一些內容管理的數據，或者說是一些營銷廣告的、策劃的一些內容都可以。

另外一端我們看到右邊這一段也是您現有的，我們叫接觸端，因爲以前客戶和計算機的接觸，最早都是在電腦上面，但是現在的接觸端越來越多樣化，除了PC有移動，將來我們還會看到有各種各樣物理呈現的智能設備，這些智能設備可能可以通過語音或者是通過一些其他的人爲交互的方式來把用戶帶入到你這個摸不到看不到的系統裏，而ｏｒａｃｌｅ做的這個系統，是在當中我們叫一個智能的大腦，在這個當中它能夠自動的，而不需要IT人員去寫程序去編代碼，去調用任何的機器。學習的算法，你可能需要人爲去判斷我到底用聚類還是分類還是預測還是決策，你不需要做這件事情，你只需要把這個環節引入到您的接入端和您的數據端之間，把數據和用戶的接口連接在一起，從而實現一個什麼自動化的業務流程的優化，那麼這件事情怎麼做我們看一下。

和我們熟知的，或者說經常談到的機器學習的方法不一樣的，在什麼地方？在於上下兩部分的區別。在圖上的上半部分，我們看到的是我們現在基本上長談的機器學習的方法，類似於你有數據，你把這部分的數據導入到一個你所瞭解或者說是採購的一個機器學習的框假也好，平臺也好裏面，你可能需要僱傭一個叫數據科學家的技術人員，或者說是請一些業務人員參與到這個項目裏面去對這個算法進行學習，然後把這個算法學習產生一個模型，然後在這個模型使用過程之前，先通過一些手段，對這個模型進行什麼進行一個打分，然後再把這個模型應用到你的運營應用系統裏面去，這是以前或者說現在常規的機器學習做的這種方式都是這樣。

但這個過程首先它需要一個過程，無論你有沒有數學科學家，你有沒有一個很好的團隊或者是一個技術平臺？你從拿數據到去訓練這個模型，然後把這個模型應用到你的應用系統裏面，都需要一個時間，可能短則一週、一個月，長則可能更長的時間。有些客戶會是以項目的方式去做，但我們覺得今天其實技術遠遠不是隻在這個層面，今天oracle做的是一個能夠完全脫離人自己進化的一個機器學習的引擎，是完全一個黑盒子，他在背後是中間，你只要數據進去，然後連上我們剛纔講到的用戶接口，這個接口可以是您已有的網站，也可以是call center、也可以手機端的APP或者說是你的一些智能的物理系統，比如說智能網關等等，這些系統上面都會產生數據，同時這些數據都會實時的和這個進化的這個機器的大腦進行實時的通訊。無論用戶對呼叫中心的一個電話有沒有響應，或者說有沒有點網站上的某個廣告，或者說他對智能系統上的一個報錯有任何的響應。這一個響應的信息都可以使實時的傳到自學習的大腦裏面，去實時的進行他的模型的優化，從而爲下一個客戶、下一秒進行跟我交互的客戶進行進一步的優化。

所以它所產生的業務價值會不斷的反覆迭代的進行優化提升，各位可能不相信，那我們就拿一箇中國的運營商的例子來跟各位做一個分享，那這個客戶是一個運營商，在中國境內也是三大運營商當中的其中的一個省份的客戶，他拿這個平臺做了一件事情，就是各位經常會遇到的，就是外呼是一個很經典的營銷手段，其實今天有很多的人都收到一些騷擾電話，同時call center的人員也很苦惱，他每天要打非常大量的電話，但是收效甚微，那麼oracle怎麼幫他做到進一步的優化和實時的進行自主學習，你會看到左上角是這個系統的一個邏輯架構圖，左邊是這個客戶已有的大數據平臺，上邊是客戶和他的客服人員，這些都是我們系統之外的一些現有的客戶的IT架構，沒有什麼特別的。在中間就是這個叫決策平臺，這個決策平臺是在他這個項目當中，引入的唯一的一個新的技術點，那麼這個新的技術點它最後的產出，我們先看它的結果，它的結果是能夠和它傳統原來在採用第二代大數據應用，這種千人千面精準營銷的這種應用場景之後進步的，能夠提升外呼的準確度達到4到5倍，換句話說就是400%到百分之500的提升。

那麼同時我們把精準營銷的準確度，原來這個客戶他打一百個電話，其中只有1.3個電話是接起來說，我願意繼續聽下去的。可能更少的客戶聽完之後說，我願意去對你這個電話的推銷的產品進行採購或者是購買，但是通過這個平臺之後，它的精確度提高到了15~20%，他100個客戶裏面有20個客戶願意接受達到這個電話的內容的推銷信息，同時給他的年銷售增長過千萬，投資其實並不是特別大，那它是怎麼做，我們看到在它一期項目實施的過程當中有這樣一張圖，這張圖我們給各位做個解釋，在這個圖的左邊的紅色這根線是在他使用這個平臺之前，其實很簡單，這個客戶說如果我把我的數據庫，我這個大數據平臺裏面所有的客戶全部打完，當然是能夠達到這個最終的目標。

