人工智能负责处理信息，5G负责分享信息，它们的结合不仅仅是计算机与数据网络技术结合的延展，更是一次革命性的升级，它将人与人、人与物、人与服务的连接变成了万物之间的连接，也就是说，在上一代连接的基础上，增加了物与物以及物与服务的连接。从这个角度来重新审视下一代的智能服务与营销平台，就可以有一个比较清晰的认知，下一代一定是基于物联网和人工智能的，它除了连接人与人、人与服务以外，还必须有物与物、物与服务的连接，它是可以直接由“物”本身发起服务请求与营销推荐的系统。

▲物联网时代的智能服务与营销平台架构图

　　尽管5G已经到来，但是物联网尚未全面启动。现在所说的新一代还没有办法包含太多物联网的元素，我们可以将未来的基于物联网的平台定义为“下一代”，将现在可以马上实现的定义为“新一代”，那么新一代和上一代相比，到底有哪些革命性的突破呢？

　　为了回答这个问题，我们首先对上一代的智能服务与营销平台下一个定义。在第三章，我们将智能服务与营销平台分为三个阶段，基于软交换并且具备了一定智能化能力和互联网联络能力的联络平台称为第2.5代电话联络平台，在这个基础上增加服务与营销的业务就构成了一个服务与营销平台。这个平台的核心是CTI系统，CTI系统负责路由。所谓的路由，在服务场景就是对应客户的服务请求为其配置合理的服务资源，在营销场景就是为销售分配合适的客户。第2.5代电话联络平台还没有将电话渠道与互联网渠道的路由统一起来，多渠道全媒体的统一路由是新一代所要求的一个重要功能，也是新一代有别于上一代联络中心的一个重要特征。传统的路由是基于规则的，规则的设定只能根据几个有限的条件，而不可能将所有的条件都考虑进去；在业务目标的指导下给出一个最好的路由预测，而这恰恰是人工智能最擅长的。

　　服务与营销平台的核心是路由，新一代就是对这个核心进行升级，将基于规则的路由分配用人工智能最为擅长的预测能力替代，将规则路由升级成为预测式路由。从这个角度来看，新一代就是智能化，这里所说的智能化的核心是以业务目标为基础，基于人工智能的预测式路由、多渠道与全媒体只是智能化在实现业务目标过程中的通道而已。当然，人工智能在新一代中还有另外一个重要的使命，就是通过知识的分享，提高服务与营销的效率。

　　任何企业的应用系统都是为企业目标服务的，这个目标可以是企业的使命、企业的愿景、企业的战略或短期内的小目标。服务与营销平台更是如此，如果我们将服务也看成是一种营销行为的话，那么这个系统就是为了实现企业的营销目标。本书开头“有机的企业”一章，引用了彼得·德鲁克对企业职能的描述，其中一个重要职能就是创造顾客，营销就是一个创造顾客的过程，服务也是营销。按照这个定义，所有的企业战略必须具备营销的目标，而预测式路由就是为服务与营销的业务目标服务的。

　　企业的所有行为和资源都是为创新和营销服务的，让营销的效率最大化是服务与营销平台的目标，也是企业的核心目标。要达到这个目标，就要找到产品、客户、市场、销售人员之间的匹配关系，进而优化产品设计，更精准地进行市场与广告活动的投放，通过培训或招募来提升销售人员的销售技能，然后通过营销结果的反馈对这个匹配模型进行持续优化。

　　这个日益优化的匹配模型就会成为企业营销的金钥匙，谁先找到它，谁就能够成为领跑者，并一骑绝尘。然而，这是一个非常复杂的网状关系，产品的特征与元素众多、客户与销售人员的标签层出不穷、市场投入方向千变万化，这其中可能涉及成千上万个变量，如果用基于规则的模型穷尽，则几无可能。

