在數(shù)字化轉(zhuǎn)型的浪潮中，算法工程師被寄予厚望，他們被看作是解決復(fù)雜商業(yè)問(wèn)題的關(guān)鍵。然而，現(xiàn)實(shí)往往比理想殘酷。本文通過(guò)一系列真實(shí)的案例，揭示了算法工程師在傳統(tǒng)企業(yè)中面臨的挑戰(zhàn)和困境。

“我們的算法工程師水平太差了，完全解決不了問(wèn)題！”——作為一個(gè)經(jīng)常和傳統(tǒng)企業(yè)打交道的乙方，這種抱怨陳老師聽得太多了，類似慘痛畫面也見得太多了。今天我們系統(tǒng)說(shuō)說(shuō)。

模型厲害不厲害，厲害！你看ChatGPT都快干掉人類了，能不厲害嗎。于是，很多企業(yè)咬牙跺腳，出高薪，聘請(qǐng)來(lái)自互聯(lián)網(wǎng)大廠的算法工程師、數(shù)據(jù)挖掘工程師、數(shù)據(jù)建模師，期望他能做出超厲害模型?！爸灰隳茴A(yù)測(cè)精準(zhǔn)了，那我肯定能如魚得水”是他們的口頭禪。

又剛好，近年大廠裁員多，一批人自以為可以打著“前字節(jié)/阿里/騰訊高級(jí)算法工程師”旗號(hào)，收割傳統(tǒng)企業(yè)，從此烏雞變鳳凰，走上人生巔峰。兩者一拍即合。悲劇就從這里開始……

01 不考慮業(yè)務(wù)，背鍋死

陣亡案例1：某傳統(tǒng)企業(yè)，想建立產(chǎn)品推薦模型，精準(zhǔn)匹配用戶需求。結(jié)果才半年，招來(lái)的算法就被炒了。炒人理由：推薦不精準(zhǔn)，反而干擾了正常銷售。甲方市場(chǎng)部的頭頭還不屑地說(shuō)：阿里的推薦算法也不咋樣啊。

仔細(xì)研究業(yè)務(wù)場(chǎng)景就發(fā)現(xiàn)：親，不是阿里有問(wèn)題，是你這公司不是阿里呀。阿里是平臺(tái)方，在平臺(tái)上有無(wú)數(shù)商品等著推。

但具體到你這個(gè)企業(yè)，就會(huì)發(fā)現(xiàn)：

1、有的產(chǎn)品是安身立命的爆款，不推也好賣。

2、有的產(chǎn)品是業(yè)務(wù)的心頭肉，只要出一點(diǎn)問(wèn)題，那就是千刀萬(wàn)剮。

3、有的產(chǎn)品先天短腿，功能不行、定價(jià)不合理，根本干不過(guò)競(jìng)品，推薦算法有毛用。

4、有些產(chǎn)品品質(zhì)還行，只是在內(nèi)部政治地位不高，拿不到資源，或者定價(jià)不合理，導(dǎo)致后天短腿。

上一任算法小哥哥，不考慮這些業(yè)務(wù)上明爭(zhēng)暗斗，就直接上模型了。所有產(chǎn)品一鍋燉了做推薦（還是用協(xié)同過(guò)濾，完全沒(méi)考慮企業(yè)的用戶粘性，用戶行為數(shù)據(jù)量問(wèn)題）。結(jié)果，主打產(chǎn)品出現(xiàn)下滑情況，銷售部、市場(chǎng)部聯(lián)手，一起把鍋往他身上甩。結(jié)局，不但被趕滾蛋，而且搞得聲名狼藉。

認(rèn)真分析了這些背景以后，一個(gè)優(yōu)化方案出爐（如下圖）：

先做好產(chǎn)品分析，選好后天短腿的小品類，找到背書的部門，這時(shí)候可以開干了。

果然，第一波推廣馬上見效。

于是甲方開開心心接手，自己回去優(yōu)化迭代去了。

02 不細(xì)化場(chǎng)景，麻煩死

陣亡案例2：某連鎖店，希望能建立模型，精準(zhǔn)預(yù)測(cè)每個(gè)店鋪的魚蛋、腸粉、飯團(tuán)、面包……具體到每一個(gè)SKU的銷量，這樣門店既不會(huì)因?yàn)榉e壓浪費(fèi)食材，又不會(huì)因?yàn)槿必涘e(cuò)過(guò)銷售。結(jié)果七個(gè)建模的小哥折騰了半年也不夠精準(zhǔn)，離職了4個(gè)，剩下仨垂頭喪氣。到底如何100%精準(zhǔn)呢！

