本文根據(jù)神策數(shù)據(jù)智能業(yè)務(wù)負(fù)責(zé)人郭榮鋒《AIGC 驅(qū)動(dòng)高績效商業(yè)的實(shí)踐》的主題演講整理所得，主要圍繞神策對(duì) AIGC （即 AI-Generated Content，人工智能生成內(nèi)容）業(yè)務(wù)應(yīng)用的理解、AIGC 的落地實(shí)踐及心得體會(huì)等方面展開。

以下為本文的要點(diǎn)：

· 懂業(yè)務(wù)并且能夠與 AI 進(jìn)行對(duì)話的人，將成為公司的超級(jí)個(gè)體，發(fā)揮更大的價(jià)值

(相關(guān)資料圖)

· 神策數(shù)據(jù)通過構(gòu)建數(shù)據(jù)分析 copilot 和用戶運(yùn)營 copilot，為公司的關(guān)鍵角色提供支持，使其成為超級(jí)個(gè)體

· 提升 AIGC 應(yīng)用效果的關(guān)鍵點(diǎn)是企業(yè)數(shù)據(jù)，AIGC 時(shí)代下，企業(yè)數(shù)據(jù)愈發(fā)重要

一、對(duì) AIGC 業(yè)務(wù)應(yīng)用的理解

關(guān)于 AIGC 的范式，我們認(rèn)為一方面是LUI （即 Language User Interface，自然語言用戶界面），另一方面是專家模型。比如畫畫，我們想畫一幅“美麗的清晨”，LUI 理解需求「美麗的清晨」，畫畫模型把圖畫出來；比如讓 AI 模仿孫燕姿的嗓音演唱 XX 歌曲，LUI 理解需求「演唱 XX 歌曲」，唱歌模型完成演唱?，F(xiàn)在的大模型能比較好地理解自然語言，LUI 相對(duì)比較成熟；但目前并不是所有行業(yè)或場景都有對(duì)應(yīng)的 AI 專家模型，也有一些通過傳統(tǒng)方法來實(shí)現(xiàn)。隨著 AIGC 能力的發(fā)展，各種 AI 專家模型會(huì)越來越成熟。引用陸奇博士的話，現(xiàn)在正處于「模型」無處不在的新范式拐點(diǎn)上，接下來的時(shí)代就是模型的世界。

從企業(yè)經(jīng)營的角度看， LUI + 專家模型將帶來什么樣的影響？確實(shí)，它可以提升員工在特定場景下的工作效率，比如自動(dòng)寫會(huì)議紀(jì)要等；但從其他的視角看，有沒有可能有更大的價(jià)值？

我先分享一個(gè)故事。我有個(gè)出版行業(yè)的朋友，主要給書做插畫，她是自己這個(gè)小公司的 CEO，沒有經(jīng)過一天畫畫訓(xùn)練的她，應(yīng)用 AIGC 以后成為公司里最有創(chuàng)造力、最有生產(chǎn)力的人。我問她為什么，她說：畫畫分成兩個(gè)環(huán)節(jié)，第一個(gè)環(huán)節(jié)是設(shè)計(jì)，即要畫成什么樣，第二步是畫出來，利用訓(xùn)練有素的肌肉記憶把想要的畫畫出來。她雖然不懂畫畫技巧，但多年的行業(yè)經(jīng)驗(yàn)讓她很懂客戶需求和插畫設(shè)計(jì)，又因?yàn)樗龘碛胸S富的繪畫知識(shí)，因此她能清晰地把設(shè)計(jì)需求表達(dá)出來給 AI，然后由 AI 完成具體創(chuàng)作。既懂業(yè)務(wù)又具備和 AI 對(duì)話的能力，讓她變成了最厲害的生產(chǎn)力和最棒的創(chuàng)作人員。

在這個(gè)故事里，LUI + 專家模型代替了只能提供基礎(chǔ)技能價(jià)值的畫師，懂業(yè)務(wù) & 懂得和 AI 對(duì)話的業(yè)務(wù)負(fù)責(zé)人或者資深畫師和 AI 互通，直接開展業(yè)務(wù)，發(fā)揮了更大價(jià)值，成為公司內(nèi)的超級(jí)個(gè)體，公司業(yè)務(wù)的效率和質(zhì)量自然也有了提升。因此，從企業(yè)經(jīng)營角度看，可以通過構(gòu)建 LUI + 專家模型來服務(wù)公司內(nèi)關(guān)鍵角色，打造企業(yè)內(nèi)超級(jí)個(gè)體，提升業(yè)務(wù)經(jīng)營效率和質(zhì)量。

二、AIGC 的落地實(shí)踐

關(guān)于 AIGC 業(yè)務(wù)的落地，一方面是在普通場景下如何提升工作人效？另一方面是如何賦能公司中有業(yè)務(wù)能力的人，發(fā)揮其價(jià)值，讓他們成為公司的超級(jí)個(gè)體，驅(qū)動(dòng)業(yè)務(wù)發(fā)展。