　　以服务与营销领域的一个核心问题———客户流失的预测模型为例，看一下技术是如何服务于这个经典业务难题的。对许多企业来说，获取客户往往代价很高，故此，客户流失带来的损失很大。一旦获得了客户，企业就会通过减少流失率来充分利用获取成本。在保险、金融、电信等服务行业，控制客户流失大概也是最重要的营销活动。减少客户流失，需要先识别出有流失风险的客户，预测技术能很好地完成这一任务。

　　历史上，预测客户流失的核心方法是一种被称为“回归”的统计技术。有一些研究聚焦于改进回归技术，研究人员在学术期刊和实践中提出并检验了数百种不同的回归方法，回归就是根据过去发生事件的平均值来寻找一种预测。在机器学习之前，多元回归提供了一种处理多种条件的有效方法，而且无需计算数十、数百甚至数千种不同条件下的平均值。回归运用数据去尝试找到那个将预测失误最小化、“拟合优度”最大化的结果；回归将预测的平均失误控制到了最低限度，对待大失误比对待小失误更加严厉。这是一种强大的方法，尤其是当数据集相对较小，能很好地感知什么因素对数据有用的时候。除此之外，回归模型渴望产生无偏差的结果，所以，要是预测得足够多，这些预测就平均概率而言是完全正确的。虽然我们喜欢无偏差的预测多过有偏差的预测（比如系统性地高估或低估一个值），但无偏差的预测也并非完美。因为准确无比的平均值可能在实际中每次都出错。

　　为了调整这种由于统计算法本身所产生的大的偏差，在实际的企业客户流失预测模型的设计中，会由经验丰富的业务专家主导，根据经验与自己的判断来调节优化模型，清除模型中明显的错误因子，并加上主观有效因子。这种做法往往能够得到很好的效果，但是由于它对专家有很强的依赖度，一旦专家发生错误，模型可靠度就会受到质疑，并且在无数个可能的变量中，专家也受限于自身经验和主观因素。

　　这一问题在人工智能应用之前几乎是无解的，所以优秀的“客户流失模型”管理必须依赖优秀的专家。解决这一问题的最佳做法是通过人工智能，应用其强大的计算能力以及基于神经网络的算法学习能力。与回归不同，机器学习的预测可能平均起来是错误的，但当预测失误的时候，它并不会失误太多。按统计学家的说法，允许偏差，以求减少方差。机器学习和回归分析之间一个重要的区别是新技术的开发方式，发明一种新的机器学习方法时还需证明它在实践中能运作得更好；相反，发明一种新的回归方法，首先要证明它在理论上是有效的。强调实践效果，给了机器学习创新者更多的实验空间，哪怕他们的方法生成的估计结果平均来看不正确或存在偏差。在这种自由实验的推动下，机器学习借助过去10年的丰富数据和高速计算机实现了快速的进步。

　　然而，从20世纪90年代末期到21世纪初期，那些利用机器学习预测顾客流失的实验仅取得了有限的成功。虽然机器学习的方法有了稳定的进步，但回归的方法依然表现得更好。数据仍然不够丰富，计算机的速度也不够快，无法使其利用机器学习做事情。2016年，一切都改变了。使用机器学习和神经网络深度学习来预测流失的模型整体比其他所有方法表现得都好。是什么发生了改变呢？首先是数据和计算机终于足够好，让机器学习占了上风。20世纪90年代，建立足够大的数据库很难。比方说，一套经典的流失预测研究只使用了650个客户的数据，不到30个变量。

　　2004年，计算机的处理和存储都有了进步。机器学习方法逐渐能跟回归一较高下了。如今，研究人员根据数千个变量和数百万客户展开流失预测。计算能力的提高意味着可以处理大量的数据，除了数字，还包括文本和图像。例如，在移动电话流失模型中，研究人员除了使用标准变量（如账单额度大小和支付准时性）之外，还调用了通话记录数据（以小时为单位）。

