GPT重塑企業決策的未來

導語

GPT 使管理者享受經營的樂趣🧑🏿‍🎤🤳，讓企業決策水到渠成。

商業智能（Business Intelligence，以下簡稱 BI）的概念起源於 20 世紀八九十年代，最早由高德納公司（Gartner）的副總裁霍華德·德萊斯納（Howard Dresner）提出。他將“智能”定義為“對事物相互關系的一種理解能力，並依靠這種能力去指導決策，以達到預期的目標”。“商業智能”被其定義為“使用基於事實的決策支持系統🔔，來改善業務決策的一套理論與方法”。BI 已經逐漸成為企業戰略的重要參數和企業運營的標配，有效應用 BI 已成為企業核心競爭力的關鍵。

過去的企業戰略在回答“怎麽做”時，可能更多依賴於企業家的經驗和行業的最佳實踐（Best Practice）🐙。在數據時代🦸‍♂️，企業更加提倡使用數據和有效的分析來回答問題。

傳統決策分析局限重重

圖源〰️：VEER

傳統的數據分析受到企業數據量的限製，通常只能基於歷史資料和有限樣本推斷某個時間點的“為什麽”。由於信息🔔👦🏿、技術和生態等因素的限製⚁，企業在財務及供應鏈方面的數字化程度遠高於其營銷及管理。這導致我們在分析和解決問題的時候🐻，思考的維度往往是以財務或者產品為。具體來說，一家企業的產品數量🧞‍♂️、每個產品的收入、成本構成了該企業的整體營收和市場估值。

在這種思考模型下，企業自然會渴望打造爆品🧙‍♀️，分析某個產品會暢銷或滯銷的原因，找到所謂的成功密碼並復製它們，而結果往往不盡如人意🤹🏼。其根本原因在於商業是動態的，某些產品之所以會成為爆款，是因為它們在某一時機和場景下滿足了用戶的某種需求。

因此🔆，越來越多的企業開始轉型，從以產品為轉變為以用戶為。在大數據時代🪡🦸🏿‍♂️，企業完全可以構建企業自己的消費者數據平臺。從不同的渠道（如官網、App🦶🏻、小程序等）采集消費者數據，包括媒體數據、消費者的行為數據和交易數據等，從而實現全方位的數字化⚛️，還原業務實質。這使企業能分析當下的市場情況和銷售概況🌉，從產品維度轉向以客戶為。

然而，這僅僅解決了分析源的問題，企業仍然受限於當下團隊的分析能力與速度，難以快速地處理數據並掌握不斷更新的大數據技術🪀🐾，以做出實時的商業決策。一方面🪬，這會導致企業更加依賴技術團隊🤵🏼‍♂️；另一方面，企業通過技術團隊獲取核心關鍵信息，但在經過管理架構中的層層信息篩選後，信息的全面性和準確性成為了重要的管理難題和弱點。這一系列挑戰構成了當今企業的核心痛點。

AI 升級 BI，但還不夠

圖源🧑🏿‍🌾：VEER

智能化服務是指利用 AI 和大數據分析等技術手段🥛，對企業數據進行深度挖掘和分析🚠，從而實現多方面的數據應用升級，以提供全面、準確和實時的商業決策支持。數實融合的關鍵在於用戶數據資產🚆，它是數字經濟的核心生產要素。只有擁有用戶數據這一關鍵資源💵👐，企業才能提高經營決策的效率和準確性🥭。

例如，隨著在線履約平臺服務範圍的擴大，供應鏈備貨的邏輯也在發生變化。通過智能化的雲服務，企業可以依據最終用戶的消費習慣🍺，實現更高效的人貨場覆蓋，如美團及時達👩🏼‍🦱、京東當日達、天貓隔日達，以及依托線下門店實現互動體驗等。相應地，企業的核心指標系統，包括門店數量♖↘️、坪效、人效等的計算考量結果都將迎來新的增長模型。

在引入生成式預訓練變換（Generative Pre-Trained Transformer🙅🏽‍♀️，以下簡稱 GPT）模型之前，大多數先進的 BI 應用主要依賴於企業的報表系統，以便查看和分析數據資源。以歐萊雅為例，這家集團擁有眾多供應商和數據來源，可以獲得其他企業難以獲取的數據🖼。這些數據經過整理和轉換後💇🏻，被納入報表系統中，以便員工通過不同模塊和維度進行數據查詢和展示。該報表系統在集團內部被稱為“管理駕駛艙”，是高層管理人員必備的工具，用於分析每周經營情況及指導決策👶🏼。

然而，由於數據量巨大🎎🚵🏿‍♀️、數據標準不一、對數據的理解因人而異，以及數據查詢需要編寫 SQL 代碼等原因，這個報表系統難免存在信息獲取不及時🫱🏽、未發掘重要信息，以及數據存在一定偏差等問題。

以一個問答為例[1]，具體區分 GPT 與傳統 AI♧：

問題💂🏽‍♂️：代表 AA 2023 年 1～5 月的計劃拜訪占比是多少？

要回答這個看似簡單的問題，需要對傳統的 BI 系統編程有一定的了解💯：

（1）要知道“AA ”是什麽工作職能（答案：是一個醫藥代表）。首先需要知道通過查詢哪張數據表來獲取相關信息，然後需要編寫 SQL 代碼查詢相關的數據表📗。

（2）要知道計劃拜訪占比的定義。目前，企業對該指標的定義是“在當前時間之前🥑，已經對同一名醫生進行過拜訪的次數占總拜訪次數的比例”。為了獲取這一答案，必須依賴技術人員的支持🚵🏻‍♂️。此外，在企業經營過程中，不斷優化指標體系是必要的👩🏽‍🌾🛫，因此相應的投入也將持續增加🐦‍⬛。

