2021即將迎來最后一個月份。每到這時，關于未來的技術趨勢預測總會見諸報端。前不久，Gartner公司就宣布了企業組織在2022年需要探究的幾大戰略性技術趨勢，它們或將在未來5-10年內推動重大顛覆和機遇。

其中，既有看起來相對新穎的分布式企業、云原生平臺CNP、超自動化，也有火了幾年的生成式AI、決策智能DI等。

今天想跟大家深入聊一聊的，就是號稱“世界級難題”的——決策智能DI。

早在2017年，AI浪潮剛剛襲來的時候，業內就流傳著類似的預言：未來所有的企業都是人工智能企業。而AI公司的典型樣貌，不就是利用智能技術讓企業決策更高效、更精準、更靈活嗎？

看起來似乎很簡單，將經營中產生的大數據扔給AI不斷地訓練學習，形成適配業務需求的決策模型，將原本依靠經驗的“人治”變為“數治”，就可以了。

類似的案例也不少見，比如某服裝廠商將原本要靠店長每天統計上報補貨數量，全部變成了系統根據銷售情況自動安排補貨；某自來水公司原本需要靠人工來調節水壓，運用AI智能判斷調壓，省了人工和運營成本，住戶體驗也更好了……聽起來皆大歡喜。

但現實中，我們走訪了許許多多的傳統企業智能化項目，發現事情并非如此簡單。

和成功相比，失敗或停滯的案例更多。

這些企業中，不乏幾十年的深厚管理功力，更不缺少推進智能化項目的魄力和眼光，否則也不會最先擁抱AI。

但是，這些探索中，有的智慧門店，在嘗試了十幾家之后宣告終止；

有的企業好幾年還停留在數據采集、數據治理階段，距離決策智能遙遙無期；

有的預測模型，根本達不到預期效果，還不如依靠專家經驗的傳統方式……

這些現實問題，是很多企業在智能化探索中很少愿意去講的故事，一些AI技術服務商也往往會隱去這些“失敗案例”，傾向于暢想“技術利好”。

據Gartner公司的測算，到2030年，智能決策將超過所有其他類型的人工智能活動，占全球人工智能衍生商業價值的44%。也就是說，未來組織必須使用決策智能，以增強競爭優勢。

如果搞不清楚可能踩到的坑，反而會在當下透支企業——尤其是傳統行業對決策智能以及AI的信心。

所以，我們決定通過五個“大失敗“案例，帶大家參觀一下決策智能DI可能有哪些失敗姿勢。

姿勢一：沒數據，卻要洞察

智能指導決策，首先要求AI能夠從各種異構化數據中洞察出隱藏的業務邏輯。但許多企業的數據卻散落在各個渠道。其中，最為撕裂的要數線上與線下。

我們采訪的某A服裝品牌，就是線下購物商場起家的。伴隨移動互聯網的快速發展，線上業務近些年快速崛起和壯大，還沒來得及與傳統的線下渠道、供應體系深度磨合，已經形成了分庭抗禮的狀態。

線上、線下分屬兩個渠道，分管領導/老板之間有著直接的利益沖突，訂單、庫存、會員數據等都不愿意共享和打通。而企業壯大之后，創始人的權力也受到多方掣肘，很難強勢地要求雙方整合成全國乃至全球“一盤貨”，最后A企業不得不各個渠道各建一個系統。

統籌幾千家門店、幾萬個SKU、多層分銷體系，是一件非常龐大復雜的工作，數據之間無法協同，還有大量數據存在于紙質文件、報銷票據等等。

對A企業來說，看不到全局數據，生產、調撥、發貨、庫存、訂貨等各個業務單元，想要做分析預測也就變得十分困難。

舉個例子，工廠要看到動態銷售情況，掌握哪些款式賣的好可能要追單，會提前聯系原材料廠商、對布料進行預處理，從而快速響應。

而A企業雖然有了一個系統，但線上線下的內部數據并不互通，依靠AI進行銷售預測就不一定準確了，形成了“不了解市場變化——無法高效生產——做不到精準補貨——消費者買不到或不喜歡——庫存壓力大現金流緊張——不愿意做數字化投入——更不了解消費者”的惡性循環。