　　利用可用数据，机器学习方法也变得更好了。成功的关键因素是，如何从数百个可用变量中进行选择，以及选择使用哪一种统计模型。当时最好的方法，不管是机器学习还是经典的回归，都通过结合直觉与统计检定来选择变量和模型。现在，机器学习方法（尤其是深度学习方法）允许模型具备灵活性，这意味着变量彼此之间可以按照意想不到的方式相结合。在开始计费的月初就积累了大量通话时间、高额电话账单的人比到月末才累积大量通话时间的人流失的可能性更低。此外，周末异地通话、付费时间迟、大量发短信的人尤其容易流失。这样的结合难以预料，但对预测有极大的帮助。由于难以预料，建模人员在使用标准的回归模型进行预测时，无法将这些结合后的信息包含在内。机器学习把一些结合与交汇事关重要的选择权交给了机器，而不是程序员。机器学习深度方法的改进，意味着可以有效地将可用数据转化为对客户流失的准确预测。现在，机器学习方法明显优于回归和其他各种技术。

　　回到营销领域中产品、客户、市场与销售人员之间的模型建立与优化，会发现其需要的变量远远大于客户流失模型，而且这些职能几乎隶属于企业的所有部门。在人工智能得以广泛应用以前，没有企业会去尝试建立这一模型，企业的营销决策基本掌握在其核心管理层，不可能通过模型进行企业管理。

　　现在我们有了机器学习这一预测技术，就有可能找到企业的最优营销模型。当然，它和所有的人工智能应用一样，需要数据、训练、反馈与持续的优化。

　　先来看数据，对于这样一个复杂的机器学习模型来说，建立模型的数据很重要，这些数据包括客户画像数据、销售画像、产品的各类数据（如定价、定位等），它们都会成为模型中的变量，参与到模型的建设中。

　　训练数据可以是历史数据，其中包含营销流程所需要的变量与目标结果。机器学习可以通过历史数据训练找到初始算法模型，这个初始算法模型的优劣取决于预测算法、变量的详尽程度以及目标结果的准确度。经过历史数据训练过的模型就可以上线使用，当然，为了确保使用预测算法后的业务目标不低于基于规则的路由方式，可以用人工智能与规则并行，同时采用人工核对优化的方式进行模型优化。上线后的模型就可以在实际的环境中持续优化改进，以提升业务价值与业务目标。

　　智能服务与营销平台是这种预测式技术最好的落地场景，因为其工作的过程中贯穿了客户服务请求、服务与产品的推荐等流程，同时也可以方便地建立与优化客户画像、销售画像与产品画像。从系统与解决方案层面要做的升级，就是将原有的基于规则的路由升级成基于人工智能的预测式路由，再进行用户画像、员工画像与产品画像的建设与持续丰富。

　　拥有了基于人工智能的预测式路由能力的智能服务与营销平台，才称得上是新一代的智能服务与营销平台。这个预测式路由能力，用在客户服务上是基于服务目标的智能匹配，用在营销上就是基于营销目标的智能推荐。

　　服务目标可以是客户最高满意度、最高销售转化效率、最低服务代价，或多个服务目标的加权排序。有了服务目标以后，所有的预测行为都以目标最大化为出发点。

　　现在我们看到基于业务目标的智能匹配服务流程是这样的：我们假设某企业的客户服务目标权重次序是客户满意度40％，服务效率30％，销售转化率30％。

　　顾客带着自己的画像进入企业的服务门户来获取服务请求，智能门户经过预判识别出了客户的服务意图，并针对三个服务目标的权重进行比对，根据计算结果，将客户的服务请求转到了智能服务机器人，因为此时的客户满意度与转化率的指标都无从判别，而智能机器人比人工的服务效率更高这一点是毋庸置疑的。

　　但是在机器人服务的过程中，发现机器人的置信度不够，会出现客户满意度风险，这时必须将服务请求转到人工，而转接哪一个座席也必须符合服务目标的要求。让客户画像、员工画像在服务目标下进行匹配，而这个匹配过程所形成的模型是可以用历史数据进行训练、在服务过程中进行动态优化的。

