研究 | 阿里巴巴與未來商業

2014年9月，阿里巴巴上市，以全世界融資額最大的IPO登上新聞頭條。今天，阿里巴巴市值位列世界前十，全球銷量超過沃爾瑪，並且進入了全世界所有主要市場。創始人馬雲的名字家喻戶曉。

自1999年創立以來，阿里巴巴的電子商務平台取得了巨大增長。然而，筆者2006年進入阿里巴巴管理層全職工作，2007年管理團隊在浙江寧波一家簡陋的海濱酒店開會探討戰略，當時公司還並不像什麽世界級大企業。我們對於電商發展趨勢雜亂無章的認知和觀點，在這次會議中逐漸匯聚成更大的未來圖景，最後達成共識：我們要“建立一個開放、協調、繁榮的電子商務生態系統”。阿里巴巴就是在那個時候真正啟航的。

我們發現，阿里巴巴獨到的創新在於可以真正建立起一個生態系統：有機體（多種類型的公司和消費者）相互作用、與環境（線上平台和更大的線下實體基礎）互動組成的社區。我們的戰略要務是，確保平台能夠提供網絡商務所需的一切資源或獲得資源的管道，進而支撐這一生態系統演進發展。

我們構建的生態系統最初很簡單，只是把商品買方和賣方聯繫在一起。隨著技術進步，更多功能上線，其中有廣告、行銷、物流和財務等傳統的業務職能，還有聯盟行銷、產品推薦及頭部社交媒體傳播等新興功能。我們對生態系統進行擴張，容納這些創新，在此過程中協助構建新型網絡商務，徹底重構了中國的零售業。

今天的阿里巴巴不只是一家電商公司。我們把零售相關的所有功能在網絡上整合，構成一個以數據驅動的大型網絡，連接起銷售者、行銷者、服務提供者、物流公司和製造者。換言之，阿里巴巴做到了美國的亞馬遜、eBay、PayPal、谷歌、聯邦快遞、批發商以及大部分製造商所做的事情，還有金融服務錦上添花。

在全世界價值最高的公司排行榜上，排名前十的企業有七家是商業模式與我們相似的互聯網公司，五家（美國的亞馬遜、谷歌和Facebook，中國的阿里巴巴和騰訊）問世不過20年。這些公司的價值和市場支配力為何能在短時間內迅速崛起？原因在於它們都採用了新型的網絡協同和數據智能。與傳統行業相比，這些公司的生態系統經濟效率更高，更加關注客戶。筆者將這些公司採用的方式稱為智能商業，相信這種方式能夠代表未來的主流商業邏輯。

智能商業是什麽？

追求同一個商業目標（如零售、拚車）的參與者在網絡上協調合作，運用機器學習技術有效分析實時數據，就形成了智能商業。這種模式依托技術，由機器負責大半運營決策，讓公司得以隨時調整，迅速適應變化的市場狀況和客戶需求，與傳統商業相比有著巨大的競爭優勢。

當然，充足的計算能力和數據資料是機器學習的燃料。算法引擎收錄的數據和迭代次數越多，給出的結果就越好。數據分析師給出特定行為的概率預測模型，然後算法綜合大量數據，實時提供經過迭代的更好的決策。這些預測模型成為多數業務決策的基礎。因此，機器學習不只是技術創新，隨著人類決策越來越多地被算法取代，機器學習會逐漸改變我們做生意的方式。

螞蟻金融小額貸款是一個很好的未來圖景的例子。2012年阿里巴巴推出螞蟻金服的時候，中國大型銀行的貸款動輒數百萬美元，最低貸款金額（約600萬人民幣，不到100萬美元）遠遠超出多數中小企業的需求。銀行不願為沒有信用記錄，甚至沒有商務活動必要檔案的小公司服務。中國數千萬公司難以籌得業務增長所需的資金。

我們意識到，阿里巴巴擁有了眾多小公司經過我們平台交易產生的大量數據，可以建立一項高素質、可擴展、可盈利的中小企業貸款業務。因此在2010年，我們推出了開創性的數據驅動小額貸款業務，為企業提供100萬元人民幣（約16萬美元）以下的貸款。這個業務運營7年，為近300萬家中小企業提供貸款超過870億元人民幣（約134億美元），平均貸款規模為8000元人民幣（約1200美元）。2012年，我們將這個借貸服務與成功的在線支付業務支付寶整合在一起，創立了螞蟻金服。這個名字的寓意是，我們要幫助所有像螞蟻一樣辛勤忙碌的小公司。