因爲會買的就是那些客戶，不會買的還是那些客戶，是一個直線，但是採用了自學習的平臺之後，你會看到當我打到所自學習平臺裏面提供的10%的客戶的時候，他已經能夠實現95%的客戶精準響應，換句話說，我只需要打開整個運營商裏面10%的客戶的名單，他已經能夠拿到百分之60不到的。原來需要打完全部客戶名單的這樣一個結果，當達到20%的客戶的時候，他的響應完成都已經能夠接近到80%，換句話說，對於呼叫中心的人員來說，他的工作量可以降低原來在百分之二十，而受到騷擾的客戶，也可以減少原來的80%。

同一時間你會看到整個平臺，我們說是自學習，所以它有各自學習曲線，這跟就是自學習曲線，但是在呼叫名單裏面的一個響應情況你會看到一開始它的響應的實現或者達到率其實並不高，因爲一開始運營商給到裏面的模型並不是特別科學的，雖然它用了很多的數據可視化分析的工具，結合了很多的業務的理解，把它自然認爲非常精準的客戶畫像或者說是標籤輸入到這個平臺裏面。但這個平臺當它打到第二批的客戶的時候，你會看到它的精準度已經提高到接近50%。當它打到第三批客戶的時候，它的精準度基本上已經達到70%以上，所以他在不斷的跟客戶交互的過程當中收到了客戶經過呼叫之後的一個響應。哪些客戶收到電話之後，願意繼續聽下去，這是繼續學習的一個輸入，而不是以前。我們分批事後做完這個活動之後，再把這些信息輸入到系統裏面做，他是實實在在裏面進行學習。

那麼這個是在呼叫過程當中，所有的這些呼叫線路的內容你會看到，從第一第二批呼叫的響應度並不高的同時，到之後的第三批開始就呼叫的響應速度就非常高了，那麼有很多的客戶就很關心，說既然是一個黑盒子，oracle把這種機器學習已經全部自動化結合在裏面，那對於我們業務人員，他是不是完全不知道機器在背後做了什麼，其實也不是。以前我們說很多機器學習的應用還是需要人去在裏面進行一些設定，但是現在oracle給到的這個方案是說你不需要做設定，而你需要看結果，這個結果不是傳統意義上的可視化或者是統計分析的結果，而是告訴你每一個精準的個體你所輸入的任何一筆數據，它對你所希望產出的事件的重要程度是什麼？你會看到左邊欄目裏面就是在這個客戶所輸入的，它所以有的一些事件或者說是營銷活動。這個是他營銷的市場部門之前制定的一些營銷的內容，這沒有什麼特別的，但是特別的是。

我們會看到在平臺裏面用戶可以直接看到經過機器學習之後，他告訴營銷人員系統裏面大數據所記錄的人的各種類型的屬性，比如說各種的消費的屬性，這些屬性針對每一個營銷活動哪個屬性，它所起到的重要程度最大？並且不是一個屬性，而是把所有的屬性的重要程度打分全部羅列在一個屏幕上面，而且這個打分會隨着機器的學習和應用的不斷深入，它的打分會越來越疲於精準，我們的用戶可以每秒去看這個平臺，裏面給到用戶說我背後用戶的背景信息的哪些屬性是最重要的？對於我此次進行的這樣一個市場營銷活動。

同一時間，除了重要度之外，有些業務人員還很關心的是這些屬性的數據分值是怎麼分佈的？有些業務人員他想知道，既然這個屬性很重要，那麼當數值落在什麼範圍之內的時候，對我進行這一次當期的這樣一個營銷活動是最重要的，所以我會看到在這個平臺裏面他也會給出機器在所有的這些課護不斷的跟它交互過程當中，所學到的這樣一個知識，他會告訴你最接近於對營銷活動響應的數值是多少，同時當這個數值在某一個範圍之內的時候，用戶的響應程度會比較偏高，其實這也是後可以對於我們一些營銷人員，去進行一些創新的營銷活動的設計，帶來一些更好的想法。而不是讓用戶自己去想這些數據怎麼分析怎麼去用？