認(rèn)真思考這個(gè)問(wèn)題場(chǎng)景，就會(huì)覺(jué)得很搞笑：真有100%精準(zhǔn)預(yù)測(cè)魚蛋香腸的本事，這七個(gè)小哥還打個(gè)屁工啊，直接去炒期貨呀。

仔細(xì)研究以后發(fā)現(xiàn)：所謂的“缺貨錯(cuò)過(guò)銷售”，根本就是一句話空話。因?yàn)闆](méi)有一個(gè)正式的缺貨登記系統(tǒng)（很多企業(yè)有，但這家沒(méi)有）。但是積壓導(dǎo)致的損耗率，卻是結(jié)結(jié)實(shí)實(shí)地高，于是，一個(gè)優(yōu)化方案出爐（如下圖）。

這樣運(yùn)行了倆月，損耗率明顯下降，實(shí)實(shí)在在地看到了成本的減少。同時(shí)，雖然也有人抱怨：“誒呀，有些店缺貨了呀”?？勺C據(jù)呢？證據(jù)呢？證據(jù)呢！沒(méi)有數(shù)據(jù)，空口白話，說(shuō)了鬼信！于是順利扭轉(zhuǎn)局面。

也不出意外地，甲方自己接手繼續(xù)優(yōu)化了（是滴，甲方就是不喜歡簽二期、三期，都以為自己能搞掂后邊的，當(dāng)然這是后話了，哈哈）。

03 不應(yīng)對(duì)變化，含冤死

陣亡案例3：某大型渠道商，希望能建立模型，精準(zhǔn)預(yù)測(cè)手機(jī)、平板銷量，避免積壓。先后換個(gè)5個(gè)做模型的，都不滿意！業(yè)務(wù)給的反饋是：預(yù)測(cè)不夠精準(zhǔn)，導(dǎo)致決策失誤。

仔細(xì)研究以后發(fā)現(xiàn)，問(wèn)題根本不在預(yù)測(cè)上，而是業(yè)務(wù)方的反復(fù)橫跳?？己四Ｐ托Ч?，看的是總銷量，但總銷量分配給每個(gè)渠道負(fù)責(zé)人后，總有人跳出來(lái)要求加量、減量。而且常?？搭^2周買得好，就拼命加，結(jié)果導(dǎo)致積壓。看頭2周差就都不想做，能甩就甩。最后整體數(shù)據(jù)偏差大，反而回頭怪算法預(yù)測(cè)的不準(zhǔn)。

知道這幫孫子的搞法，于是，一個(gè)優(yōu)化方案出爐。優(yōu)化以后，效果立現(xiàn)：所謂的預(yù)測(cè)不準(zhǔn)，90%是因?yàn)闃I(yè)務(wù)方自己不靠譜的談判、預(yù)判、騷操作搞出來(lái)的。不但順利脫身，而且也幫前邊五個(gè)冤死鬼洗刷冤屈（如下圖）。

04 數(shù)據(jù)質(zhì)量差，著急死

陣亡案例4：某大型企業(yè)，想建立智能客服，高薪挖來(lái)一個(gè)小哥，結(jié)果來(lái)了才發(fā)現(xiàn)，不但原始數(shù)據(jù)混亂，因?yàn)榭头嘤?xùn)做得太差，連最基礎(chǔ)的分類標(biāo)簽：咨詢、投訴、建議都是錯(cuò)亂一堆。結(jié)果嘛，自然是干了半年沒(méi)成績(jī)，黯然滾蛋。