姿勢二：有意識，但數據質量低

當然，也有一部分企業意識到了數據統一化的重要性，并且渠道統籌、內部推動更加有力，這樣的企業往往會更大膽地擁抱AI。

比如某食品品牌B，很早就成立了大數據和算法部門，招攬了許多算法專家、開發人員，希望基于大數據搭建起消費者洞察模型，指導營銷決策和運營決策。

作為傳統企業，B是極有魄力和眼光的，但智能決策需要非常多的工程能力，而不僅僅是算法能力。

舉個例子，要解決銷售預測的問題，就要統一數據標準、采集全環節數據，聯動渠道、門店銷售、供應鏈、生產、庫存等多種數據，讓“從頭到尾”的數據都被精準采集，才能避免供需不協同的問題。

而食品賽道的特點之一，渠道多而散，既有大型超市，也有夫妻店、無人貨架……這些渠道要貨、補貨的數據往往比較粗獷，有的小店經營者缺乏經驗，庫存還有很多，卻報了一個超過安全水位的補貨數字，安排生產之后，幾個月根本賣不掉，影響退貨率不說，消費者吃到的食物口感變差，還會損傷品牌口碑。

而要實現高質量的數據管理，需要的不光是高精尖的算法人員，還必須懂業務、懂運營，自主定義好數據標準，才能讓后續工作事半功倍，訓練出更適配業務的模型，真正讓AI幫助減少不必要的損耗，發揮出技術價值。

姿勢三：降成本，但輪子不適配

沒有企業對成本不敏感，一些“血厚”的老牌企業可以拿出足夠多的預算，組建團隊，自行開發決策智能工具，而更多企業會選擇使用技術服務商造好的輪子，比如一些“行業大腦”“行業解決方案”。

讓更專業的人做專業的事，通過Paas、SaaS模式，能夠大大降低企業構建決策智能的難度。但是，相比于數字化方案，決策智能對于個性化方案的需求度更高，許多“大腦”“輪子”可能并不適配企業現狀。

拿我們采訪過的化妝品牌C為例，在應用決策智能的時候就遇上了兩個問題。

第一，各個平臺的數據無法打通。

不同互聯網生態、不同內容平臺上沉淀的用戶數據是無法“出塔”的，只能在生態內部進行有限的洞察和使用，在某狗上的營銷策略無法看到某貓上的用戶行為數據，技術服務商的“輪子”只能跑在自家生態的路上，這就讓精準營銷效率降低了。

第二，“輪子”大小與業務進展不匹配。

作為國牌，品牌C還達不到雅詩蘭黛集團、歐萊雅集團這樣的規模和量級，項目和市場都在快速發展迭代期，對于決策智能項目的要求也是能夠小步迭代、低成本輕量級。一些技術服務商一上來就推薦什么全球零售倉儲物流體系化解決方案、建設海外平臺，用C企業技術負責人的話來說——聽起來就很可怕。

不用企業自己反復“造輪子”，這很好，但輪子也有大小，適配企業業務的輪子才能讓決策智能真正跑起來。

姿勢四：有決心，但戰略耐力短

利用AI能夠更好提升決策效率和決策質量，已經成為共識。做出“智能化轉型”的決定并不難，但推進智能項目進程，就不是一朝一夕、一帆風順的了，往往需要企業的掌舵人具備長期戰略思維，以及深度把握企業方向的能力。

就拿某鞋類企業D來說，在2018年就嘗試引入了數字化建設，希望積累大量會員數據來為消費者洞察服務。然而項目落地不到一年，老板覺得沒有達到預期的狀態，大數據平臺建立起來之后完全沒有產生經濟效益，就直接將項目暫停了，相關平臺也沒有再更新迭代和使用。