現在，螞蟻金服可以在幾分鐘內處理幾百元人民幣（約50美元）的貸款。這是如何實現的？面對潛在貸款者，貸款機構只需回答三個基本的問題：是否應該貸款，應該貸出多少，利息怎麽算。平台上的賣家只要授權我們分析數據，我們就能夠回答這些問題。我們的算法可以通過交易數據評估商業運營情況、市場競爭力及合作夥伴信用級別等資訊。

螞蟻金服運用這些數據，對比好的貸款者（按時還貸）和差的貸款者（不按時還貸），總結出各自的特徵，根據特徵為貸款者計算出信用評分。誠然，貸款機構或多或少都會進行這一步驟，但螞蟻金服的分析是根據所有貸款者的實時行為數據自動完成的。每一筆交易、買賣雙方之間每一次交流、每一次使用阿里巴巴其他服務乃至在我們平台上的任何動作，都會影響企業信用評分。與此同時，用於評分的算法本身也在實時進化，在迭代中不斷改進決策品質。

決定貸出多少、利息多少，需要分析阿里巴巴網絡內部的許多不同種類的數據，如總利潤率和庫存周轉率，以及產品壽命周期、賣家的社會及業務關係品質等較難精確量化的資訊。舉例來說，算法可以通過分析交流（即時資訊、電子郵件或其他中國常用的通信方式）的頻率、長度和類型來評估關係品質。

在這一過程中，阿里巴巴的數據分析師是必不可少的。他們識別和測試哪些數據點可以提供他們需要的資訊，然後設計算法，挖掘數據。這項工作需要分析師深入了解業務本身，並具備機器學習算法方面的專業知識。再以螞蟻金服為例。如果某個信用評分極低的賣家按時還貸，或者某個評分很高的賣家嚴重違約，算法顯然需要調整。工程師可以方便迅速地開始檢查，要增減哪些參數、加強用戶哪幾類行為的權重等。

經過調整之後，算法給出的預測越來越精確，螞蟻金服的風險和成本穩步下降，貸款者可以在有需求的時候獲得資金，利率也在可以承受的範圍內。最終的結果非常成功：這項小型貸款業務違約率約為1%，遠遠低於世界銀行2016年估計的世界平均水準4%。

那麽，這樣的業務要如何建立？

運營決策全面自動化

要想實現智能商業，公司必須盡量使運營決策自動化，讓實時數據支撐的機器取代人工數據分析。這方面轉型需要以下四個步驟。

第一步

將所有客戶交流“數據化”。螞蟻金服能夠訪問大量潛在貸款者的數據，在貸款業務中根據這些數據回答基本問題。然而對於許多企業而言，獲取數據的困難更大。不過，實時數據是建立反饋環所必要的，而反饋環是機器學習的基礎。

以單車租借公司為例。中國的初創企業利用移動通信、物聯網（智能單車鎖）和已有的移動支付及信用系統，將整個租借過程數據化。

以往的單車租借，需要前往租借地點，付押金，從工作人員那裡獲得單車，使用單車，歸還，用現金或信用卡支付租金。中國幾家相互競爭的公司把一些新技術與原有技術相結合，將整個過程放到了線上。智能結算的二維碼和電子鎖的結合是一項關鍵創新。打開單車共享應用，就可以看到並預訂附近可用的單車，然後到達單車所在地點，用手機應用掃描單車上的二維碼。如果應用账戶上有足夠的資金，而且符合租借條件，二維碼就會打開單車電子鎖。手機應用還可以通過芝麻信用（螞蟻金服新的線上產品，用於評估消費者信用等級）評估用戶信用歷史，允許用戶不付押金，進一步加快了租借流程。歸還單車時電子鎖上鎖，完成交易全過程。整個過程簡單直接，通常只需要幾秒鐘時間。

將租借流程數據化，大大提升了消費者體驗。公司根據實時數據，調遣貨車把單車運送到用戶有需求的地方，還可以提醒經常使用的用戶附近有可用單車。中國單車租借的成本能夠降到每小時幾美分，很大程度上是因為這些創新技術。

