2017年6月，艾瑞咨询发布了2017中国商业智能行业研究报告，报告聚焦于人工智能技术如何用于商业的智能决策，实现商业经营的智能化与自动化。为方便阅读，本文提取关键内容对该报告进行了简单梳理。
商业智能的概念
商业智能（BI, Business Intelligence）：把企业中现有数据转化为知识，帮助企业做出明智的业务经营决策的工具。
BI与大数据
1、大数据为BI的发展提供土壤，但需要建立通用的标准。
2、从数据驱动认知到数据驱动决策
BI商业图谱
BI应用场景
商业智能主要应用于金融、电商、物流、出行等领域。AI可以分为赋予机器语音、图像等感知能力的感知智能和赋予机器思考能力的认知、决策智能。认知能提升感知（如对语义的理解判断将提升机器的语音识别率），感知也会辅助决策（如智慧商超中机器视觉对客流属性、消费行为的观察、记录可辅助商超做出营销决策）。
1、广告营销：精准营销负责引流获客，个性化推荐促活留存 商业智能在广告营销领域的主要应用为精准营销与个性化推荐，两者均通过用户数据，对用户贴标签，并基于产品特征与投放需求，建立不同的决策模型进行营销；两者最大的不同在于，精准营销用于引流获客阶段，以短信或优惠券的方式进行营销，提升响应率，优化企业运营；个性化推荐用于留存促活阶段，使得消费者在最合适的时间，以最恰当的方式，获得最合意的产品、资讯以及服务的推荐。
2、电商：收益管理 商业智能在电商领域的主要应用为商品组合、定价策略、促销管理等多方面的优化，可归结为收益管理，即指在适当的时间和地点下，以合适的价格向不同的用户提供最恰当的服务或产品，以实现资源约束下，企业收益最大化的目标。
商业智能的定价方案可通过对交易数据、行为数据、竞争数据等多维度数据的整合分析，找到不同场景下的最优定价和销售策略，以差异化定价、动态定价、组合定价等方式对传统批量定价进行优化；促销管理的实施办法是通过挖掘促销规律，基于促销规律与敏感度对商品进行分类，并结合市场发展与企业目标建立促销优化模型，确定促销方式，在不增加流量投入的前提下提升销售收入。
3、交通出行：通过人工智能+运筹学，最小化路程与出行时间 路径优化是指如何找到从出发地到达目的地之间最短时间、最优价格的最短路径；订单分配研究的是供需匹配问题，结合多维度影响因素（例如路途距离、路况、骑手骑行速度、需求时间段等）匹配需求和供给；另外，除路径优化与订单分配外，电商领域中提到的定价优化也应用于交通出行，例如网约车定价，但与电商不同的是，网约车因其需求的及时性要求较强，账号共享性弱，使其拥有更大的个性化定价空间。
路径优化可理解为寻求由起点出发，通过所有给定需求点后再回到原点的最短路径问题，路径优化诞生于TSP问题（Traveling SalesmanProblem，旅行销售员问题），即访问除原出发结点以外的每个节点一次且仅一次，应用场景例如拼车实时路线规划、某些货物需在某一时间段送到（时间窗口）。 订单分配可理解为供需匹配问题，供需匹配可分为静态匹配与动态匹配，静态匹配即有n个需求，n个供给，每一个供给只能满足一个需求，每一个需求也只需要一个供给，应用场景例如物流追踪、车辆与乘客静态匹配等；当匹配双方并非事先确定时，则为动态匹配问题，动态匹配的本质在于优化结合随机建模，当匹配的一端实时产生时，以优化模型决定如何匹配能够达到最大价值，应用场景例如网约车随时产生的乘客与车辆匹配。
4、供应链通过大数据与优化技术提升供应链系统效率与柔性 物流系统分为多层，包括入库前的仓库地址选择、入库时的策略以及销售预测、入库后的库存优化、仓储优化、清仓以及出库时货运分配、配送路线规划等。其中，仓库的选择和物流的配送是供应链管理的核心，在某地区开展新业务时，如何设定枢纽的数量、枢纽位置等对最终运送的成本有着很大的影响；配送路线规划涉及到我们在交通出行领域中谈到的路径优化与车辆调度问题，通过结合实时需求、时间窗口、承重限制等因素，对送货路线进行制定，最小化成本与时间，实现物流智能化高效运营。
