第三部分 AI技術在企業中的應用探索（一）通過AlphaGo的邏輯探索AI技術對業務的價值1.AlphaGo的邏輯
AlphaGo（阿爾法圍棋）是一款圍棋人工智能程序，其主要工作原理是利用蒙特卡洛方法與計算機算力結合，實現對圍棋棋局的推測。通過對弈局面的分析去模擬棋局，即“這一步怎麽下，下一步對手可能怎麽下，下下步又可能怎麽下”，從而在棋盤上衍生出各種執棋可能性。一棋子落下，就形成了一個棋局，以此爲起點，可以有衆多個棋局對應，此起點對應的衆多的棋局，就是一個縱，找出所有與此起點相關聯的衆多個棋局進行運算分析，形成最優解，而此最優解就是橫向連接上一步對方的落棋點，並促成對方的下一步的執棋，然後每一步都進行對戰步驟的回溯，以此循環往下，就能夠在實際對戰中找出得分最高的那條路徑，找到最優決策指導棋局走勢。AlphaGo 所運用的核心算法即蒙特卡洛算法，通過1.選舉-2.拓展-3.模擬-4.回溯 四個步驟來實現以上的最優決策，形成決策樹體系。相比人腦而言，算力能夠把算法無窮盡，把棋局看得更遠，並窮盡所有可能對棋局發生的每一個局面進行模擬對戰，針對局面的勝負進行總結形成路徑回溯。
一棋子落下，就意味著下一個衆多的可能，也就是可以用衆多個棋局對應，這一衆多，可以說成一個局，也可以說一世界、一乾坤。而雙方每個落子之間又是上下因果連接，最後的結局就是每次落子上下因果連接的最終體現。
AlphaGO的邏輯
2. AI技術的業務價值
理解了AlphaGo 的運行原理後，我們回看第二部分所講的業務數據體系，基于一體化、標准化的評估體系、分析體系和預測體系，構建出一整套企業業務經營的三維立體滾動數據網，找出影響業務結果的關鍵縱，依據縱向關鍵鏈層層分解-定位問題-進行排序，再橫向鏈路貫通-綜合分析-形成最優策略，再回到縱向關鍵鏈中確定決策並執行，執行的結果直接反饋到橫向鏈路，多維度綜合分析趨勢的變化，並據此進行策略調整，再到縱向路徑執行調優，一直循環調優與回溯，形成增強回路。這樣的一套邏輯在AlphaGo 上是完全映射與體現的。
當AlphaGo與人類棋手對弈時，首先AlphaGo 是學習了十幾萬套的棋譜規則，相當于建立縱向“關鍵鏈”的邏輯基礎。同時，圍棋是一種“對戰”，AlphaGo 的對手會根據它的執棋産生不同的應對，這就是所謂的“環境”與“變化”，決策的産生不單單是AlphaGo 所理解的上十萬套棋譜，更關鍵的對手做出應對棋招後的“反應”，驅動AlphaGo 決定“該怎麽下”，這種對戰的上下連接就是橫向領域。我們再來對照看實際業務，AlphaGo對弈的每一盤棋局都是一次整體走棋“運營”，企業業務運營與這種走棋“運營”是異曲同工的，只是企業業務運營比這種走棋“運營”更爲複雜。棋局中，棋盤邊界明確而有限，角色只有棋手雙方，而且對戰的上下連接明確、串聯且可窮舉，然而業務運營的連接關系衆多、交叉且並發疊加，業務的外部環境更是多變，市場在無時無刻的變化著，競爭對手也在不斷的優化經營，面對外部的變化就對企業的決策和各環節業務運作的快速響應提出了更高的要求，所以企業在內部要在縱向關鍵鏈之上建立起橫向複雜關聯，即構建決策樹，這種複雜關聯可以利用AI模型和算力在各種應對局面下從多維度進行推演，更多、更廣、更快、更細地助力企業全面的理解“內外部問題的連接“，從而在多個變量之中推演出相互作用的“問題”，通過對問題的縱向多鏈路分解和排序，然後橫向鏈接問題的進行系統性的綜合分析評估，平衡相關利弊做出最優策略選擇，並在決策下達後持續觀測“改變”的發生，不斷循環與回溯，直到達成最優目標。
如此不斷循環與回溯形成優化回路的過程，關鍵環節就是“找到問題、定優策略、看全回路”來形成循環增強。過去，這一過程都靠人的信息整理、經驗和能力，要求人在業務決策各個環節進行多維度思考、計算、反應，並在多個關聯性、共振性問題的情況下去分析、判斷並做出決策，然而人從腦力到效率都有很大的局限，就像下圍棋人可以看五步、十步，但計算機可以實現快速看五十步、一百步、甚至更多並快速進行回溯分析。基于企業的業務目標結合AI模型能力構建企業經營的系統性增強閉環，通過多維度推演、多次問題分解、無數次橫向鏈接、多角度綜合評估及再循環優化，實現橫向升維決策、縱向降維執行、業務鏈各層循環調優突破瓶頸。因此，運用AI技術的核心目標應該是拓展與深化企業業務經營的縱、橫、時間軸三維立體滾動數據網, 突破人類大腦的記憶容量與算力瓶頸。這裏面排序在縱，決策的思考在橫，決策的動作在縱，建立縱的動作涉及橫的關系，再根據橫的關系變化調整縱的動作，這就是回路.依據縱的結果動態變化趨勢找到橫的變化的關鍵因子和最優組合，再調優縱的動作並循環優化，這就是增強回路。