陣亡案例5：某大型企業(yè)，想建立“和抖音一樣的內(nèi)容推薦算法”，高薪挖來(lái)一小哥，結(jié)果來(lái)了才發(fā)現(xiàn)，內(nèi)部根本沒(méi)有內(nèi)容分類標(biāo)簽，用戶打的標(biāo)簽全是垃圾，90%都是空的……領(lǐng)導(dǎo)還說(shuō)：“我都給了你那么多錢了，你咋不能干，為啥還要小妹來(lái)幫忙，你看人家抖音不都是算法工程師做的？？”

╮(╯▽╰)╭

是滴，越是迷信算法模型的，反而越不重視數(shù)據(jù)建設(shè)，都是一臉：“你都有算法了，你還要數(shù)據(jù)干啥，數(shù)據(jù)不是初等低級(jí)的嗎？？？”

對(duì)了，應(yīng)該有同學(xué)注意到，這些完蛋的周期都是半年。為啥，是因?yàn)楹芏嗨惴◢徫?，在互?lián)網(wǎng)公司就是吉祥物，為了能證明公司走在“人工智能大路上”，維持股價(jià)。所以在互聯(lián)網(wǎng)公司的考核是遠(yuǎn)沒(méi)有實(shí)體企業(yè)嚴(yán)格的。在實(shí)體企業(yè)半年不出業(yè)績(jī)，不滾蛋還怎樣。

05  問(wèn)題的本質(zhì)原因

問(wèn)題的本質(zhì)在于：數(shù)據(jù)建模，本質(zhì)上對(duì)抗的是低效率。是幫助人們解決運(yùn)算變量多過(guò)時(shí)，手工計(jì)算復(fù)雜，難以處理的問(wèn)題。這是一種計(jì)算方法，不是智慧高于常人的神秘力量，不是仙風(fēng)鶴骨的世外高人。數(shù)據(jù)建模應(yīng)用最好的領(lǐng)域，也不是診斷經(jīng)營(yíng)問(wèn)題，而是圖像識(shí)別、語(yǔ)音轉(zhuǎn)化這些相對(duì)客觀的領(lǐng)域。

而傳統(tǒng)企業(yè)面臨的問(wèn)題，比如：

• 突發(fā)情況多：天氣預(yù)報(bào)有雨，于是備貨少了，結(jié)果突然沒(méi)下，貨不夠賣……
• 目標(biāo)不清晰：因?yàn)槔习鍌€(gè)人喜歡，所以上了某款商品，結(jié)果老板看走了眼……
• 業(yè)務(wù)能力差：預(yù)判不準(zhǔn)，情緒化，收了客戶、供應(yīng)商回扣，迎合老板態(tài)度想邀功

這些亂七八糟的情況，更適合用數(shù)據(jù)分析方法來(lái)解決。數(shù)據(jù)分析，本質(zhì)上對(duì)抗的是不確定性。是通過(guò)認(rèn)真地采集數(shù)據(jù)、梳理業(yè)務(wù)流程、診斷業(yè)務(wù)問(wèn)題、進(jìn)行數(shù)據(jù)測(cè)試。把主觀臆斷關(guān)進(jìn)籠子里。把“我以為”換成“我確信”。所以遭遇復(fù)雜的企業(yè)經(jīng)營(yíng)問(wèn)題，最好的做法是認(rèn)真做好數(shù)據(jù)采集、認(rèn)真建立分析模型、一點(diǎn)點(diǎn)積累分析經(jīng)驗(yàn)。而不是指望一只阿爾法大狗子汪汪一叫就撥云見日迎春歸。

所以我們看到，只要把復(fù)雜場(chǎng)景梳理清楚，撇除亂七八糟的因素，模型是可以在一定程度上解決經(jīng)營(yíng)問(wèn)題的。然而遺憾的是，從朋友圈文章，到管理層的內(nèi)心，到正在調(diào)參的小哥的鍵盤，所有聲音都是：

算法又打敗人類了！

算法比你自己更懂你自己！

算法實(shí)現(xiàn)了99%的超精準(zhǔn)預(yù)測(cè)！

所以這種悲劇還會(huì)繼續(xù)上演，而且隨著大量企業(yè)加速數(shù)字化，會(huì)上演更多，更慘烈。我們拭目以待哦。