在感知、決策、行動(dòng)、反饋構(gòu)成的業(yè)務(wù)閉環(huán)中，業(yè)務(wù)負(fù)責(zé)人員作為關(guān)鍵角色比較關(guān)注和能發(fā)揮價(jià)值的是感知和決策，我們將這兩個(gè)環(huán)節(jié)設(shè)為 AIGC 應(yīng)用的重點(diǎn)，以幫助他們發(fā)揮價(jià)值，成就超級(jí)個(gè)體。

當(dāng)前企業(yè)的工作流程大多是由分析師產(chǎn)出數(shù)據(jù)報(bào)表和報(bào)告，業(yè)務(wù)負(fù)責(zé)人看到數(shù)據(jù)報(bào)表，針對(duì)異常數(shù)據(jù)表現(xiàn)，數(shù)據(jù)分析師再進(jìn)行分析和匯報(bào)，業(yè)務(wù)人員難以直接接觸數(shù)據(jù)，從而限制了他們對(duì)業(yè)務(wù)全局的洞察力。此外，洞察數(shù)據(jù)后進(jìn)行用戶運(yùn)營決策時(shí)，如何更好地理解過往策略，并基于當(dāng)下目標(biāo)制定新的運(yùn)營策略，也有較高的門檻。針對(duì)這些情況，我們可以通過 AIGC 去賦能業(yè)務(wù)負(fù)責(zé)人。

在感知環(huán)節(jié)，重點(diǎn)是數(shù)據(jù)分析模型與 AI 深度融合，構(gòu)建數(shù)據(jù)分析專家模型，支持對(duì)話式指標(biāo)查詢，在一問一答中快速查看想要的數(shù)據(jù)，幫助超級(jí)個(gè)體便捷獲取數(shù)據(jù)，理解業(yè)務(wù)現(xiàn)狀（what）；支持對(duì)話式數(shù)據(jù)分析，專家模型對(duì)指標(biāo)及形成進(jìn)行解讀，幫助進(jìn)行業(yè)務(wù)歸因（why）。在決策環(huán)節(jié)，重點(diǎn)是營銷模型和 AI 融合，構(gòu)建營銷專家模型，支持會(huì)話式受眾圈選和營銷策略生成。

我們構(gòu)建了一個(gè)智能助手，目前是 Demo 階段，從數(shù)據(jù)分析場景開始，現(xiàn)在是瀏覽器插件的形式。以事件分析場景為例，在輸入框中用自然語言輸入要獲取的數(shù)據(jù)指標(biāo)，比如最近 7 天搜索點(diǎn)擊的用戶數(shù)，GPT 模型將自然語言轉(zhuǎn)化為請(qǐng)求查詢 JSON 并發(fā)起查詢，并進(jìn)行圖形化展示。我們?yōu)槭裁床捎?text2json 而不是 text2sql？因?yàn)檫@樣有兩個(gè)好處，一方面更容易理解，便于業(yè)務(wù)人員判斷查詢；另一方面更容易進(jìn)行人為干預(yù)，比如生成的查詢 JSON 不對(duì)，或者想換種計(jì)算方式或者查詢條件看看指標(biāo)怎么樣，都可以快速調(diào)整。

這個(gè)要怎么實(shí)現(xiàn)？首先要讓 GPT 理解我們數(shù)據(jù)的 schema 以及任務(wù)，所以我們要做的事情是把我們 schema 傳給 GPT，但因?yàn)榇嬖陂L度限制，我們要解決的第一個(gè)問題就是如何讓 prompt 更短，我們先從報(bào)表的上千個(gè)字段中篩選出進(jìn)入到 prompt 的字段。其次，篩選出來的 schema 會(huì)有很多的字段，字段多了也會(huì)影響 GPT 的正確率和精準(zhǔn)度，因此需要跟 GPT 進(jìn)行交互，讓它挑選出哪些字段與產(chǎn)品有關(guān)。最后再通過 GPT 進(jìn)行 JSON 的生成，而對(duì)于復(fù)雜的查詢，可以先讓它生成一個(gè)結(jié)構(gòu)，在這個(gè)結(jié)構(gòu)下把內(nèi)容填充進(jìn)去。因此，這個(gè)查詢的過程相對(duì)比較復(fù)雜。

此外，還可以輔助進(jìn)行 SQL 的編寫，有些分析用 JSON 查詢不好做，就用 SQL 來做自定義查詢。在輸入框中用自然語言寫入想要的查詢，GPT 模型將自然語言轉(zhuǎn)化為 SQL，并發(fā)起查詢。如果 SQL 不對(duì)的話，還可以做修改，或是通過多輪對(duì)話的方式對(duì)其進(jìn)行優(yōu)化。

在分析模型外，我們還做了幫助問答助手，幫助業(yè)務(wù)人員更快速學(xué)會(huì)用產(chǎn)品。用戶可以用自然語言問一些產(chǎn)品問題，GPT 基于我們的產(chǎn)品幫助手冊來回答問題。比如輸入 Session 分析可以做什么，上面就列出了回答，并引用了我們產(chǎn)品幫助文檔的參考。GPT 做查詢并基于查詢做摘要生成，摘要效果和相關(guān)性比傳統(tǒng)的搜索效果要好。比如：查詢「概覽和書簽有什么關(guān)系」，在這個(gè)場景中，GPT 摘要詳細(xì)對(duì)比描述了概覽和書簽的定義以及關(guān)系，而普通的搜索沒有這樣的能力。