（二）AI技術在企業應用的構想
從上文AlphaGO的邏輯中,我們已經意識到企業的“運營邏輯“要比圍棋的“執棋邏輯”複雜的多，企業所面對的外部環境、競爭要素及其相關聯結果判定均不是簡單的“黑與白”或者“勝與負”，因此，AlphaGo所采用的“蒙特卡洛”算法或與之類似的數理統計學AI模型，其無法完全滿足企業運營當中所面對的複雜變量關系，我們只能在嘗試性實踐當中，將業務運營的多個變量中進行假設性約束條件，盡可能控制交叉影響並定義規則，做出局部性的優化建議，但這與我們期望的全局優化依舊存在一定的差距，即使這已經是當下較爲成功的AI落地實踐了。
去年年底的ChatGPT火爆全網，其所運用的大型語言模型（Large language model，簡稱LLM）代表了人工智能（AI）的重大進步，在傳統數理統計學的基礎之上，其能夠通過大規模的訓練數據和深度學習算法，理解和生成自然語言文本的能力，具備了更強大的模型廣度與深度。在AlphaGO Zero版本中，也已經采用19層CNN殘差神經網絡評估節點得分，在加入複雜多層神經網絡擬合的能力後，數據量越大性能則持續增強,機器可以自我尋找特征與規律形成參數沈澱。那麽，大模型（LLM）的誕生將給企業業務經營的縱、橫、時間軸三維立體滾動數據網帶來什麽樣的智能性突破，這是非常值得探索且研究的課題。
1. AI技術的進階能力
由于市場環境與內部經營的複雜性，需要新一代的AI技術在橫縱交織的最優解問題上帶來革命性的突破。它能夠處理多模態數據、理解上下文、提取知識、個性化推薦等，從而提供更全面、准確和個性化的最優解決方案，爲業務決策和優化帶來了更大的靈活性和效益。
多模態數據處理：不僅可以處理文本數據，還可以結合圖像、音頻、視頻等多模態數據進行綜合分析。當下的企業數字化建設中早已不是簡單文本類型數據了，例如：我們在研發環境有各式各樣的圖紙類數據，在訂貨會環節存在著海量的音視頻數據，這一類的數據都會可能會成爲運營決策中的重要一環。
上下文理解與推理：要具備對上下文的理解和推理能力，能夠考慮多個變量之間的關系和相互作用。隨著業務的壯大，縱向的業務關鍵鏈會越來越多，這也必然導致橫向的鏈接點産生成倍的增長與泛化，基于模型可以綜合考慮多個變量的狀態和關聯性條件，進行推理和優化找到最優的解決方案。
大規模數據訓練與知識提取：通過大規模的數據訓練，具備了豐富的知識和信息。相信每一位數字化從業者都會遇到過這樣的問題，即與業務的交互中存在許多模棱兩可的地帶，則其中的典型就是“業務經驗”，經驗絕對不是一個“貶義詞”，但經驗如何成爲一種可被具象描述化的“規則”或者“知識”是無法回避的話題，而大模型則可以從大量的數據中提取有用的知識和模式，幫助發現最佳的組合和權衡方案。
AI技術的進階能力在企業的場景應用
2.探討“品牌大腦”
基于AI模型的能力鏈接縱、橫、時間軸三維立體滾動業務經營數據網，實現業務運營與決策邁向更廣、更深、更快、更強的層次，是我們在探索AI應用價值的一致性認知與共同性嘗試，基于全量的三維數據體系，各業務節點的充分連接，在此基礎上加入AI的能力建立增強回路，核心解決的是人腦算力瓶頸與認知範圍局限，實現從計劃到滾動到控制，控制到每個細節點，搭建全面的連接體系，建立高效敏捷的修正回路。
“品牌大腦”構想：中央控制，全局聯動，節點操作，頂層反饋