▲基于服务目标的智能匹配架构图

　　预测应用于服务是为了提升服务目标，同样，预测应用于营销也是为了提升营销目标。如果我们将服务与资源称为匹配的话，营销就是一个推荐过程。

　　当下，人工智能的发展让推荐无处不在，我们所读的新闻、搜索广告、微视频、电商商品全部来自人工智能的推荐算法，它们的目标都是营销。算法所依据的是商家所收集的客户行为数据，将数据处理后抽象出客户画像，然后推荐匹配的信息或商品。

▲基于营销目标的智能推荐示意图

▲基于营销目标的智能推荐架构图

　　基于营销目标的智能推荐是为了找到商品与客户、客户与市场活动、客户与销售、营销过程与话术的对应关系，从而实现营销目标的最大化。智能推荐需要的基础数据是客户画像、员工（销售）画像、商品画像等，需要的训练数据是历史数据，进而建立推荐模型，再在营销过程中动态优化。

　　企业的产品与员工是其最为重要的资源，通过创新来迭代产品以顺应市场需求；通过人力升级，不断优化人力资源，这些都是企业成功的基本要素。智能服务与营销平台连接着产品、客户、员工，如果人工智能的预测匹配与推荐充分发挥作用，就可以在产品画像、客户画像与员工画像之间找到最优化的匹配模型，一切以企业终极的业务目标为导向。

　　模型的参数是产品画像信息、客户画像信息与员工画像信息，通过参数的调节就可以发现它们对业务目标的量化影响。也就是说，可以通过人工智能的预测模型反向找到更加符合业务目标的匹配关系，这些匹配关系包含以下几个部分：

　　▲产品的设计与定价如何改变才能适应目标客户群；

　　▲哪种类型的员工技能图谱更能够提升客户满意度或获得更好的销售业绩；

　　▲怎样的市场投放能更有效地找到目标客户群；

　　▲与产品所对应的目标客户群扩展。

　　这些问题都是企业的核心问题，如果能够找到答案，就破解了企业的营销密码，可以用来指导人力资源部的员工招聘、员工技能提升计划；可以指导、优化产品设计，定义产品价格；可以指导市场部门进行精准市场投放，成为打开企业成功之门的金钥匙，这才是服务与营销中人工智能应用的最核心的驱动力。

　　人工智能的应用是一个养成过程，其间离不开大量的人工训练与调优操作，对目标的精准定义，各个维度的客户、产品、员工数据的收集，最终才生成精准画像。这个过程不会一蹴而就，相反，在开始的时候由于数据的准确性或积累量的缺失，模型算法的不成熟，会达不到基于规则的应用，甚至会影响到客户满意度与销售业绩。如果不继续坚持优化与数据的丰富，必定是个失败的项目。然而，一旦突破了原有基于规则的临界点，人工智能的价值就会爆破性增长，随着数据积累的丰富与算法的进一步优化，极易出现赢家通吃的局面。当然，新的挑战也可以用更为领先的算法来获得更强的竞争力，但是有一点是肯定的，成功者一定是那些掌握了金钥匙的人，而这把金钥匙，一定是以人工智能技术为基础铸造而成。

　　知识图谱就是把所有不同种类的信息连接在一起而得到的一个关系网络。建设一个知识图谱系统，需要包括：知识建模、知识获取、知识融合、知识存储和知识应用五大部分：

　　▲知识建模：构建多层级知识体系，将抽象的知识、属性、关联关系等信息，进行定义、组织、管理，转化成现实的数据库。

　　▲知识获取：将不同来源、不同结构的数据转化成图谱数据，包括结构化数据、半结构化数据（解析）、知识标引、知识推理等，保障数据的有效性和完整性。

　　▲知识融合：将多个来源、重复的知识信息进行融合，包括融合计算、融合计算引擎、手动操作融合等。

　　▲知识存储：根据业务场景提供合理的知识存储方案，存储方案具备灵活、多样化、可拓展特性。

　　▲知识应用：为已构建知识图谱提供图谱检索、知识计算、图谱可视化等分析与应用能力。并提供各类知识计算的ＳＤＫ（软件开发工具包），包含图谱基础应用类、图谱结构分析类、图谱语义应用类、自然语言处理类、图谱数据获取类、图谱统计类、数据集获取类、数据集统计类。