追求數據化的企業大多為了建立因果模型而收集和分析資訊，然後通過模型從大量可用資訊中找出關鍵數據點。智能商業利用數據的方式與此不同。智能商業收集客戶及其他網絡用戶在溝通和交易過程中產生的所有資訊，讓算法識別出有用的數據。

第二步

將所有活動“軟體化”。智能商業中所有活動（不只是知識管理和客戶關係）都以軟體處理，因此相關決策可以自動化。不是說公司必須購買或構建ERP軟體用於管理業務，其實恰恰相反。傳統的軟體使得行動流程和決策過程更加僵化，往往造成束縛，而智能商業的主導邏輯是實時反應。首先要為目前的人工決策過程建立模型，設法用軟體複製其中的元素加以簡化——這一步有時並不容易，因為許多人類決策的基礎是常識乃至下意識的神經活動。

阿里巴巴集團旗下的中國國內購物網站淘寶網，增長的推動力就是不斷將零售流程軟體化。淘寶網初期一批主要軟體工具裡，有一款讓買賣雙方實時交流的即時通信工具“旺旺”。賣家用旺旺招呼買家，介紹產品，討價還價等，與傳統零售商店中的活動相同。阿里巴巴還開發了一些軟體工具，幫助賣家設計各種複雜的網店頁面。網店上線後，賣家可以運用其他軟體產品來進行發布優惠券、打折、推出會員回饋項目等各種客戶關係活動，相互協調配合。

現今多數軟體在網絡上以服務的形式運營，將商業活動軟體化的一個重要優勢是，在此過程中可以自然地收集實時數據，為運用機器學習技術打下基礎。

第三步

讓數據流動起來。生態系統中多方參與者相互聯繫，商業決策要經過複雜的全面協調。舉例來說，淘寶推薦引擎要跟賣家的庫存管理系統、多個社交媒體平台的消費者檔案系統協作，交易系統要跟折扣以及會員項目配合，還要協調我們的物流網絡。

要讓數據在各方參與者之間流動，與此同時嚴格控制生態系統中數據的訪問和編輯權限，通信標準（如TCP/IP）和應用程式接口（API）發揮著極其重要的作用。讓不同軟體系統在線“交流”合作的工具API已經成為淘寶網發展的核心。淘寶平台從一個供買賣雙方交流和交易的論壇發展成為中國主要電商網站，網站上的商家需要第三方開發者提供越來越多的支持。新軟體必須與平台上其他所有軟體廣泛配合，才能發揮價值。因此在2009年，淘寶網開始開發API供獨立軟體供應商使用。今天，淘寶網上的商家平均訂閱100多個軟體模塊，來自他們的實時數據流則大幅度降低了商家經營成本。

妥善部署技術基礎設施還只是開始。建立通用標準，讓阿里巴巴所有業務部門得以使用和解讀數據，需要付出巨大的努力。此外，尋找合適的激勵框架說服公司共享數據，也是一大挑戰。還有大量工作亟待完成。當然，公司在這方面的創新，部分取決於所在國家有關資訊共享的法規。不過總的方向非常明確：網絡中流動的數據越多，商業智能化程度就越高，生態系統創造的價值也就越大。

第四步

應用算法。商業活動全部放到線上，就會得到大量數據。要吸收、解讀和運用數據發揮作用，公司必須建立模型和算法，闡明潛在的產品邏輯或市場動態，實現業務優化。這是一項艱巨的創新任務，要用到很多新的技能，於是需要大量數據分析師和經濟學家。他們面對的難題是要明確指定希望機器完成怎樣的工作，而且他們必須非常了解特定業務背景下完成某項工作所需的要素。

淘寶網的目標從很早開始就是貼合每位用戶自身需求。如果沒有機器學習的進步，這個目標不可能實現。如今，淘寶用戶一登錄就會看到定製化的頁面，以及從幾百萬商家的上億商品中選出的推薦。推薦由淘寶網的強力推薦引擎自動生成，引擎算法專為優化訪問轉化率而設計，利用的是淘寶平台運營、客戶服務及安全等各環節產生的數據。

