還在用 AI 和機器學習？簡單的 SQL 腳本就能替代！

關鍵時刻，第一時間送達！

【CSDN編者按】現在，AI和機器學習無疑是超級熱門的技術，很多開發者也都聞風轉向人工智慧領域，各種培訓機構和技術會議也都隨著開設了大量的相關課程。但是，跟風之下也暗含一些風險，也有很多人質疑，人工智慧根本沒有那麼「智能」，這一技術完全可以用其他常用的來替代。本文的作者 Celestine Omin 就表示，簡單的SQL腳本其實就可以完全取代很多業務功能。以下讓我們一探究竟。

以下為譯文：

有一件很有意思的事情，每當我與各位創始人和准創始人談話的時候，他們都會很快地告訴我他們想用AI或機器學習提高客戶的回頭率以及客戶終身價值。但是，事實上他們壓根兒不需要機器學習，他們真正需要的是正確的SQL語句。

以前，我每天的生活就是寫SQL提取本周客戶的數據。基本上都是從訂單表裡提取數據，因為訂單表的數據量最大。然後我們會向客戶發送感謝信，並附上小額的打折券和收據……

你猜怎麼著？99%的客戶都成了回頭客。我們從來不需要機器學習。我們就寫了一個簡單的SQL，就拿到了這些信息。我們還發信給3個月或更久以前的客戶……

……我只需簡單地寫個查詢語句，從數據表中選擇購物日期超過3個月的訂單。拿到信息後，我們會發送一封「我們很想念你，期待您再來。這是一張X Naira的收據」。總是有超過50%的客戶會再次光顧。

這種方法要比花錢在Google和Facebook上做廣告更有效率。我們還用這種方法宣傳過新聞刊物。我寫了SQL，檢查裡面的內容，然後給這些人發送了相關的營銷郵件。

我的意思是說，我們為什麼要發信給一個剛買了一雙運動鞋的男人向他推銷吸奶器呢？這毫無意義。大多數營銷郵件的閱讀率只有7-10%。但是如果我們認真做好這項工作，就可以得到25-30%的閱讀率。

這相當於行業標準的3倍。另一種很好的處理這些郵件的方式是：在信中寫明客戶的名字。不要用親愛的客戶。應該寫明親愛的王小姐，尊敬的李先生，等等。這種做法可以真正打動客戶。

另一個與SQL腳本同樣重要的定期工作是：提醒客戶他們的購物車內的東西超過了48小時。只需選擇狀態不為空，且最後一次活躍時間超過48小時的購物車……

我們需要每天定時做這項工作，比如每天早上兩點，在客戶活躍度和訪問量較低的時段。客戶早起的時候就會看到郵件提醒他們清空購物車。然後你就坐等好消息吧。這些工作根本不需要AI或機器學習。SQL+Bash就能輕鬆搞定。

由於貨到付款風險很高但依然是很重要的付款途徑，這裡SQL又能派上用場了。你可以把那些連續三次取消訂單的客戶放入紅色警告區。下次如果他們再下單子，你需要打電話確認他們是否真的想買這些東西……

並且，你可以禁止他們使用貨到付款，讓他們用卡或錢包支付。快遞的費用很高，你必須要用在真正的客戶上。這種情況下，你也不需要機器學習。你所需要的只是正確的SQL語句。

雖然Sift Science（一家利用機器學習實現電子商務防欺詐技術的公司）的技術對防止欺詐很管用，但是SQL也可以做到同樣的事。如果有人嘗試三張不同的信用卡並均驗證失敗，就很有意思了。你可以暫時封掉他們的賬號。

這等於給這些卡背後真正的主人幫了大忙。你不需要存儲卡的詳細信息，只需要存特定訂單的結算信息就可以了。這是很容易實現的，根本不需要機器學習，我們用SQL就能搞定……