在這樣的整體結構下，預算和OTB的目的是定業務框架和識別空間，決定了業務運營在某一時間切片內的現狀與差距，明確了存在多少改善的空間，比如銷售目標的差距要加大折扣力度，但目前已有的折扣空間或利潤空間還有多少余量；麗影洞察則是幫助業務通過營運結構、貨品結構、空間維度等不同層次與視角的組合，找到關鍵鏈進行關鍵點定位及排序，然後按改善目的，通過決策樹的邏輯進行綜合分析，選擇關鍵點或關鍵點組合，制定決策動作並且預測或審視最終的滾動結果變化，並且持續評估施加策略後整個改善結果進行修正調優。以上的整體邏輯結合AI技術能力，可以讓過程回路更加敏捷與通暢，實現局部優化到全局最優的邁進。至此，我們將一系列的業務思考與AI技術深度融合，逐步探尋數智化應用形態，站在企業的經營視角上，需要形成一套自上而下和自下而上的閉環，實現中央控制，全局聯動；節點操作，頂層反饋的效應，我們將其定義爲企業經營的“品牌大腦”，即在業務核心鏈路上，不再完全依賴于人力的自主決策與執行，能實現螺旋上升式工作優化模式，推動整體業務穩固發展與創新，形成企業持續的競爭力。 "品牌大腦"代表了一個全面的智能系統，它結合了大規模數據處理、深度學習和自然語言處理等技術，旨在模擬人類大腦的決策能力和記憶容量，並超越其限制。它可以從立體滾動數據網中提取有價值的信息，“合縱連橫”的生成智能化的決策建議。
“預算-OTB滾動-麗影洞察“一體化邏輯：縱向貫通，橫向連接
這會是一個極其複雜建設過程，當前我們已經明確整體業務邏輯並基于已建成的數據能力開始了先導性的整理工作，接下來嘗試運用最新的大語言模型技術來實現應用的構建，這其中首先是對數據進行預處理和特征工程，這可能包括文本清洗、文本向量化、特征選擇等步驟，以確保數據的質量和適應模型的輸入要求，其次是模型訓練和優化，使用數據對大語言模型進行訓練。這涉及到將數據輸入模型、調整模型的超參數，並進行叠代訓練和驗證，以提高模型的性能和准確性。整個過程包含了多個階段，如自監督預訓練、使用與任務相關的標注數據對模型進行微調（Fine-tuning），以適應特定的應用需求；調整模型的超參數，如學習率、批量大小、優化器等，以優化模型的性能；使用測試集或驗證集評估模型的性能以及持續優化和叠代。
3. “業務-系統-數據-模型”閉環建設
數智化應用會伴隨著企業數字化建設之路愈發深入，將企業從數據驅動逐步帶入到智能驅動的全新篇章。隨著探索的深入，數字化體系中將出現數量龐大的“模型”群體，它將與企業內容的流程、系統、數據緊密融合並最終回到業務之中産生更高階的數智化價值。貫通業務-系統-數據-模型四要素形成閉環邏輯關系，以數字化的能力與方式驅動企業資源的高效調度將會是數字化最高的意義與價值所在。
業務的結構表達：是以流程框架方法論爲基礎建立的業務架構，高階流程定義做什麽，指導具體業務流程的建設與設置；低階定義怎麽做、誰來做、什麽時候做、用什麽工具做，指導日常運營操作過程規範。
系統的結構表達：由功能點往上彙聚成功能模塊、模塊邊界、系統間邊界、系統集，最後形成價值鏈映射。功能點的依托來自于最低階流程的節點，是通過實踐達成的具備共識的、銜接順暢、可固化的操作。
數倉的結構表達：可依次劃分爲源數據層，明細數據層，彙總數據層，維度數據層及數據服務層【數據的價值在于面向應用，因此避免不了一定的提煉、聚合與加工，其劃分應企業實際進行拆分，此處不代表唯一性】。其中，源數據層基于系統産出的物理表形成數倉的最小單元（邏輯實體），由于系統功能點即映射業務的操作點，因此也是業務操作過程的顯現，而彙總層則基于業務需要從不同度量維度和分析視角進行彙聚。
（AI）模型的結構探索：模型參數爲最小原子，這些參數可能包括以數據或數據集形式所呈現出的業務運營變量，承載了通用知識與領域知識，形成類神經網絡的業務知識結構。由此向上則呈現出量化關系，規則約束、推演測算及適配層的結構關系，模型蘊含了動態數據網絡中的節點，通過訓練餵養過程認知節點與節點的連接關系與相互作用，在算力加持下形成聯動測算，這種測算經過無數次的探索與驗證，才能形成模塊群的聯動。探索的過程需要業務和技術的整體結合才能逐步實現。
至此，我們提出“業務-系統-數據-模型”能力閉環探索的建設路徑，業務最小（業務操作）決定了系統的最小（功能點），通過操作節點直接流轉；系統的最小又支撐了數倉的最小（邏輯實體），通過物理表爲媒介形成傳遞；數倉整合業務、系統、數據提供模型所需的參數，通過數據集直接流轉；基于需求用模型的結合實現點對點的高效響應，以信息爲媒介沿著流程傳遞，由模型反饋回具體的業務操作上。除了一致性流轉關系外，業務到數倉與系統到模型同樣存在著鏈接邏輯，由于應用系統存在著邊界性，如WMS庫存管理，GMS貨品管理，系統所覆蓋的內容一定是某個或者某幾個領域的範圍，但數據天然的度量性與共享性將很好的呈現出業務的全貌，數據已經成爲了企業業務存在形式，這就是數據驅動邏輯的底層原理；而當AI模型愈發壯大的將來，模型的認知與處理能力不斷強化，依托于流程並通過系統執行的路徑或許也將被顛覆，實現以全盤視角進行推理找到最優策略，多個模型組合驅動完成業務運營的重塑，由此跨入智能驅動的時代，這是巨大的可想象空間。
