[[259079]]

AI的應用大大降低了預測成本，這意味著企業能夠以越來越新穎和意想不到的方式來推動業務的發展。借用Prediction Machines的概念，我們就可以用攝像頭、視頻分析和機器學習來充分預測消費者的行為。也正是得益于這樣的技術，自動駕駛汽車才能從夢想變成現實。 

探索人工智能的商業案例類型 

自動駕駛汽車是AI非常重要的應用領域。下面通過幾個數字看看自動駕駛汽車的使用所帶來的好處：在美國，由于自動駕駛汽車的使用使得在避免致命碰撞方面節省了317億美元(盡管到目前為止，它還不能完全避免造成死亡)，在避免非致命碰撞方面節省了226億美元，時間方面節省約99億美元。但是也有分析指出，這并不是原來人們預想的保險費率或者汽車自身成本的降低，買不起車的人仍然買不起車。與此同時，這些也只是美國市場的數字。 

從投資回報率來看，據Axios報道，截至2018年第三季度，風險投資公司僅在自動駕駛領域投資了近80億美元——這其中并不包括傳統汽車制造商的任何投資估算。而即使增加一些資金來彌補私人投資方面的影響，自動駕駛汽車的收益也遠遠超過迄今為止投入的資金金額。對于誰將從中獲益，以及這是否與成本相匹配這一系列問題，仍然有待考量。因此，為了使自動駕駛投資得到回報，少數幾家已經投資的公司不得不分享紅利，而這也意味著要分攤消費者和保險公司的預期收益。 

這一切都是從宏觀層面來看的。那么，在微觀層面呢?讓我們先看一個荒謬的例子，比如，預測今天你會收到多少封電子郵件——這件事是否值得預測? 

有人可能會說，對收到電子郵件數量的預測結果，可以讓自己更好地評估一天的工作量，或者明確沒有完成對工作，并據此做好工作計劃。 

“它解決了什么樣的問題”——這是數據分析領域的一個基本問題。它能幫你判斷即將做出的預測行為是否有價值，其根本就在于確定所獲取的信息是否會改變你的行為。比如，知道接下來幾個小時可能收到的電子郵件數量，并不一定會改變我的行為。工作仍然需要完成，我無法完全阻止電子郵件進入我的郵箱。 

但是，換一個角度來看。對于一整個公司來說，預測所有員工在一天內將會收到電子郵件的數量就變得有意義了。因為這些信息就可以用于控制公司為電子郵件服務支付的費用，預期的員工的工作效率，或者判斷升級后的垃圾郵件過濾器是否有用。當然，只有當大型企業組織在員工中把這個利益聚合到一起的時候，才能真正獲得這樣的價值——比如當你將這種做法應用到一群分布在全國各地、在不同公司工作的朋友身上時，可能就不奏效了。 

這并不是說你無法在微觀層面上看到AI預測的價值。一個很好的例子就是預測你今天要吃多少碳水化合物。如果讓AI查看你過去的飲食習慣記錄，那么它可能會發現你通常會在午飯時吃面包，在晚飯后吃甜點。AI會利用這些信息嘗試阻止某些在接下來你會做出的行為，例如鼓勵你在上午10:30吃沙拉，在晚上6點提醒你不要在晚餐后吃餅干。這就是AI在微觀層面為你帶來的價值，它將直接影響你的行為。 

相反，跨消費者聚合行為就不一定意味著企業能從這種聚合中受益，或者說，要從整體上獲益將更加分散和困難。 

說回零售業 

零售行業利潤微薄(除了奢侈品)，因此在大多數情況下，零售業都非常厭惡風險。他們認為，投資回報率必須穩定并且明確，才能讓零售商獲益。 

到目前為止，零售行業中的AI投資回報率一直相當不錯 ——比如通過個性化體驗吸引回購從而提升銷量，通過使用聊天機器人(而不是依靠呼叫中心人員進行常規呼叫)來節約成本，通過AI驅動的補貨預測實現收入和庫存周轉方面的優勢等等。 

AI讓微觀和宏觀應用場景之間的界限變得模糊。零售中的宏觀用例有很多，例如適用于商品計劃的長期預測，可以幫助改善銷售、減少缺貨、減少單個門店庫存，同時還可以幫助匹配產品采購計劃與需求預測。一般都是通過對過去銷售數據、活動數據的分析總結，通過模型預測接下來的趨勢。 

當然，即便沒有在宏觀層面看到好處，也可能通過某種信息的聚合，使得預測產生收益。就像前面的例子，雖然個人在預測電子郵件接收量方面沒什么價值一樣，在特定關系中(例如雇主)聚合這種預測可能是有價值的。 

此外， 在微觀層面，AI在零售行業中的用例也不少。它可以為消費者提供更優質的體驗，滿足消費者越來越多樣化和個性化的需求，而這，對于零售商來說是在更聚合層面上的間接收益，比如帶來更高的客戶粘性，提升客戶忠誠度。 

底線 

總的來說，如果你太狹隘地看待人工智能用例的投資回報率，那么你有可能會錯過很多價值。特別是在零售業中，這將限制了人工智能的各種可能性，最終讓風險因素限制了你的優勢。 

但無論如何，因為AI實際上只是一種高級分析形式，給我們帶來成本***的預測，但分析ROI的規則仍然適用：如何讓這些信息改變我的行為?如果它不可行，那就沒有價值。