有訂單晚了？這時也可以使用SQL結果。選擇狀態處於未送達且訂單日期>=7的訂單。7天是標準的送貨日期。有了查詢結果後，定期地向客戶發送郵件和SMS。

雖然客戶不會馬上跳起來為你鼓掌，但是至少他們知道有人在想法解決他們的問題。畢竟送貨晚了是最糟糕的情況。

這一點對口碑有非常大的影響。重申一次，好的SQL+Bash就可以很好地完成我們的工作。

以上即為作者 Celestine Omin 的觀點。對於他的這一看法，Hacker News上也有很多網友進行了點評。

評論一：

有一次一家風險投資公司找到我的創業公司說希望做戰略投資。出席會議的包括公司的很多高管，所以我覺得應該有戲。我們的技術是讓屏幕閱讀更容易，他們對此很感興趣，但當聽說我們沒採用任何機器學習時，他們感到很驚訝。

我表示，即使沒有機器學習，這個方案也很有效，而且用這種方式更容易向用戶說明。結果他們就反覆談論機器學習云云，說我們用機器學習也能完成同樣的事。

一周後他們表示沒興趣投資了，因為雖然他們喜歡我們的成果，但並不滿足他們的投資期望——沒錯，必須是機器學習。

我老婆說，你應該隨便編點什麼，說第二版可以用機器學習做……也許她是對的。

評論二：

很有可能他們認為應該搭上AI的船，於是想投資人工智慧或機器學習方面的創業公司。估計他們內部有人說你的公司很適合人工智慧的領域，但如果你對機器學習給出否定的答案，那門就關上了。

對於那些以大宗交易為日常工作的人，我的經驗是「永遠不要說不」（在談判過程中）。絕大多數情況下，外交手段更合適些，所以或許這樣回答更好：

「目前我們沒有使用機器學習就取得了很不錯的成果，但我們還在嘗試各種方式來改進我們的技術，其中包括利用機器學習進行優化。」

這樣雖然你說的是「我們不用機器學習」，而他們聽到的只是「利用機器學習進行優化」。

評論三：

這篇為文章說的是所謂的「專家系統」，就是以前企業中的AI的樣子。基本上，你得捕捉優秀銷售的直覺，並轉換為計算機的邏輯。

通常情況下就像文章所說的這些規則一樣。

它運行得很好，但也有局限性。人類的精確判斷通常很難表達，人並不知道為什麼會這樣做決定，這就導致這些決策很難捕捉。而且人類也有局限性。太多的變數、太多噪音、太多數據會導致人類無法做出最佳的預測和決策。

這就是機器學習發揮作用的地方。機器學習不是要替代專家的直覺，而是要讓機器發現自己的直覺，通過訓練讓機器自己成為專家。

缺點就是轉換機器的直覺也越來越困難。機器的直覺也難說明原因。

我認為專家系統依然有存在的價值，特別是當沒有足夠的數據集去訓練機器的時候。

評論四：

沒錯，這就是實現AI的兩個主要方式——專家系統是「舊的」AI，而機器學習是「現代」AI。在舊的方式下，你精確地知道你的目標，而且經常需要想出比較清晰的實現途徑，其難點就是要手工實現。在新的方式下，基本上不用太擔心如何實現，反正也需要利用數據集進行訓練。但結果就不是那麼容易預測了，你甚至沒法理解機器作出判斷的原因。其錯誤或誤判的數量可能會比較高。

當然，我認為這些方法距離真正的AI還十分遙遠。真正的AI應該能夠從舊的知識中學到新東西。我認為，只有在深入理解了什麼是「理解」之後，AI才可能有真正的進步。

評論五：

許多公司最大的問題就是數據都堆在一起，利益關係人根本看不到。當人們討論AI或ML時，人們實際上需要的是將數據清洗到他們能拿著與利益關係人對話的程度。而且，那些做AI/ML諮詢的公司實際上擅長的是數據清洗。

公司僱傭數據科學家時，他們實際上會先做幾個月到一年的數據清洗。然後再利用線性回歸之類的來解釋數據。這時的數據已經很容易被利益關係人理解，這樣他們才能根據數據創造價值。線性回歸或別的什麼模型從數據中學到的東西可能確實有意義，但最終你會告訴利益關係人他們該如何利用這些數據，而且你猜怎麼著，只用SQL和Bash就能完成90%的工作。

原文：https://threadreaderapp.com/thread/987602838594445312.html

作者：Celestine Omin

譯者：彎月，責編：言則

聲明：本文已獲作者授權翻譯。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！