車品覺：數據驅動的產品是什麼？

引言

上個月 B4B 應用挑戰賽加速周在 TalkingData 舉行，開幕式上車品覺老師做了演講，分享了他對數據共享、數據隱私、以及數據驅動的產品的看法。

1. 數據共享的困境和機遇

現在有很多人都在講深度學習。然而放在幾年前，可能中國任意一個頂尖公司的老總，即使像馬雲，也難以回答所謂數據驅動的產品是什麼。

今天大家看大數據和人工智慧井噴式發展，好像我們一下有了很多數據，可以做很多事情。但實際上數據還是不夠用的，打個比方說，你用 Google Map 開車導航是可以的，但是如果你想在地圖上知道，購物中心有沒有可用的車位，這個數據一般是沒有的。這個時候你發現數據其實永遠是不夠用。

數據這個東西，從很多年前從記錄的使命，一直到最近，它成為一個決策的助力甚至根據。我們經常講數據驅動的流程。企業也更重視對數據的「擁有」這件事情，但在我看來其實是沒必要的，比起擁有數據，知道如何獲取數據更為重要。不是說我一個人要佔住多少大量的數據，而是說，誰能有更多的渠道獲取數據，能把數據盤活，流動起來，才是新的機遇所在。

於是這裡就牽扯到一個數據分享的問題，你有數據，他也有數據，我們可能還要從用戶手裡拿數據，這個要怎樣才能做到呢？

這裡首先有一個方法問題，所謂「簡單」和「有效」的方法是不同的——比如說我想知道今天大家開不開心。簡單的方法可能是我讓每個人填表問你們開不開心然後收集；但你細想其實不需要，我拍一張照片來檢測每個人的表情其實就可以了。填表的話，可能還有一些組群偏向性的干擾。這就是說你收集數據前就要想好怎麼做才是高效的。

打個比方我在阿里巴巴的數據科學家有時候會徵詢我的意見，問某一個數據集能不能徵用，我會很難做抉擇，因為第一我不知道他們之間的關係能不能找到，第二具體如何使用，怎麼使用也是沒有定義好的。

另外就是隱私的問題。「後隱私時代」數據共享可以說是既強健又脆弱。比如說現在有很多的渠道都能獲取數據，像是臉書可以拿到你很多的數據，但是即使你拿到這個數據並不知道該怎麼處理。而且還有很多隱私和授權問題都沒有界定，就會很難處理。

2. 數據驅動產品邏輯

接下里我們來看一個典型的數據驅動的產品它的邏輯的環路是什麼。首先，收集用戶的數據，包括行為和路徑，然後根據演算法給出一個推薦的路徑，然後系統根據這個用戶洞察，最後實現優化。

第一步驟是收集個人的足跡，這個數據是基礎——生成洞察的基礎，有了數據餵養，你才有之後所謂個人化的推薦。另外一個意義就是根據別人的推薦系統或者說足跡來給他做推薦，優化體驗。

另外重要的就是要讓用戶可以相互發現，舉個例子，Facebook 的圈出好友功能就是為了有更多的交互。而且通過用戶自己的貢獻數據會更加完整，這個功能的效果是非常好的。所以作為開發者，釐清這個數據收集集成的機制是很重要的。

最後總結一下，作為一個數據驅動的產品的開發者要注意：

自動化實現和是否穩定的問題。尤其是最後這一點，如何能實現自動化非常重要，在數據治理的過程中，要讓流程更加簡化以及可持續發展。另外穩定很重要，穩定的底層結構和合作方的穩定合作都是你能不能持續、穩定地獲得高效數據的關鍵。

3. AI Building Blocks

最後我們來說一個 AI Building Blocks 的方法論。很多時候，有數據還不夠，如何轉化為真正的價值，你需要考慮方方面面的問題。

首先你要知道你的演算法，並且有一個優化的過程；其次你的計算能力是什麼，再加上你的人力成本，這些都是支出的大頭，是一定要考慮的。然後就是你的數據從何而來，已有的模型的架構是什麼，這個可以說是每一個做 AI Building 的人需要考慮的框架。

所有的這些環節優化，都是為了降低錯誤率，就像是我們都知道在醫療領域，AI 的應用幫助醫生診斷，這個環節的容錯率是很低很低的，你只有準確判斷，才能說有真正應用的價值。包括現在很火的無人車、計算機視覺這個領域，出錯的成本太高了，你只有不停地訓練，不停地學習，才能到達一個可以應用的層面。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！