“業務-系統-數據-模型”四要素的閉環建設，驅動資源的高效調度
未來，伴隨智能技術的發展，AI在提升決策效率和效用上一定能發揮重大作用。通過“業務-系統-數據-模型”的構建，AI首先能夠在業務規則明晰的崗位上代替人的決策，實現這些業務流程節點上的自動化動作、自動化數據分析、自動化流程運行，從而將最終簡化整個流程體系和決策體系；其次，通過進一步的研究挖掘，AI也能夠在相對模糊的運營體系下通過多變量要素的綜合評估與動態平衡，爲“人”的判斷與決策提供強有力的輔助建議，幫助人類拓展大腦的思維邊界與瓶頸。如果要想實現如上對AI的期待，從管理視角來理解AI智能的應用，是需要自下而上完整的業務數據結構與明細的。同時，這也就意味著基礎建設的完善度是保障全面、完整的數據來源和一致、實時的數據體系的前提，而全面、完整的數據來源和一致、實時的數據體系則是AI探索的核心，以上“前提”與“核心”均不是憑空而來，其離不開“人”作爲主導角色的整體規劃與執行輸入，這就是AI不能完全代替人的原因之一。
第四部分 影響先進技術應用的思考（一）業務流程是基礎
在數字化建設過程中，IT部門常常會受到“系統不好用，數字化建設曆程遲緩”的質疑。然而這現象背後需要更深入的思考。
業務流程是爲了滿足業務的運作有序開展，將不同的人組織起來共同完成一系列業務動作，業務動作之間不僅有嚴格的先後順序限定，而且業務動作的內容、方式、責任等也都有明確的安排和界定，這就是業務規則。這些規則業務明確安排和界定了才能形成業務流程，業務流程的構建完成，自然是通的，可以滿足業務當下的需要，而系統是業務環節中標准化流程的信息化實現。系統的本身，只是業務規則的實現和業務動作的記錄。
業務在變化，所有變化都有新的決策，業務規則相應調整，到一定程度，流程也應隨之變化，系統也就隨著相應叠代優化，跟上業務規則的變化。而根據新的業務規則優化的流程，如果不符合新的決策的預期，也即不能滿足業務需求，需要首先評估新的業務規則是否滿足業務需求，再評估業務流程的叠代是否滿足新的業務規則。系統是否好用，也就是業務流程是否通暢，問題往往出現業務規則上，即業務動作的分工、內容、方式、責任等，這需要通過組織流程梳理來解決，而不是首先就考慮調整系統。順序很重要，顛倒將違願。
市場上有很多關于數字化的概念，然而概念是否能實現，取決于是否能有足夠的資源的支撐。概念往往在“虛”的層面進行描述，落地則是在“實”的層面進行搭建。資源的實就在業務流程和組織流程中承載，業務規則是否成立，決定了業務流程是否能順暢；規則是否能拉通，決定了組織流程是否能協同。兩者都基本滿足，才有可能支撐概念的落地，因此只講概念、不去規劃規則和流程的數字化是空中樓閣。所以，企業不管規模的大和小，其對市場和客戶需求的全面、精准和動態的感知能力是業務、管理和技術融合的基礎和前提。
（二）組織流程是保障
如果說業務流程順暢是入圍資格，那麽組織流程協同就是企業的核心競爭力所在。實際上，數字化建設，是建構在業務流程的順暢和組織流程的協同之上，兩者之間相輔相成。業務流程如果不順暢，數字化建設會完全卡殼在業務流程上，而且會導致組織流程將進行代償而變得臃腫複雜。而組織流程如果不協同，業務流程就只是擺設。業務流程與組織流程之間的關系，就類似馬匹和騎馬人之間的關系，組織流程就類似騎馬的人，其掌控著缰繩，馬就算渾身是勁，騎馬人老把缰繩拉得死，這馬也跑不起來；騎馬人缰繩放太松，則無法掌控馬匹奔跑的方向。馬實際上是要靠騎馬人去駕馭它的。同樣，在業務流程足夠順暢的基礎上，真正驅動一個企業在市場競爭中馳騁的是組織流程。