　　企业信息库所谓的机器人服务与机器人营销，其实就是一个知识分享的过程。NLP（自然语义理解）解决的是“听得懂”的问题，也就是说，机器人所能回答的所有问题都已经通过人工维护到知识库中，机器人所要做的唯一一件事情就是理解客户的问题，并从知识库中提取正确的答案推送给客户。这样的机器人是不具备推理、计算和总结能力的。从目前的技术发展来看，人工智能是不可能具备思考能力的，这个能力还会由人类来承担，这也许就是未来人类最为独特的价值。

　　知识图谱就是将知识通过属性和标签连接起来，由原来的知识点变成知识面，由一维变成二维。增加了一个维度后，知识与知识之间就具备了关联性，有了关联性以后就可以进行推理、计算和总结，知识越多，从中获得的信息也就会越多，于是知识库就变成了企业的信息库，成为企业重要的资源。

　　如果我们将一个企业类比成一个人的话，由知识图谱所构成的信息库就是这个人所拥有的知识，基于业务目标的推荐与匹配就是这个人的决策机制，而客户画像、员工画像、产品画像等就是人的决策依据。这些信息和算法模型就构成了人的大脑。也就是说，被人工智能赋能过的企业，除了拥有人类管理团队的智慧以外，还会在运营的过程中生长出一个人工智能大脑。这个人工智能大脑擅长预测，而人类管理者则擅长思考与决策，人工智能的预测结果则是人类管理者最好的决策依据，这样就可以在更高层面形成企业管理的人机耦合。

　　人工智能擅长在大数据量的训练下寻找预测模型，而且这个模型一旦建立完成，就可以持续地为企业提供服务，并在服务的过程中不断优化。优秀的人类决策团队擅长在小数据样本的情况下进行抽象，但是所抽象的模型会因为个体的不同而南辕北辙。人工智能会严格地按照算法模型与预先设定的参数与业务目标去执行，而人类在执行过程中可能会受到身体状态、情感、道德观等影响。遇到明显的预测结果错误时，人工智能并不自知，而人类则会通过思考来回避明显的逻辑错误。

　　在引进人工智能之前，企业的治理金字塔架构是决策、管理与执行，管理层是公司的中间层，起着承上启下的作用。向下传递决策者的战略规划，并细化可执行的目标，引导执行者完成关键的结果；向上提供决策信息，补充决策依据。

▲传统的企业治理金字塔架构图

　　企业引进人工智能以后，中间层就会变成由人工智能的预测算法模型为核心的企业大脑与人类管理者的耦合。人工智能所预测的算法模型经过人类管理者的审核，所需要的主观参数也由人类设定，人工智能的大脑自动推荐与匹配，转由人工智能自动执行任务，或路由给人工执行。遇到人工智能置信度不够或没有足量训练的场景，人工智能会将管理任务交给人类管理者，由后者决定或是升级到决策层决定，这类情况会主要集中在一些突发事件或是关键的管理任务处理。金字塔顶部的决策层则会得到由人工智能大脑所收集的信息与决策依据，也可以是由人类管理者经过过滤与处理过的信息。而执行层也会是由人机耦合来实现，执行层的人工智能是预测算法的另一种表现形式，如NLP、知识图谱等。

 

▲人工智能时代的企业治理结构图

　　本书一开篇就提到过将客户和企业的接触点称为企业的触点。触点多种多样，传统的触点是企业的经营场所、平面广告、视频广告、线下的市场活动等，互联网为企业增加了更多的触点，如官网、APP、公众号、搜索引擎、第三方网站、第三方APP、小程序等。企业市场部的目标就是最大可能地增加有效触点并扩大其分布，有效触点越多，意味着企业的产品与形象越容易被目标客户感知。然而，什么样的触点才是有效触点呢？