三、關(guān)于 AIGC 實(shí)踐的認(rèn)知總結(jié)

上面介紹了我們圍繞 AIGC 開展的一些應(yīng)用，接下來探討一下我們遇到的問題和實(shí)踐過程中得到的認(rèn)知。

首先來談?wù)勀Ｐ途珳?zhǔn)性。相比于摘要生成模型、圖片生成模型，數(shù)據(jù)分析模型非常要求精準(zhǔn)性。摘要生成的好壞、圖片生成的好壞可以直觀判斷，而數(shù)據(jù)指標(biāo)的對(duì)錯(cuò)難以直觀判斷，因此對(duì)精準(zhǔn)性要求很高。而影響模型精準(zhǔn)性的因素有哪些呢？

第一，模型的應(yīng)用方式，我們要知道 prompt 怎么寫影響性能和效果，比如要不要 step by step，要不要自我校準(zhǔn)，JSON 生成要不要先生成結(jié)構(gòu)等。

第二，模型的推理能力。最常見的有最近 7 天、同比、環(huán)比以及一些聚合統(tǒng)計(jì)的邏輯不對(duì)，比如「在過去 7 天做過成功拍照事件行為且次數(shù)超過 10 次的用戶數(shù)」這一類的查詢。

第三，prompt 長度約束問題。我們的事件、屬性等組合起來可能有大幾百，甚至上千個(gè)字段，不能將所有的表信息塞到 prompt 中，要先進(jìn)行一次事件和屬性的選擇。

第四，字段理解問題。要讓 GPT 理解事件和屬性，就要給模型足夠的信息，比如事件 show_take_photo_guide_popup，我們要讓模型知道這是「首次拍照后彈窗引導(dǎo)」。

第五，業(yè)務(wù)理解問題。業(yè)務(wù)理解有兩類，一類是業(yè)務(wù)指標(biāo)的理解，比如轉(zhuǎn)化率，不同公司的轉(zhuǎn)化率定義（分子、分母）不一樣，需要讓模型知道業(yè)務(wù)指標(biāo)的含義；另一方面是具體字段和屬性的選擇，有些元數(shù)據(jù)的描述很相近，比如統(tǒng)計(jì)照片上傳成功數(shù)量，需要確定用「照片上傳成功」事件還是用「服務(wù)端照片上傳成功」事件。

如何解決以上問題？一方面我們需要等大模型能力的提升，或是自己去做某個(gè)領(lǐng)域的模型。另一方面關(guān)于字段理解和業(yè)務(wù)理解，如何積累數(shù)據(jù)變得很關(guān)鍵。在 LUI 的情況下，數(shù)據(jù)完備性非常重要。除了更多的數(shù)據(jù)積累，還需要知識(shí)，比如語義相近的兩個(gè)字段到底選哪一個(gè)？這不是數(shù)據(jù)，而是需要知識(shí)才能解決的問題，因此要構(gòu)建企業(yè)的元數(shù)據(jù)知識(shí)圖譜。比如企業(yè)中已有的 1000 張報(bào)表，到底哪些字段和屬性已經(jīng)用過，這些字段、屬性、指標(biāo)之間構(gòu)成了什么關(guān)系？這些可以構(gòu)建出來，并用來做事件和屬性的選擇推理。

我們再來看看產(chǎn)品的設(shè)計(jì)與評(píng)估。LUI 之后，產(chǎn)品的設(shè)計(jì)將從場景和功能驅(qū)動(dòng)，變成用戶問題驅(qū)動(dòng)。這隨之帶來兩方面的影響，一方面是用戶引導(dǎo)的方式發(fā)生改變，需要引導(dǎo)用戶變得會(huì)問問題、正確地問問題，用戶引導(dǎo)貫穿提問前、提問中、提問后；另一方面產(chǎn)品的評(píng)估方式發(fā)生變化，由「有沒有某個(gè)功能」變成「能否正確回答某些問題」。這些問題的解決一方面要提高對(duì)用戶的引導(dǎo)能力，另一方面需要建設(shè)行業(yè)問題以及相關(guān)問題的知識(shí)庫。

基于前面的討論，我們總結(jié)了 AIGC 應(yīng)用方法。企業(yè)在進(jìn)行決策時(shí)，是由技術(shù)可行性和業(yè)務(wù)需求雙向決定的。從業(yè)務(wù)上來說，不能因?yàn)橐?AIGC 而做 AIGC，一定要有業(yè)務(wù)上的抓手，需從場景和業(yè)務(wù)應(yīng)用出發(fā)。從技術(shù)上來說，數(shù)據(jù)是重要的，它可以提升大模型在特定場景下的精準(zhǔn)性。總結(jié)起來就是：應(yīng)用場景是抓手，數(shù)據(jù)是核心，大模型是支撐。