人工智能負責處理信息，5G負責分享信息，它們的結合不僅僅是計算機與數據網絡技術結合的延展，更是一次革命性的升級，它將人與人、人與物、人與服務的連接變成了萬物之間的連接，也就是說，在上一代連接的基礎上，增加了物與物以及物與服務的連接。從這個角度來重新審視下一代的智能服務與營銷平臺，就可以有一個比較清晰的認知，下一代一定是基于物聯網和人工智能的，它除了連接人與人、人與服務以外，還必須有物與物、物與服務的連接，它是可以直接由物本身發起服務請求與營銷推薦的系統。
▲物聯網時代的智能服務與營銷平臺架構圖
盡管5G已經到來，但是物聯網尚未全面啟動。現在所說的新一代還沒有辦法包含太多物聯網的元素，我們可以將未來的基于物聯網的平臺定義為下一代，將現在可以馬上實現的定義為新一代，那么新一代和上一代相比，到底有哪些革命性的突破呢？
為了回答這個問題，我們首先對上一代的智能服務與營銷平臺下一個定義。在第三章，我們將智能服務與營銷平臺分為三個階段，基于軟交換并且具備了一定智能化能力和互聯網聯絡能力的聯絡平臺稱為第2.5代電話聯絡平臺，在這個基礎上增加服務與營銷的業務就構成了一個服務與營銷平臺。這個平臺的核心是CTI系統，CTI系統負責路由。所謂的路由，在服務場景就是對應客戶的服務請求為其配置合理的服務資源，在營銷場景就是為銷售分配合適的客戶。第2.5代電話聯絡平臺還沒有將電話渠道與互聯網渠道的路由統一起來，多渠道全媒體的統一路由是新一代所要求的一個重要功能，也是新一代有別于上一代聯絡中心的一個重要特征。傳統的路由是基于規則的，規則的設定只能根據幾個有限的條件，而不可能將所有的條件都考慮進去；在業務目標的指導下給出一個最好的路由預測，而這恰恰是人工智能最擅長的。
服務與營銷平臺的核心是路由，新一代就是對這個核心進行升級，將基于規則的路由分配用人工智能最為擅長的預測能力替代，將規則路由升級成為預測式路由。從這個角度來看，新一代就是智能化，這里所說的智能化的核心是以業務目標為基礎，基于人工智能的預測式路由、多渠道與全媒體只是智能化在實現業務目標過程中的通道而已。當然，人工智能在新一代中還有另外一個重要的使命，就是通過知識的分享，提高服務與營銷的效率。
基于服務目標的智能匹配
任何企業的應用系統都是為企業目標服務的，這個目標可以是企業的使命、企業的愿景、企業的戰略或短期內的小目標。服務與營銷平臺更是如此，如果我們將服務也看成是一種營銷行為的話，那么這個系統就是為了實現企業的營銷目標。本書開頭有機的企業一章，引用了彼得·德魯克對企業職能的描述，其中一個重要職能就是創造顧客，營銷就是一個創造顧客的過程，服務也是營銷。按照這個定義，所有的企業戰略必須具備營銷的目標，而預測式路由就是為服務與營銷的業務目標服務的。
企業的所有行為和資源都是為創新和營銷服務的，讓營銷的效率最大化是服務與營銷平臺的目標，也是企業的核心目標。要達到這個目標，就要找到產品、客戶、市場、銷售人員之間的匹配關系，進而優化產品設計，更精準地進行市場與廣告活動的投放，通過培訓或招募來提升銷售人員的銷售技能，然后通過營銷結果的反饋對這個匹配模型進行持續優化。
這個日益優化的匹配模型就會成為企業營銷的金鑰匙，誰先找到它，誰就能夠成為領跑者，并一騎絕塵。然而，這是一個非常復雜的網狀關系，產品的特征與元素眾多、客戶與銷售人員的標簽層出不窮、市場投入方向千變萬化，這其中可能涉及成千上萬個變量，如果用基于規則的模型窮盡，則幾無可能。
