一文解读 AIGC 驱动高绩效商业的落地与思考
-
懂业务并且能够与 AI 进行对话的人，将成为公司的超级个体，发挥更大的价值
-
神策数据通过构建数据分析 copilot 和用户运营 copilot，为公司的关键角色提供支持，使其成为超级个体
-
提升 AIGC 应用效果的关键点是企业数据，AIGC 时代下，企业数据愈发重要
关于 AIGC 的范式，我们认为一方面是 LUI（即 Language User Interface，自然语言用户界面），另一方面是专家模型。比如画画，我们想画一幅“美丽的清晨”，LUI 理解需求「美丽的清晨」，画画模型把图画出来；比如让 AI 模仿孙燕姿的嗓音演唱 XX 歌曲，LUI 理解需求「演唱 XX 歌曲」，唱歌模型完成演唱。现在的大模型能比较好地理解自然语言，LUI 相对比较成熟；但目前并不是所有行业或场景都有对应的 AI 专家模型，也有一些通过传统方法来实现。随着 AIGC 能力的发展，各种 AI 专家模型会越来越成熟。引用陆奇博士的话，现在正处于「模型」无处不在的新范式拐点上，接下来的时代就是模型的世界。
从企业经营的角度看， LUI + 专家模型将带来什么样的影响？确实，它可以提升员工在特定场景下的工作效率，比如自动写会议纪要等；但从其他的视角看，有没有可能有更大的价值？
我先分享一个故事。我有个出版行业的朋友，主要给书做插画，她是自己这个小公司的 CEO，没有经过一天画画训练的她，应用 AIGC 以后成为公司里最有创造力、最有生产力的人。我问她为什么，她说：画画分成两个环节，第一个环节是设计，即要画成什么样，第二步是画出来，利用训练有素的肌肉记忆把想要的画画出来。她虽然不懂画画技巧，但多年的行业经验让她很懂客户需求和插画设计，又因为她拥有丰富的绘画知识，因此她能清晰地把设计需求表达出来给 AI，然后由 AI 完成具体创作。既懂业务又具备和 AI 对话的能力，让她变成了最厉害的生产力和最棒的创作人员。
在这个故事里，LUI + 专家模型代替了只能提供基础技能价值的画师，懂业务 & 懂得和 AI 对话的业务负责人或者资深画师和 AI 互通，直接开展业务，发挥了更大价值，成为公司内的超级个体，公司业务的效率和质量自然也有了提升。
因此，从企业经营角度看，可以通过构建 LUI + 专家模型来服务公司内关键角色，打造企业内超级个体，提升业务经营效率和质量。
关于 AIGC 业务的落地，一方面是在普通场景下如何提升工作人效？另一方面是如何赋能公司中有业务能力的人，发挥其价值，让他们成为公司的超级个体，驱动业务发展。
在感知、决策、行动、反馈构成的业务闭环中，业务负责人员作为关键角色比较关注和能发挥价值的是感知和决策，我们将这两个环节设为 AIGC 应用的重点，以帮助他们发挥价值，成就超级个体。
当前企业的工作流程大多是由分析师产出数据报表和报告，业务负责人看到数据报表，针对异常数据表现，数据分析师再进行分析和汇报，业务人员难以直接接触数据，从而限制了他们对业务全局的洞察力。此外，洞察数据后进行用户运营决策时，如何更好地理解过往策略，并基于当下目标制定新的运营策略，也有较高的门槛。针对这些情况，我们可以通过 AIGC 去赋能业务负责人。
上面介绍了我们围绕 AIGC 开展的一些应用，接下来探讨一下我们遇到的问题和实践过程中得到的认知。
首先来谈谈模型精准性。相比于摘要生成模型、图片生成模型，数据分析模型非常要求精准性。摘要生成的好坏、图片生成的好坏可以直观判断，而数据指标的对错难以直观判断，因此对精准性要求很高。而影响模型精准性的因素有哪些呢？
第一，模型的应用方式，我们要知道 prompt 怎么写影响性能和效果，比如要不要 step by step，要不要自我校准，JSON 生成要不要先生成结构等。
第二，模型的推理能力。最常见的有最近 7 天、同比、环比以及一些聚合统计的逻辑不对，比如「在过去 7 天做过成功拍照事件行为且次数超过 10 次的用户数」这一类的查询。
第三， prompt 长度约束问题。我们的事件、属性等组合起来可能有大几百，甚至上千个字段，不能将所有的表信息塞到 prompt 中，要先进行一次事件和属性的选择。
第四，字段理解问题。要让 GPT 理解事件和属性，就要给模型足够的信息，比如事件 show_take_photo_guide_popup，我们要让模型知道这是「首次拍照后弹窗引导」。
第五，业务理解问题。业务理解有两类，一类是业务指标的理解，比如转化率，不同公司的转化率定义（分子、分母）不一样，需要让模型知道业务指标的含义；另一方面是具体字段和属性的选择，有些元数据的描述很相近，比如统计照片上传成功数量，需要确定用「照片上传成功」事件还是用「服务端照片上传成功」事件。
如何解决以上问题？一方面我们需要等大模型能力的提升，或是自己去做某个领域的模型。另一方面关于字段理解和业务理解，如何积累数据变得很关键。在 LUI 的情况下，数据完备性非常重要。除了更多的数据积累，还需要知识，比如语义相近的两个字段到底选哪一个？这不是数据，而是需要知识才能解决的问题，因此要构建企业的元数据知识图谱。比如企业中已有的 1000 张报表，到底哪些字段和属性已经用过，这些字段、属性、指标之间构成了什么关系？这些可以构建出来，并用来做事件和属性的选择推理。
我们再来看看产品的设计与评估。LUI 之后，产品的设计将从场景和功能驱动，变成用户问题驱动。这随之带来两方面的影响，一方面是用户引导的方式发生改变，需要引导用户变得会问问题、正确地问问题，用户引导贯穿提问前、提问中、提问后；另一方面产品的评估方式发生变化，由「有没有某个功能」变成「能否正确回答某些问题」。这些问题的解决一方面要提高对用户的引导能力，另一方面需要建设行业问题以及相关问题的知识库。