淘寶發展過程中的一個裡程碑，是2009年從單純的網站瀏覽更新為搜索引擎。平台訪問量和商品數目大量增加，瀏覽已經無法滿足需求；搜索引擎有機器學習算法支持，能夠處理大量請求。淘寶還在嘗試影像識別搜索算法，根據客戶提供的照片匹配平台上的商品。雖然我們還處於這項技術的早期階段，但事實證明，這個功能很受客戶歡迎，每日絕對訪問量提升了1000萬。

2016年，阿里巴巴引入AI聊天機器人協助處理客戶谘詢。不同於人們熟悉的把客戶問題與幫助文檔中相應答案匹配的機械服務，聊天機器人由經驗豐富的淘寶商家代表“培訓”，了解相應品類下的所有產品，且對阿里巴巴平台的退換貨、運費等機制以及其他常見問題十分熟悉。聊天機器人運用語義理解、語境對話、知識圖譜、數據挖掘和深度學習等多種機器學習技術，迅速提升自動診斷及處理客戶問題的能力，而不是單純地給出靜態回應讓客戶自行采取行動。聊天機器人讓客戶確認可以接受它們給出的解決方案，然後予以執行，全過程不需要阿里巴巴或商家提供人力。

聊天機器人還能顯著提升商家收入。服飾品牌森馬一年前開始使用聊天機器人，發現機器人促成的交易量比表現最好的銷售人員高出26倍。

商家總會需要人工客服處理複雜或個人化的問題，但利用聊天機器人應對常規問題的能力很有用，特別是在銷量非常高的促銷活動期間。以前平台上多數大型商家會在促銷時雇用臨時客服應對消費者谘詢，以後就不必再這樣做了。2017年阿里巴巴銷量最高的一天，聊天機器人處理了95%以上的客戶谘詢，回答了約350萬名消費者的問題。

通過有創意的數據化，增加能夠利用的數據儲備，提升智能化程度；將業務軟體化，把工作流程和必要活動放到線上；設定統一標準和API，促成實時數據流動和協作；應用機器學習算法，促成“智能”商業決策。這四個步驟是建立智能商業的基礎，相關所有活動都是重要的新技能，需要新的長官能力。

長官者的作用

筆者在湖畔大學開設智能商業課程，在課堂上展示十位企業長官者的照片。學生能認出馬雲、埃隆·馬斯克（Elon Musk）和史蒂夫·喬布斯（Steve Jobs），但幾乎沒有人認識花旗、豐田和通用電氣CEO。

這種現象是有原因的。通用電氣、豐田和花旗通過優化的供應鏈提供產品或服務，而數字公司必須調動一整個網絡來實現其願景，為此長官者必須激勵組成網絡的員工、合作夥伴及客戶。這些公司長官者必須有遠見，積極傳播自己的理念，傳統公司的長官者則不必像他們一樣拋頭露面。

傳播理念的數字公司長官者必須了解未來趨勢，知道自己所在行業如何隨著社會、經濟和技術的改變一同演進。他們無法給出實現公司目標的具體步驟，因為環境不斷改變，未來需要的能力不可預知。但他們必須明確公司追求的是什麽，創造合適的環境讓員工得以迅速串聯實驗性的產品與服務，檢驗市場，推廣反響積極的創意。數字長官者不再管理，而是允許員工創新，並促進用戶核心反饋環，以加強公司決策及執行。

在智能商業模型中，機器學習算法自動做出調整，提升系統效率，承擔了大部分的漸進式改善。因此，長官者最重要的工作是培養創意，提升創新成功率，而非改善運營效率。

像阿里巴巴這樣的“數字原住民”公司，創立之初就是線上運營，數據唾手可得，因此水到渠成地轉型為智能商業。事實證明，智能商業模式的確有效，且正在改變舊有的行業經濟，所有公司都應當了解和應用這種新的商業邏輯。這種對技術要求很高的形式乍看之下令人生畏，但其可行性正在提升。雲計算和人工智能技術的商業化，讓大規模計算能力和分析能力更加容易獲得。過去十年來，存儲和計算大量數據的成本已經大幅度降低。這意味著機器學習的實時應用，在越來越多的環境下成為可能，且可負擔。物聯網技術快速發展，將會進一步促使我們的物理環境數字化，產生更多數據。今後幾十年，隨著這些創新的積累，快速智能化的公司將會在競爭中獲勝。

END