追求短期見效，也讓該企業面臨著較大的內部管理動蕩，數字項目負責人的離職更替率較高。

老板因為意識到自家企業的數字化能力相對落后，開始努力追趕，這期間不停嘗試引入新的技術管理者，領導者的更替總會帶來一輪方向變化和員工換血，不可避免地導致重復建設與投入，無法徹底、全面地實施變革。

頻繁地調整戰略、團隊動蕩，也讓線上線下渠道權益的平衡與整合，多個信息化系統的打通，門店的數字化改造等等，許多“硬骨頭”無法高效推進。

智能決策的落地需要土壤，民營企業和家族企業的管理特質，以及背后的激勵體系、企業文化，或許才是成功更需要的質素。

姿勢五：有AI，但沒知識

全局數據+厲害算法，智能決策就一定比“人治”強嗎？答案是否定的。

誠然，決策智能需要不斷挖掘和分析消費者、研發、生產、供應鏈等各種數據，再基于算法模型建立一套新的決策機制，但這個過程是終極理想狀態，至少在目前，人的傳統經驗、行業知識依然非常重要。

某飲料企業E告訴我們，目前該企業已經慢慢長出了一些自動化決策的標準，可以從某些維度給出建議，比如從短視頻博主的曝光量、點贊量、粉絲畫像、成長軌跡等，判斷對方的帶貨效果。

但技術人員也坦誠，目前還不太確定，這些建議一定能夠給業務部門帶來不錯的價值。目前的市場投放決策，還是要依靠營銷人員的專業經驗去判斷，有時候甚至是靈感的東西。

新品開發也同樣如此，智能決策系統可以給出一些建議，提前預判可能會遇到哪些問題，用什么樣的包裝材料，生產上可能出現什么瑕疵，但對于一些創意方向、從零到一的需求創造，目前的智能決策系統還不算成功，只是讓研發人員看到的數據維度更多、思考更全面、決策更加精細化而已，最終決策還是靠專業人士來完成。

比如他們就將一個logo設計成了環抱的弧形，從心理上讓消費者感覺更親近，這個創意就來自于專業判斷，而非AI洞察。

寫在最后

說了這么多“失敗姿勢”，并不是想給企業和AI行業潑冷水，而是成功各有各的成功，但失敗之處某種程度上都是相通的。當千行百業都渴望AI、擁抱AI的時候，提示風險、避免踩雷，才能讓AI產業化和產業AI化更良性地發展下去。

具體到決策智能這一技術上，通過這些先行者的探索，可以發現影響成功率的因素非常多，主要有四個方面。

1.數據化程度。要能做到業務全流程、全場景的數字有跡可循，為智能提供基本養料。

2.組織力支撐。歸根結底，決策離不開管理科學，企業管理、文化、組織架構等都要適配智能項目。

3.價值場景。決策智能到底如何發揮價值，需要找到最符合企業增長效益、符合數據邏輯的場景，這又對技術人員的綜合能力提出了要求。

4.外部支持。目前，我國的企業管理大多還停留在梳理商業規則（Business Rules）和搭建商業規則階段，少數進入了自動分析決策智能（Automatic Prescriptive Analytic）階段，技術服務商和基礎設施提供商也需要適配企業智能化的不同階段，提供相適配的技術工具與商業支持。比如輕量級、模塊化的組件，幫助企業快速搭建智能系統，低成本試錯；比如反壟斷的推進，讓跨生態的數據流動起來。

維基百科中，決策智能指的是“ An engineering discipline that augments data science with theory from social science, decision theory, and managerial science”，一門運用社會科學、決策理論和管理科學知識來擴展數據科學的工程學科。

這就已經說明了，決策智能的成功，從來都不是AI技術本身所能獨自決定的。它依賴于整個社會、企業、用戶的全面改變，而這一天一定會到來。

從這個角度看，失敗其實也是一種勝利，只有真正試水，才有可能成為最先感受到春江水暖的那只鴨子。