找回密码
 立即注册
搜索

互联网巨头下场玩SaaS AI,普通人的恋爱成功率有救了

产品之光 2022-7-7 10:36 119人围观 产品策划

# 产品策划
在当年,SaaS鼻祖SalesForce的市值正式传统软件巨头Oracle。


这一数据标志着SaaS在商业价值上,首次超过了传统软件,它被只看未来的投资人用钱支持,视为冉冉升起的希望之星。


而有趣的是,SalesForce的创始人曾就职于Oracle并担任高级副总裁,因受到亚马逊颠覆式的购物方式的启发,认为传统软件也会迎来这一天。


遂离职创办了用云端提供软件服务的SaaS公司SalesForce,创办后企业一直经营良好,更在2020年来到历史性的一颗,并在随后的几年,保持了对Oracle的市值优势。


而在中国,SaaS经历了火热到沉寂的几年迷茫,终于在2021年迎来一阵小高潮。


同年企业服务赛道的融资额达到6400亿人民币,较上一年增长105%,创历年新高。


这一态势在2022年依旧延续,就在开年不久,细分客户服务赛道的SaaS企业“售后宝”刚刚完成红杉中国、老虎环球基金领投的一亿元A1、A2轮融资。


资本如此给力,也就让大家更有机会接触到SaaS产品,对于普通人而言,耳熟能详的有:疫情中立了大功的腾讯会议,经常被用来办公协作的石墨文档,前段时间因为figma事件热了一波的蓝湖UI。但有一类SaaS服务特别少见,不仅个人用户见得少,企业用户也了解不多,它就是AI类的SaaS。


简单科普一下AI的原理,大致分为两个部分:


  1. 标注:比如想做智能医疗,让机器辅助看CT影像,快速判断出哪些影像可能有问题。那么首先就要把这些标注的信息告诉程序,让程序志浩掉什么是正常的,什么不正常。
  2. 训练:有了上面大量的标注数据,相当于有了某些特征的统计数据。机器在看一个片子的时候,就能得出这个片子有没有问题的概率。而得出概率数据背后的逻辑,就叫做算法。

其实这个过程和教育小朋友是一样的。


同样是标注。想教育小朋友懂礼貌,那就要通过举例子让小朋友明白什么是礼貌,什么是不礼貌,在小朋友的认知中标注下是和非。


例如要主动问好是礼貌的,叫外号是不礼貌的。


同样是训练。小朋友在生活中,观察到相应的场景,就去和脑海中的【礼貌】和【不礼貌】对照,进行归类,决定自己做还是不做。


如果出现无法归类的情况,那就会询问:妈妈,这是礼貌的吗?此时需要妈妈再次进行标注,完成标注-训练的小闭环。


AI确实非常有用。很多场景下能释放人力,做到人脑无法做到的海量计算,以及超多因素的复杂逻辑推断。


但AI团队在很多公司还是奢侈品。


  • 一是基于成本考虑。算法团队工资+机器成本+电费,贵就是一个字。更别提训练机器需要的海量数据,这都是背后有人在进行打标签的操作,生成喂养机器的养料。所以说,AI是个需要超级富养的娃。
  • 二是AI的限制条件。人脑对于信息处理的弹性,是机器无法追上的。机器接收的是固定的数据,吐出的是固定的概率,而人脑会结合当下信息发生的场景,去判断此时正在发生什么。所以在很多使用场景下,用AI的效果可能还不如用人海战术。

有一桩AI造成的真实乌龙。2020 年 10 月,苏格兰足球冠军联赛上,一套全新的 AI 智能转播系统闪亮登场,它内置了 AI 追踪技术的摄像头,可以自动追踪足球,解放了以往需要在赛场里来回狂奔的摄像师,同时也给疫情无法到场的球迷打了个强心剂——机器自动跟球,体验肯定差不了。


只是没想到,比赛刚开始多久,就出现了意外。只是在人群中多看了你一眼,AI就迷上了边裁的光头,把它当成了足球去追踪,边裁走到哪儿,AI 的镜头就转到哪儿。


哪怕边裁离球万里,AI 也会不顾一切调转镜头,尽职尽责地追踪边裁的光头。技术人员迅速进行干预,试图手动纠正,但无论纠正多少次,AI仍然固执的追寻着全场最闪亮的那个圆。


聊了AI是什么,接着想说说AI的适用范围。


虽然它经常和一些很科技很有距离感的词语联系在一起,但实际却能解决一些十分生活化的问题,甚至恋爱脱单这种令人头大的场景,也是它可以大显身手的地方。


如果你是一个职业红娘,就可以使用Amazon SageMaker Canvas来解决相亲成功率的问题。无需写一行代码,只需三个步骤,就能给手上的漂亮姑娘和帅小伙牵起最闪亮的红线。


首先,你需要准备两份数据:


  • 一份是数据集。即手上已经成功牵手的男女会员的数据,这是用来告诉机器,哪些人成功找到了另一半,他们背后的标签是什么,性别,年龄,收入,职业等信息分别是什么样。
  • 另一份是预测集。是现在还没有签手成功的会员资料,你需要让机器预测他们是否能够找到另一半,以及找到另一半的可能性是多高。

接着,你需要导入数据集。


把相亲结果作为预测字段,系统会匹配上适合的分析方法,例如结果是【是】【否】的这类问题,就适合用二元模型。接着点击预览模型,机器就开始乖乖的工作和分析了。


只需要几分钟,系统就会生成一个简单的结果,在如图红框处,会依次展示哪些标签和成功率有关系。


系统同时提供了每个字段和结果的相关性以及重要程度。


例如你可能发现,籍贯对于是否能确定关系影响不大,而同一要素,对于女性和男性的差别也可能很大。


有了这样的一些认识,你就可以选择合适的标签去生成模型,也就是选择和结果高度相关的的因素。


如果不确定的话,可以多尝试几次,选择不同的字段组成不同的模型。


最后,使用成功率最高的模型,载入需要预测的数据,等待上一些时间,就会生成一份预测后的数据,标识了每个人相亲成功的概率,对于红娘来说,就可以根据成功概率来安排工作了。


但如果只以现在的条件来预测相亲是否成功,选择成功概率更高的客户,显然有悖于让人人都获得幸福的愿景。


所以,我们还可以做一些个性化的尝试。对于一位相亲成功概率偏低的女士,我们可以尝试修改她的各项条件,看到不同条件变化后,对于成功率的影响,从而指导会员的改变方向。


商业上也有一个类似的例子,适用于深受困扰的外呼团队。


外呼团队每天会接收大量的销售线索,在每天固定的工作时间里,如何打通更多客户的电话,完成客户转化,是他们的业务目标。


同样先是准备数据,导入包含如下特征的数据。然后建立模型,经过多个模型的试验后,团队选择了其中效果最好的模型,开始把数据应用到日常工作里。


在应用了模型预测并改进工作方法后,客服团队每天面对的列表不再是无序的,而是按照接听可能性,从高到低依次排列,按照列表依次拨打就好。


最后的效果也很惊人,电话接通率从之前的35.17%,到达了49.4%,几乎提升了50%。


除了这个场景,我们也可以想出多种多样的其他可能。


在之前的文章中,其实有聊到过SaaS企业的内部系统应该如何做。(SaaS公司的内部管理系统,怎么做才算对?)我认为其关键是服务于企业业务,帮忙降低投入成本,提升留存率。这就要求系统要能够在销售环节、成功环节对客户信息进行分析和预测,从而指导员工的行为。


但如今中国SaaS企业的生存难是公认的,客户留存率不足使盈亏平衡很难达成。一边烧着投融资人的钱,一边去追求奢侈的AI团队建立,几乎是不可能的事情。


那怎么办呢?通过使用Amazon SageMaker Canvas,可以用很低的成本,来邀请一个24小时为你工作的AI团队。


它们可以在以下几个场景下孜孜不倦的进行采集和分析,帮助企业经营决策。


场景1:根据成单概率给线索打分。


当市场部搜集过来的线索,可以根据线索特征进行打分,让销售优先跟进成功率高的客户,最大化工作效果。


场景2:预测客户LTV。


当客户签约后,转为客户成功团队维护,此时如果可以预测客户的LTV(全生命周期价值),就可以更好的给客户进行分层,以及配备合适的服务资源。


场景3: 挖掘客户流失倾向。


SaaS是把续费看成第一重要的一种商业模式,所以如果能提早判断客户流失倾向,对于SaaS公司无疑有极大的价值,公司可以动员资源去接触和挽留。


每个人,每个组织,每个商业体,都在无时无刻面临着决策。


但做决策既需要决策模型,又需要决策环境。


决策模型和思路可以在某些特定问题下公用,例如毕业后选择大公司还是小公司,社会对每种选择都有着类似的优劣势判断。


但每个人面临的具体环境,拥有的个性都千差万别,所以永远不能直接复用他人的选择。你可以好好听别人的建议,但决定终究要自己做。


但AI技术,把个体特征描述成了一组组数据,每个人都代表着个性化的一组数据,把个体放到某个具体场景,应用这个场景的决策模型,就能获得自己独一无二的答案。


例如你搜集到了很多大学生毕业后的选择,以及后期的发展情况,可以录入系统,获得决策模型。


然后你把自己的信息录入系统,进行预测,分别呈现了选择不同行业不同规模的公司,未来发展的可能性。此时世界打开,向你呈现了一张张蓝图,你只要看到你内心的渴望,然后去追求,就够了。


同样的场景,也可以适用在组织和商业体上。


把复杂的运算、可以归因的逻辑交给机器,解放人类的大脑,挖掘我们的天性和感知,去做更多有创造性的事情,岂不是完美CP。


作者:假装是运营,微信公众号:SaaS学姐。

相关推荐