top of page

破除數據決策盲點

Updated: Apr 28

在螞蟻集團準備上市之際,筆者尤其興奮,因為這是我的娘家、是我在2010年加入阿里巴巴後的第一間公司。當年正值是時任支付寶首席執行官彭蕾(Lucy)臨危受命,從鐵木真(支付寶創建總裁陸兆禧)手上接過支付寶。因為Lucy及時任支付寶首席財務官井賢棟(Eric)的信任,我竭力重新建立支付寶的數據團隊,首先希望使用數據作為瞄準器,幫助內部了解現狀,為業務做出有利的決策,這些決策包括對項目的資源投放、產品開發、營銷策劃、風險管理、人才培養等。

然而,從綜合分析的層面看,數據與決策之間很容易出現盲點。這些盲點包括對業務的不理解、數據收集及處理時出現誤差。此時的重點是,通過數據分析輔助管理者的經驗假設作決策,然後作為優化手段,再用數據去衡量之前的經驗假設是否正確。以上的數據驅動過程極需要業務方的支持與諒解,此時老闆的行為態度起了很大作用,例如Lucy喜歡把產品體驗排行榜放在辦公室門口,讓做得不好的產品總監「遊街」示眾。她的辦公室內掛了一個大熒幕,所有公司內部的表現都要一目了然,甚至可以直接讓她即時聽見客戶投訴的聲音。我們都知道管理業務是一個模糊的決策閉環,當問題愈模糊,優化行動的迭代時間可能會愈漫長,數據的獲取亦會變得複雜。為了累積經驗及讓決策可被追溯,更主動的發現及補充數據是數據化決策系統的關鍵要素。

在支付寶的月度經營會議中,常常會見到業務主管被首席執行官問到數據指標的細節及其所顯示的現象。分析師、業務人員、產品經理只有在這種務實的環境中才可能發揮出數據的作用。同時作為數據團隊的主管,我會讓團隊明白到每一次的月度經營會議都是他們的一場大考。上至分析師對業務展開的問題剖析、下至數據聚焦形成對業務發展的敏感度,都要圍繞着業務痛點而進步。不難想像月度經營會議,有點類似戰爭中的沙盤推演,對業務做到鞭策的作用。筆者相信有了這樣的基礎,企業的數據化轉型會變得容易很多。

最後,在此再次感謝Lucy及Eric給予我的機會,是他們把我從無趣的人生帶到大數據的世界當中。猶記得Lucy面試的時候說了讓我刻骨銘心的一句:「我這裏有一切你要玩的數據,來吧。」

車品覺_紅杉資本中國專家合夥人、阿里巴巴商學院特聘教授暨學術委員會委員

Recent Posts

See All
選擇胖模型還是胖鞍具?

打開任何人工智能(AI)方案,你會看到兩種完全不同的產品策略在較量:一種叫做胖模型(Fat Model),另一種叫做胖鞍具(Fat Harness)。 胖模型的信念很直白:以更大的大腦解決更多的問題。參數多、數據龐大、算力強,模型自然顯得聰明。這驅動了ChatGPT、Claude和Grok之間的競賽──每一代都宣稱新產品比上一代更強,而企業只要付費就能直接使用,代價是你的AI能力完全綁定在供應商的

 
 
慎防智能代理「無聲」脫軌

試想想,人工智能(AI)系統已在生產環境中完成部署,但究竟要如何防止AI「悄然失靈」?過去3個月,全球超大規模企業在AI基礎設施上的資本支出達到一個前所未有的量級。單憑這一數據,人們或許會得出結論:AI的生產化部署正在全力推進,市場充滿信心。 然而,7月份第一周,來自不同領域的幾個訊號同時浮現,揭示出一個更為複雜的真相。一邊是史無前例的基礎設施投資;另一邊是一群深諳「系統可靠性」的專家──那些專門

 
 
AI預算黑洞 根源在架構設計

過去兩年。美國眾企業不約而同墮入一個速成陷阱: 認為購買了一個模型、聘請幾位演算法工程師、便能成功實現人工智能 (AI) 落地。然而,即使模型選擇正確數據卻 難以整合;數據成功整合,系統卻無法運行;系統成功運行,但業務部門不會操作;即使學會操作,3個月後模型又變得過時。 問題根源其實不在模型,而在架構。猶如建造大樓,若設計圖存在缺陷,再昂貴的材料也難以支撐。許多企業投入巨資購買「鋼筋水泥」(模型和

 
 
bottom of page