　　有效触点是可能被客户关注并形成转化的触点，客户会联系企业、直接购买、添加有效信息，转化为企业私域流量。传统的触点是单向的，不具备记录能力，无法量化有效性，互联网触点可以通过对客户的点击、关注、信息留存等进行记录，但却缺乏与客户之间互动的能力，也不能进行主动的智能服务与营销。

　　将触点赋能成为触角触点赋能就是在触点上增加交互能力和千人千面的展现能力。如果事先获得触点群体的画像，就可以根据画像由企业大脑进行触点信息匹配，所谓的触点信息匹配就是向不同的客户群体推送适合的信息。触点上的交互能力就是联络入口，客户通过触点获得信息，通过交互与触点进行互动，需要营销机器人与客户交流，根据客户提供的信息进行产品与服务的推荐，并自动完成相关的服务与营销流程。如果发现营销机会或是识别出高端客户，则将交互转接到人工，由人工进行进一步的服务与营销。这种被赋能过的触点就成为了触角，这个触角受控于企业大脑，成为企业有机体的一部分。

　　控于企业大脑，成为企业有机体的一部分。线下的传统触点则可以通过二维码或ＮＦＳ（网络文件系统）等作为入口方式进入小程序、公众号、APP等，进而获得触点上的赋能。

　　触点赋能是赋予触点服务与营销的能力，这种能力体现在机器人服务、精准营销、多媒体联络、社交互动等方面。目前的主流展现形式为静态网页、ＩＭ联络、语音通信等，入口主要是公众号、小程序、APP与电话。APP是一个非常适合的触点入口，它能够以各种形式体现触点能力。然而，企业APP很难做成高频应用，所以目前几乎所有的触点都会采用公众号作为入口，其优点是简洁、易于维护、搭建方便，缺点则是表现形式过于简单，联络能力不够。最好的入口，目前看来应该是小程序或是小程序与公众号结合的模式，这样就可以通过触点将智能服务与营销的后台能力全部发挥出来，让触点成为真正的触角。

　　5G时代的高带宽、低延迟特点让触点的能力得到进一步发挥。可以肯定的是，以下表现形式一定会在5G时代成为主流。

　　高清短视频短视频展示与短视频社交是４Ｇ的产物，5G时代将进一步放大视频展示的优势，而制作精良的高清视频将成为企业触点展示的主流形式。

　　视频联络视频联络在视频核身、风控、信息传递方面有语音通信不可比拟的优势，在5G时代，视频联络的体验将得到进一步提升，高清视频联络、实时微表情检测等技术的应用会成为触点联络的主流。

　　虚拟现实高带宽意味着3D通信技术的应用成为可能，具备真实体验场景的虚拟现实如果得到应用，就可以模拟出更多的线下应用，在增强客户体验的同时，让联络发挥更大的价值。

　　新一代服务与营销平台的核心是基于人工智能的预测式路由，预测式路由用在服务上就是基于服务目标的智能匹配，用在营销上就是基于营销目标的智能推荐。预测式路由将在客户画像、员工画像、商品画像以及服务指标、营销指标等数据的训练下，提炼出企业资源与营销目标之间的最佳匹配模型，企业管理者与决策者通过这个模型给出的建议，可以进一步优化企业的人力资源、产品设计与市场投放等，让营销与创新具备更高的效率。

　　知识图谱将企业中的知识连接起来，形成二维的企业信息库，预测式路由所提炼的企业算法模型加上企业信息库就成为企业大脑，企业大脑和企业管理者一起运营企业，并通过人机耦合的方式向决策者提供决策建议与决策依据，推动企业不断进步。

　　用企业大脑为触点赋能，就能够将单向的触点变成具备联络能力与智能化能力的触角，企业触角的有效延展就是企业运营规模不断放大的过程。5G时代将进一步加强触角的联络能力，高清视频联络将成为主流的联络应用，而基于虚拟现实的3D联络或许也会成为5G时代的爆点应用。

　　企业的大脑与触角构成了有机的企业，这个有机的企业就是新一代服务与营销平台的最好载体，也是新一代平台的终极目标。