組織流程與業務流程是隨著企業發展逐步叠代，它有發展過程中的曆史價值，也受到過去發展背景的局限並成爲影響到未來再發展的關鍵要素。而其中的曆史價值及未來再發展之間的平衡，是企業創始者及現在企業主營者的能力的體現。而這具體體現在流程再造上，流程再造已經不是過去割裂式的流程的完善，而是站在未來企業發展的整體視角的流程變革，這一整體流程變革就體現在企業數字化創新之中。這其中無形的組織流程變革尤爲重要。以數字化爲基礎，整體資源的拉通和協同能力，是企業的生存之本，也是數字化的價值所在。數字化就是要打破孤島、全面連接，就是要在整個組織、甚至整個社會建立起“全量全要素的連接與反饋”，在統一的資源管理平台的基礎之上，構建邏輯統一的業務整體閉環，支撐企業的一體化管理，提升整體組織效率。
（三）資源認知是核心
這幾年，許多企業在尋找數字化的解決方案，但到底解決什麽，並沒有想明白，因此數字化也就不可能實現。數字化的本質，代表了一種管理模式——數據驅動的資源管理模式，對零售企業而言，就是帳實相符、帳帳相符，通俗地說就是到底有多少貨、多少人、都在哪裏，能不能實時清楚，這就是數字化的基礎和樸素表達。
零售企業發展初期，都是以批發爲主，但隨著規模的增大，市場競爭的加劇，零售業務的多樣化，一盤棋的貨品管理將變得越來越重要。因此，轉型到以零售爲主的經營模式自然而然成爲衆家企業的共同選擇，于是對資源管理提出了更高的要求，數字化建設也就成爲了必然選擇，而且在激烈的市場競爭中，數字化轉型迫在眉睫。
數字化是通過各種技術和管理手段來發現、獲得、處理並有效使用企業各種活動的內外部數據從而實現平台化的資源管理，如何高效調動並合理利用資源，是數字化的核心，也反映了企業管理者的認知。數字化三問：其一，是否能說明白、而且是動態地說明自己有多少資源？其二，是否能根據市場的變化靈活使用和調配這些資源？其三，有多少標准化的、共同認可的指標和語言？標准化程度越高，代表著他們的共同認知越強，這是協同的前提。
企業中最具價值的資源就是人才，人是利用與開發資源的主體，因此成爲資源中的核心。把什麽當成了資源，決定了管理者認知的水平，而使用資源的出發點則決定了管理者的格局，對資源的認知水平和格局，決定了資源的整體效用。小到一個項目團隊，大到整個社會，莫過于此。
（四）規模帶來的挑戰
企業創立階段，創業者對公司運營過程中的細節和一線的狀況都非常了解，他們就是企業所有邏輯和流程的建造者與建設者，他們對企業的所有業務規則和管理邏輯的認知是具體的。但企業最初的流程都是單流程，且總量不多，流程與流程之間的關系是創業者直接決策的。隨著企業的發展，其規模日益增大，就必須依靠一種組織形式來進行管理，于是中間層就隨著企業規模的增加而一層一層的建立起來，分工也導致部門越來越多，部門之間的關系也就越來越複雜，相應也會組建企業的最高決策層。于是，企業的最高決策層對公司運營過程中的細節和一線的真實狀況越來越遠。
企業的決策依據什麽？無外乎兩方面的信息，一方面是對企業外部的市場及環境的認知，另一方面就是對企業內部一線的認知。對于後者，最高決策層的最大的受限是什麽？是沒有技術幫助企業最高決策層直接了解一線，也就是說當IT建設不充足時，必然需要建立多層級的、龐大的組織結構與組織流程，來收集和傳遞信息，確保業務流程之間的協同。然而也正是解決問題的手段—組織結構與組織流程，進一步惡化了問題。尤其是隨著企業規模的擴大，隨著個人、部門和組織利益上的日趨分化和不一致，隨著信息不對稱的現象越來越嚴重，隨著決策層對組織運行的感知也越來越模糊和失真，導致組織運行邏輯和業務運行邏輯越來越不匹配。這時候上演的最大的悲劇就是領導越努力，企業完蛋得越快。這也是爲什麽一定要永遠遵循組織和業務邏輯一定要優先于數字建設邏輯的根本原因。
人的主觀性局限是普遍存在的，這就是人性的弱點所在。其一，因爲基層的管理層只負責某一個縱向領域，視角只局限在單一的縱向領域；其二，許多管理者，往往因爲對本崗位的産出結果的重視，容易忽略對整體結果的影響，導致將單一或某些縱向點的問題放大，沒有從整體橫向綜合評估，造成企業經常用縱向節點的問題概括整體問題；其三，存在的更大問題就是逆選擇，爲了證明自身的價值，爭取資源，而利用上級的偏好和上級的已有邏輯，選擇過濾信息、編輯信息來誇大相應的縱向領域的某個或某些點。