5、金融风控：利用数据与技术，提高风控准确率，布局全流程风控 金融的本质在于给风险定价，对于风险及时且有效的识别、预警、防控一直是金融机构的核心。金融风控强调数据与技术，智能风控企业结合高维度的大数据，利用决策树、神经网络等机器学习技术，针对信贷评级、授信、贷后预警，反欺诈等场景提供解决方案，传统金融机构由过去的以经验或小量数据对风险进行把控，到现在以大数据及技术进行风控，实现金融风控升级。但同时，精细化运营全覆盖也是风控市场需考虑的关键点，即从系统的第一层出发，做全流程的金融风控，识别真正符合金融产品的优质客户，当潜在用户的信用存在风险时，应从营销端就避免引入此类风险用户。
6、投研分析：人机协作，助力投研分析质效提升 商业智能在投研分析中的应用可与食材料理类比，将原始数据比喻成料理中的原料A，A被清洗择选后成为可用烹饪原料B，参考不同料理食谱，对B进行制作，最终生成佳肴，映射于投研分析领域中，清洗择选方法包括去重、数据排序、实体发现、实体关联、领域知识图谱等，食谱即不同算法与模型，最终生成可视化投研报告。与人工分析生成的报告不同，机器人报告最大的优势在于生成快、可以清晰明了的将大量数据进行罗列呈现；智能机器的效率相对高，但目前仍缺少创造性，在投研分析领域，机器人与分析师的协同合作将提升分析质量与效率。
7、智能投顾：自动化程度逐步提高，AI+投顾新模式将用户资金自动对接 智能投顾，顾名思义即人工智能+投资顾问。传统的投资顾问相当于私人银行中的客户经理通过与客户的深度沟通，结合客户个人的风险偏好和理财目标，传达给后台技术人员制定理财配置模型，再由客户经理将此方案给到客户；智能投顾可被理解为将私人银行的后台标准服务线上化。相比传统投顾，智能投顾拥有可简化流程、适合全民理财、可定制短/中/长多周期投资方案、可进行风险预警等优势，同时也面临客户对机器的弱信任感问题、现阶段政策以及所需客户财务状况全面性等限制与挑战。
8、智能客服：由人力密集型向人机混合模式升级 传统客服业是典型的人力密集型，在商业智能时代，传统客服由人力密集向人工+机器智能升级，通过电话客服、网上客服、App、短信、微信以及智能机器人终端等产品与客户进行语音或文本的互动交流，理解客户业务需求，语音回复客户提出的业务咨询，并根据客户语音导航至指定业务模块，大大优化了客服咨询效率。智能客服目前的成熟应用主要在售后阶段，以重复性问题标准化回答为主，未来智能客服业的应用将继续升级，由现在的“以问题为中心”转变为“以用户为中心”的智能语音助理，由现在服务于企业/商家的机器人转变为服务于每一个用户。
BI的挑战与未来
1、从强调单一技术，到各领域融会贯通 在大数据的背景下，商业场景中任一问题的解决，往往是多学科思想的交融，而非对单一方法的依赖。如何让各算法相遇相融并在不大幅降低效率的前提下提升通用性，仍是一个非常复杂但值得探索的难题。
2、技术以外，对场景的理解是产业升级的关键 对具体业务场景的理解与对实际问题的界定，与采用何种模型、算法同等重要，前者在很大程度上决定了后者是否能够有效降低企业运营成本或者帮助相关业务增加收入，这是技术能够落地、产业得以升级的关键。在运用技术解决某个问题之前，绝不应先入为主地认定要是用某个具体的机器学习算法，而应首先对业务场景加以分析，抓住核心问题要素，这是做出最优技术选择的前提。
3、智能的落地是一项系统工程，企业的工程实践能力有待增强 商业智能业务应用的落地需要建立在完善的数据整合、管理之上，再由相应的算法、模型基于高效的计算框架将数据转化为可视化的业务规律，进一步驱动或直接生成企业决策，因此商业智能是一项系统工程，算法设计、架构搭建、系统配合、流程控制、质量监督、危机处理等缺一不可，项目工程经验非常重要。