面對同樣的問題，通過 BI-GPT🏌🏼‍♂️，管理者無須依賴技術或數據團隊的中介，AI 可以直接為其提供答案。這一原理的關鍵在於 GPT 語言模型的訓練方法與傳統 AI 有顯著區別。傳統的 AI😿，如圖像識別🕛、視覺識別或自然語義識別🏌🏽，通常需要經過數據標註，即由專業開發團隊對數據進行分類、標記等處理🤛，然後基於標記後的數據訓練新的模型⛽️。然而🗯，GPT 語言模型具備一定的學習能力🧑🏼‍🎄，只需要操作人員編寫有效的提問（Prompt），描述數據特征和業務目標🛥，模型即可回答管理者的問題。

GPT 給 BI 升維

圖源👨🏿‍🎨：VEER

GPT 代表了人工智能領域的最新重大突破，能夠有效地應對企業主面臨的核心問題🫳🏼。通過 GPT 的快速分析和學習🤚🏽，企業可以實時🐼、迅速地整合來自多個來源的大量數據，將消費者的不同渠道觸點行為構建成標簽體系🫸🏻🍐，最終描繪出消費者的行為特征，從而實現數據與商業戰略的有機結合🤹🏻。隨著 GPT 的不斷進步⛹🏽‍♂️，企業主能夠更自主地運用自然語言與 AI 進行交流🏄🏻，跨越龐大而復雜的信息鴻溝。這也意味著在數據與實際業務融合的時代，數據已經成為新的語言和商業溝通媒介，由 AI 負責收集、分析和報告重要發現，為企業提供客觀🏊🏼‍♀️、無偏見和不受績效壓力影響的核心 BI 預測支持🕤🧑🏽‍🦳。

借助基於 GPT 技術的定製化 BI-GPT 服務⛷，業務人員可以迅速利用技術工具獲取和分析各種數據報告💷，無論是表格🤟🧑‍⚕️、柱狀圖還是折線圖🍌。經過專門訓練的 AI 能夠輕松理解業務規則，確定數據來源🥺，並將數千條業務規則和多個數據源錄入系統，使系統能夠支持各種數據查詢🙇🏻、跨表查詢以及不同的應用場景分析。

與此同時🤦🏽‍♀️，OpenAI 的 GPT 模型提供了標準化的接口功能，允許開發團隊根據企業的需求進行模型訓練🔶。這意味著 GPT 模型充當了企業員工的智能助手，使員工可以在未經特殊培訓或成為專家之前輕松使用 GPT 模型來處理各種工作任務🫐。企業可根據不同的應用場景定製 BI- GPT（利用 GPT 技術自動生成 BI）服務🤖，通過自然語言使機器理解業務🧑🏼‍💼，快速獲取和分析數據報表，從而顯著降低企業提煉重要信息的門檻。

企業主可以借助 AI 直接實時了解原始數據，包括運營細節、用戶行為和偏好🤌、行業概況以及競爭對手情況等信息。同時👩🏻‍🦼‍➡️，GPT 模型降低了企業主使用 AI 技術的門檻，只需用自然語言提問，即可隨時獲取所有數據和分析結果。一整套面向管理者的方法論和工程化流程，使管理者能夠享受經營的樂趣，具備操控和反饋的能力，實現自我學習和不斷提升👨‍👨‍👧。就像使用電力一樣，企業家只需將註意力集中在如何運用電力來生產更優質的產品和服務上🤏🏽，而無須擔心電力的來源和穩定性。

在GPT 的支持下🍬，進行BI 的訓練和測試只需使用上千條訓練樣本🤙🏻🤫，就能夠實現 95% 的準確率。而且，通過不斷的優化和更新，準確率還可以進一步提升。例如🎓，企業主只需直接提出問題：過去 7 天銷量最高的三個渠道是哪些📴？就能即時獲取天貓、京東和線下這三個購買渠道的數據🙏🏼。這顯著提高了數據查詢的效率和準確性，同時為企業提供了直觀的數據支持，使他們能夠獲得最明確的答案🤽🏻。

然而，在利用 GPT 進行管理決策的同時，我們也需要權衡和管理一系列問題。企業高層更容易接近運營數據是否會直接影響企業的組織結構和人員需求🙇？員工的激勵機製和績效考核是否會受到影響👌🥅？不同企業和行業可能會有不同的應對方式💖，但科技的發展通常是一種不可逆轉的趨勢。因此，無論是企業高層還是基層員工😔，都需要思考未來可能的影響並做好準備🏌🏽‍♂️。

註釋：

[1] 案例來自上海嗨普智能（HYPERS，INC.），中國最早研發企業級 AI 和大數據的團隊之一，是依托多模態人工智能與大數據融合的計算平臺🏥，幫助企業提煉用戶數據資產🥏，提高決策效力🫰，其核心系統服務於包括歐萊雅、耐克💷、華為、工商銀行🏣、西安楊森、蘋果等 50 家以上頭部客戶及近 200 家頭部和腰部客戶，每天支撐超過 10 億用戶計算和幾千億元年營業額的商業決策🧔🏼。

*本文僅代表作者個人觀點，僅供讀者參考，並不作為投資🐯、會計、法律或稅務等領域建議🌱🏤。編輯：葛雯瑄🍖👰‍♀️。