由于人的主觀性局限，隨著部門和層級的增多，隨著組織結構和組織流程的複雜，産生以下兩方面影響，其一：信息經過一層一層抽離，容易導致信息的損耗與失真，從而最高決策層越來越脫離一線的真相；其二：多部門、多層級的動態交互過程越來越複雜，形成共識、達到協同越來越困難。一個非常有力的例證就是一支全明星的籃球隊或者足球隊，並不一定能贏得聯賽中的所有比賽，甚至有可能輸給同一個聯賽中賽績平平的隊伍。交互的過程大多需要依靠人來完成，形成廣泛共識的主體也都是人，人由于受到個體局限性，不具備對所有因果鏈關系的認知，很難看到企業運營的整體數據網。因此，都是從個體角度看到局部的網，而且每個人腦海裏的數據網是不完全一致的，甚至出現個體的理解上的結構和形狀的不一致，而這也是人和人之間的溝通産生矛盾和分歧的主要原因，也是達成共識、進而形成協同的最大阻礙。這兩方面的影響交織在一起，最終將限制企業的發展。人的惰性和創造性是企業發展到一定規模後可以用來開發組織管理能力的兩級，人的惰性讓企業不管規模有多大都要充滿危機意識，好的企業一定是將人的創造性和技術的潛力相結合並盡可能發揮到極致的企業。
（五）技術促進協同
企業的目標是需要做價值取舍的，如果過多放大某一或某些的縱向點，而缺少從橫向的整體綜合考量，常常會導致決策的失誤。與之相反，從整體出發，如果企業各部分之間能良好協調，相互之間引發增強的交互作用就會産生一種共鳴力量，而這種共鳴力量比每個部分的力量相加之和要大太多。因此，從整體觀的角度，對于大型的企業組織，爲了支撐企業最高決策層對直接掌握一線的真實狀況的需要，爲了明確一個決策行爲給組織所帶來的短期和長期的結果，需要從整體上建立一個動態數據體系，可以捕捉到實時化的各變量的過程及結果數據，實現快速在組織內（上下和左右）一致性的呈現；同時，呈現這種多環非線性的交互過程來分析相互的影響和影響效果，進而能管理整個交互過程，使得各部分之間良好的協同而産生增強的交互作用，促進這種共鳴的力量的産生。
AI技術突破了個體局限性和人腦算力不足，對數據純客觀的呈現並依照規則運轉，讓信息更客觀、更快速的分享，讓交互的過程建立在全面、完整、一致、實時的四維數據體系上，支撐全面、綜合進行分析決策，促進形成一致的認知。統一的業務數據標准和語言，在組織、團隊各級成員連接的基礎上，在共享過程中提升效率與協同，有助于個人融入團隊，達成共識，形成共鳴的力量。業務運營過程中共識數據標准和語言越多，也就自然推動組織文化的建設。伴隨組織文化的發展，共同的標准和語言積累到一定階段，團隊所有成員之間對開放的共享與互動就形成了習慣，逐漸産生新的各自認知，再繼續共享與互動，慢慢地推動組織內部更高階的秩序和共識，在面對外面市場的不確定性和複雜性的過程中，不斷的能成功創造出新的業務模式應對。新的業務模式創造成功，也會推動組織文化的轉型及再發展，這種文化升級，又奠定了業務下一次的創新。業務創新是在組織中共識共享互動中才能産生，組織不斷形成廣泛的共識，不斷隨著發展而升級共識，變革就是組織共享的共識被修改的過程。創新起初來自個人靈感，能夠實現，就需要團隊在共識共享互動中完成。組織文化也是伴隨著業務創新發展而變化，這一變化又是業務再發展創新的保障。有生命力的企業，就是這樣循環反複，從回路到增強回路，逐步進入飛輪效應。
具體的業務邏輯和決策實際都有“因”有“果”，而且“因”和“果”往往會在時空出現分離，這導致了組織成員之間難以達成共識。AI技術的應用，讓由“因”到“果”更廣、更快、更無限貼近真實，從而讓組織成員更容易了解到全貌的“因”與“果”的關聯，發揮出增強的交互作用，進而促進了達成共識的廣度和速度，推動了業務模式創新和組織文化升級的進程，從而加速開啓飛輪模式。
（六）角度決定未來
站在未來搭建、重塑結構，站在過去認識、完善結構。重塑和搭建結構與認識和完善結構的最大區別在于：前者以外部世界爲中心，以未來爲中心；後者以企業內部爲中心，以過去爲中心。站在未來看現在，自然會統一過去、現在以構建未來，統一的目的是對過去和現在的認知更有方向性，更加系統化、邏輯化，整體思考怎麽開發現有的所有資源，去推演未來的發展空間。站在過去看現在，自然會想怎麽補充不足，不論是過去的不足還是現在的不足，這些不足很難是整體，多爲點狀，站在局部找局部的問題，設法彌補局部不足的資源，然而局部問題的解決並不一定能解決整體的問題。