可以直接讓機器跟用戶去交互，把最終的結果呈現給業務人員，就這麼簡單。那麼當然除了外呼的場景之外，其實在運營商的場景裏面還有很多，比如說我們手機端應用場景也可以結合這樣一個黑盒子的智慧大腦去應用，比如說基於地理位置，營銷行爲的優化或者是基於一些在線的網站，進行這些數字活動的營銷優化。那麼再舉一個例子，這個例子是oracle在幾年前就已經和我們的一個國外的運營商，做的一個也是結合智能平臺的這樣一個智慧的這樣一個網站。智慧的網站是說每個用戶它登陸到這個網站的時候，它第一時刻這個網站就會知道你是誰？你用過我就運營商什麼產品？你目前這個服務所處的一個狀態是什麼？有沒有欠費？有沒有數據流量不夠，有沒有一些其他的一些問題，同時它也在背後會瞭解到你這個用戶有沒有一些投訴的反饋信息，基於所有這些信息，這個網站會自動的給到每個用戶，每一個人都不一樣的這樣一個展現的。

在頁面裏面，同一時間還可以叫實時的進行機器學習，它怎麼做的就是每一個框，上面用戶只需要有點擊，無論它點哪裏，這個點擊的信息，就會返回到這個機器學習的平臺裏面，去進行實時的進行模型的優化，而不需要IT去參與，只需要用戶在這個平臺上面有任何的點擊，這個模型就會進行優化，所以當它這個網站上線不到一個月的時間，它發現這個網站上面的廣告的點機率，比原來提高了接近五到六倍，因爲原來他不知道在什麼地方放什麼廣告？用戶會點或者給什麼用戶看什麼廣告，用匯點。

同一時間，它連接這個平臺之後，它也不需要業務人員去做分析，也不需要IT在背後天天去調用複雜的模型了，機器會自動的去優化，這樣一個平臺，將這個廣告的推送率做到進一步的優化。當用戶點擊完之後，他還做了一件事情很有趣，雖然email現在大家都是手機端進行處理，但是EMAIL還是營銷的渠道之一，所以運營商在用戶點擊這個平臺之後。那他還會給用戶發一封電子郵件，同時它會根據用戶訪問這個網站的時間以及他在網站上面瀏覽的時間長度去自己優化。我什麼時候發這個email，因爲大家有時候工作很忙，在一廟裏面會收到非常多的垃圾郵件。當如果你所發送的精準廣告淹沒在一堆的垃圾郵件的時候，你可能這個廣告的效率也不是特別好，所以它背後它還收集說用戶點擊我網站的時候，可能是它有時間去上網的時候，這是第一。

第二它去了解用戶收到EMAIL之後打開的時間，它進一步的瞭解這個用戶在emali平臺裏面它怎麼去處理這樣一些數據，把兩者結合之後進一步的優化發送郵件的這樣一個時間，讓用戶在他最後最希望瞭解信息的時候，收到這樣一封電子郵件，這是另外一個客戶的實際的例子，當然我們會看到這個平臺其實在精準營銷場景之外，其實還有很多的場景可以進行使用，只需要兩個前提條件。第一，把這個平臺接到現在的數據平臺上面，無論是不是oracle都可以，你可以使自己搭建的大數據平臺都可以。

第二連接到和客戶交互布的渠道之上，這可以是call center可以是排隊機，可以是網站，可以是你的手機端APP也可以是其他你任何的，只要跟客戶有交互這個交互式，可以給他進行自我學習的數據的動力，那麼在這個過程當中舉了一些例子供各位參考。其實這些例子我們在不同的行業，不僅僅是電信行業，也有很多客戶拿這個平臺進行一些應用的創新。

那麼在這個平臺後面，其實oracle還結合了海量的這種機器學習的算法，只是羅列一下，因爲本身這個平臺是全自動的，只是給各位做一個參考，當中會涉及到區域內迴歸、關係規則、屬性重要性、異常檢測，還有文本編輯特徵分析時間序列等一系列現在非常主流的機器學習的算法在這個平臺裏面進行，已經打包在裏面進行使用。當然如果我們的用戶說我如果用到這個平臺之後，我還希望結合第三方的一些工具，對這個結果進行可視化的時候，當然你也可以結合今天會上談到得很多第三方的非oracle的廠商把這些最終的結果進行數據可視化。

當然oracle也提供了結合機器學習算法在內的這種可視化的展現工具，包括幫你把這些數據的分類、異常預測、迴歸等相應這些數據把用可視化的這種方式展現給業務人員，讓他再利用到機器學習創新的能力之後，還可以瞭解到機器在做些什麼，自己在做些什麼，那麼最後我們看一下，除了其實oracle做的事情很多，因爲今天時間的關係，我們就舉其中的一個例子，也是變在比較火的機器學習的這樣一個例子，來引申出大數據的一種應用。當然除了這種機器學習之外，在數據管理、數據實驗室、還有快數據就是我們現在講到的物聯網場景，上面包括還有企業級應用，包括前報人工機器，智能機器機器人聊天等等，這些應用場景上面oracle都有相應的一些解決方案，如果各位有興趣的話，也可以會後我們進行一個交流。好，那我今天所分享的內容就是這些，也再次感謝各位的時間。