因爲這樣做根本沒有對整體的認識，更談不上對整體的問題進行有意識地感知和發現。站在過去、習慣完善思維的人容易受到環境的影響，尤其是對競爭環境的短期和局部的變化會敏感，加上個人習慣和認知局限，慢慢地形成了放大某個局部的點的問題和追求短平快來證明自己的價值。同時，如果團隊中趨向都放大自己關注的點，團隊的矛盾自然多，內耗也就自然産生。而站在未來、長期以搭建思維考慮的人，逐步就形成了系統思維，也逐步會從個人的角度走出來，以團隊、組織的更大的視角規劃設計構建。于是會重視長期性的基礎建設，會喜歡去到業務一線，去發現哪些是基礎，哪些是企業未來發展的基石，然後一層一層逐步的建設。這種長周期的、逐步建設的規劃需要極強的整體系統思維，需要理解每件事情的周期、及周期與周期之間的叠代和疊加的相互影響、及不同周期帶來的反饋並疊加再影響，這些疊加不斷疊加在一起就是複雜。角度的不同，帶來建設邏輯的不同，導致資源意識的不同，需要規劃能力的不同。這也是爲什麽心智進化能力將成爲未來領導人的核心競爭力。站在未來就是擁抱高維，基于全局思維、動態思維打造組織在整體認識上的戰略和組織優勢。
一個組織的高層管理團隊中，大部分是站在過去來看現在的人，組織的發展空間就會越來越小。大部分是站在未來看現在的人，起步可能慢，但組織的發展空間會越來越大。只有站在未來想現在的人，才能理解基礎建設的標准化的意義和作用，也就能理解和規劃AI技術真正落地應用的路徑。而讓決策層能快速地、直接地掌握一線的真實狀況正是IT建設的核心，這的確是一整套的、龐大的系統工程。這套系統工程需要技術、業務、管理聯合一起建造。
站在未來看現在
行文至此，還是回到第三部分末尾的總結，再談談很多人對AI替代人類的擔憂。首先，AI技術必定會取代一部分“人工”，然而我們更應該思考的是AI技術會在什麽工作上替代人呢？對此，我的看法是，AI首先會輔助決策，然後是替代一部分人工決策，這樣必然減少相應的人力配置以及改變組織體系，從而不斷提升決策的效率與效用。這裏的決策是廣義的，每個崗位實施業務動作都會依據一定的規則進行選擇，這也是決策，甚至包括設計與研發工作的一部分。其次，我更加堅定的認爲AI不可能完全取代“人類”，在文中第三部分結尾我寫到了從管理的視角AI不能完全代替人的原因，那是原因之一，更爲重要的是從整體的視角，零售企業的生存之本就是爲客戶提供有價值的商品和服務，商品要能滿足客戶的需要，而服務的核心就是有溫度的客戶體驗，這是人工智能代替不了人的關鍵。下面講一個案例，是我們很多同事都喜歡去的一個餐廳，根據觀察那個優秀店長的行爲，抽離出店長的管理邏輯，模擬出一個能讓大家容易感知與理解的智能決策模型，用人工智能協助和提升每一位店長進行管理，其目標是幫助整個運營過程中更快速、精准決策與協同，以便一線更好地提供服務，而服務中的溫度，永遠是AI代替不了的。
【案例】餐飲業傑出店長與智能決策模型
在服務行業，傑出店長與普通店長的分水嶺，就在于“現場鏈接力”，也就是動態連接。大部分店長都能夠照章提供標准化的服務，而傑出店長能夠根據不同顧客的喜好和需求，在其可控的資源與能力範圍內爲顧客量身定制服務。我所說的很受同事們歡迎的那家餐飲店，該店的店長就是我心目中優秀店長的典型代表。例如：帶小孩過生日的家庭聚餐需要互動，店長就付之于親近感，安排給壽星寶寶唱生日歌；商務洽談的顧客偏向安靜，店長就要求店員在服務的過程中把握分寸感，舉止專業、言語精煉、謹慎打擾等等。傑出店長能夠適時的識別客戶的訴求，實時的適配與改善現場服務內容，通過與不同訴求客戶建立的互動場域，驅使現場建立出了更多的連接點，深化這些連接，讓客戶在店裏感受到有溫度的服務，創造更持久的影響。
那麽，傑出店長的現場鏈接力是如何煉成的呢？根據觀察那個優秀店長的行爲，抽離出店長的管理邏輯，概括出這五個關鍵步驟：能力儲備、信息獲取、模式識別、策略組合、執行及調整以及增強回路。據此模擬出一個能讓大家容易感知與理解的智能決策模型——“店長AI助手”，它也相應通過這五個“步驟”，來幫助業務運營來構建“現場鏈接力”，就是橫向連接能力，以協助和提升每一位店長進行管理。
能力儲備：原子能力積累
在業務不是很繁忙的時候，傑出店長將店裏的諸多事項管理得井井有條，包括整理店務、培訓店員、盤點庫存等，爲高峰期做好充分的能力儲備，看似瑣碎的任務實際上是在進行能力儲備，這就是在各個縱的領域進行原子能力積累。“店長AI助手”裏面會建立並不斷完善關于顧客、店鋪、店員、商品、廚房等所有縱向領域的所有“原子能力”，對照相應的內容，讓每一位店長很容易有計劃、有指引、有標准去安排工作。
信息獲取：數據采集與數據共享
顧客到來時，傑出店長無時無刻不在搜集各類信息，顧客的、環境的、店員的、商品的、廚房的等等。信息獲取是AI的基礎，如同無時無刻不在搜集外部和內部信息的傑出店長，“店長AI助手”通過業務系統、硬件傳感器、第三方數據源等形式，也在不斷搜集大量的外部和內部數據，並方便每一位店長查詢獲取。例如到店的顧客的詳細信息和曆史消費數據、當下實時的銷售數據、人員在崗情況、庫存情況、訂單的廚房進展等等。
模式識別：數據組合的相似度
傑出店長通過信息的組合，迅速判斷顧客的需求和喜好，定位顧客當下需求，找到這些需求與以往經驗之間的關聯，識別出合理應對模式。類似地，“店長AI助手”分析曆史數據，橫與縱的廣泛連接，總結、抽提出典型模式，與實時數據進行比對，通過數據組合的相似度，識別出匹配的模式，及時給店長推送可能的方案，提醒店長組織安排相應的工作與對應的用餐服務。
策略組合：原子能力的編排形成決策
類似于店長結合自身所掌控的資源和能力確定個性化服務方案，“店長AI助手”根據上一步模式識別，通過調用、編排其掌握的原子能力，在縱向領域關鍵鏈定位問題與排序，匹配資源、目標等，橫向綜合分析，形成決策，例如廚房訂單進展預計緩慢進行及時預警，提示店長安排備選方案：給目前已經點菜後等待了近10分鍾、酒水已經備好的VIP客戶提供額外的、搭配其酒水的小食贈送。
執行及調整：調動資源執行決策並根據現場進行調整
類似于店長組織安排個性化服務方案的落實執行，並且根據現場情況進行調整與補位，“店長AI助手”根據上一步確定的決策，回到縱向領域去執行業務操作或者調優業務動作，規劃好相關參與人員各自的服務行動及銜接要求，對于問題點，及時發現進行提示並提供調整方案，例如某店員處于外出狀態，其當下負責服務的VIP客戶補充下單的餐品已經等待超過5分鍾，“店長AI助手”則實時提示店長需要另行安排店員去關注該客戶的需求進度，給出及時的服務響應或者個性化服務方案。
增強回路：學習與進化
顧客滿意度上去了，優秀店長與顧客的初步鏈接力也隨之形成；隨著時間推移，這種鏈接力也成爲夯實店長能力儲備的一部分，它爲優秀店長提供更多的信息，幫助其將策略組合和客群反饋相結合，形成正向反饋循環。上述能力儲備、信息獲取、模式識別、策略組合、策略執行的運轉，給AI助手餵養著更多數據和樣本，讓AI助手在源源不斷的反饋中持續學習、進化叠代。正是這種自學習和自我優化的機制，讓所有縱向領域的所有“原子能力”都日益強大，讓AI的鏈接力愈加穩固強韌，讓整個日常運營充滿了清晰的、一致的信息，使得企業各職能領域協同一致，全力幫助一線去更快速、精准響應客戶的需求，讓一線借助“店長AI助手”更有能力提供有溫度的服務，讓一線管理者更容易成長爲“優秀店長”，也即企業培養優秀的一線管理者更爲容易，實現提升企業的競爭力的核心目標。
案例：從餐飲業傑出店長看智能決策模型
未來的零售企業智能決策模型，通過把企業內各個縱向領域的數據、能力和資源全面橫向串聯、匹配和整合，構建“現場鏈接力”，同時形成了自我學習的增強回路，推動整個系統向“全局最優”邁進，讓企業的各項決策和行動都更協同一致，爲客戶提供有價值的産品，讓一線更有能力提供有溫度的服務。
本文比較長，請允許我在文末再次做一個小小的總結，全文首先說了業務流程、規則、數據的關系，及流程節點的操作與崗位的關系，也即與組織的關系。其次業務運營過程中所需要的結構化的數據體系以支撐業務分析與決策。其三，探索人工智能是否能夠輔助業務運營過程中的分析與決策。最後，闡明這是一個體系化的建設過程，需要站在未來進行整體規劃，基于整體規劃做好基礎建設才能實現。
最後，本文得到了百麗科技中心團隊和滴普科技團隊的支持，文章中許多內容都是他們幫助梳理出來的。我本人是業務出身，後跨界管理科技部門，因此，本文並非人工智能應用的純技術實現，而是從業務與管理的視角，思考人工智能的應用，供大家參考。-（钛媒體）