以服務與營銷領域的一個核心問題———客戶流失的預測模型為例，看一下技術是如何服務于這個經典業務難題的。對許多企業來說，獲取客戶往往代價很高，故此，客戶流失帶來的損失很大。一旦獲得了客戶，企業就會通過減少流失率來充分利用獲取成本。在保險、金融、電信等服務行業，控制客戶流失大概也是最重要的營銷活動。減少客戶流失，需要先識別出有流失風險的客戶，預測技術能很好地完成這一任務。
歷史上，預測客戶流失的核心方法是一種被稱為回歸的統計技術。有一些研究聚焦于改進回歸技術，研究人員在學術期刊和實踐中提出并檢驗了數百種不同的回歸方法，回歸就是根據過去發生事件的平均值來尋找一種預測。在機器學習之前，多元回歸提供了一種處理多種條件的有效方法，而且無需計算數十、數百甚至數千種不同條件下的平均值。回歸運用數據去嘗試找到那個將預測失誤最小化、擬合優度最大化的結果；回歸將預測的平均失誤控制到了最低限度，對待大失誤比對待小失誤更加嚴厲。這是一種強大的方法，尤其是當數據集相對較小，能很好地感知什么因素對數據有用的時候。除此之外，回歸模型渴望產生無偏差的結果，所以，要是預測得足夠多，這些預測就平均概率而言是完全正確的。雖然我們喜歡無偏差的預測多過有偏差的預測（比如系統性地高估或低估一個值），但無偏差的預測也并非完美。因為準確無比的平均值可能在實際中每次都出錯。
為了調整這種由于統計算法本身所產生的大的偏差，在實際的企業客戶流失預測模型的設計中，會由經驗豐富的業務專家主導，根據經驗與自己的判斷來調節優化模型，清除模型中明顯的錯誤因子，并加上主觀有效因子。這種做法往往能夠得到很好的效果，但是由于它對專家有很強的依賴度，一旦專家發生錯誤，模型可靠度就會受到質疑，并且在無數個可能的變量中，專家也受限于自身經驗和主觀因素。
這一問題在人工智能應用之前幾乎是無解的，所以優秀的客戶流失模型管理必須依賴優秀的專家。解決這一問題的最佳做法是通過人工智能，應用其強大的計算能力以及基于神經網絡的算法學習能力。與回歸不同，機器學習的預測可能平均起來是錯誤的，但當預測失誤的時候，它并不會失誤太多。按統計學家的說法，允許偏差，以求減少方差。機器學習和回歸分析之間一個重要的區別是新技術的開發方式，發明一種新的機器學習方法時還需證明它在實踐中能運作得更好；相反，發明一種新的回歸方法，首先要證明它在理論上是有效的。強調實踐效果，給了機器學習創新者更多的實驗空間，哪怕他們的方法生成的估計結果平均來看不正確或存在偏差。在這種自由實驗的推動下，機器學習借助過去10年的豐富數據和高速計算機實現了快速的進步。
然而，從20世紀90年代末期到21世紀初期，那些利用機器學習預測顧客流失的實驗僅取得了有限的成功。雖然機器學習的方法有了穩定的進步，但回歸的方法依然表現得更好。數據仍然不夠豐富，計算機的速度也不夠快，無法使其利用機器學習做事情。2016年，一切都改變了。使用機器學習和神經網絡深度學習來預測流失的模型整體比其他所有方法表現得都好。是什么發生了改變呢？首先是數據和計算機終于足夠好，讓機器學習占了上風。20世紀90年代，建立足夠大的數據庫很難。比方說，一套經典的流失預測研究只使用了650個客戶的數據，不到30個變量。
2004年，計算機的處理和存儲都有了進步。機器學習方法逐漸能跟回歸一較高下了。如今，研究人員根據數千個變量和數百萬客戶展開流失預測。計算能力的提高意味著可以處理大量的數據，除了數字，還包括文本和圖像。例如，在移動電話流失模型中，研究人員除了使用標準變量（如賬單額度大小和支付準時性）之外，還調用了通話記錄數據（以小時為單位）。
利用可用數據，機器學習方法也變得更好了。成功的關鍵因素是，如何從數百個可用變量中進行選擇，以及選擇使用哪一種統計模型。當時最好的方法，不管是機器學習還是經典的回歸，都通過結合直覺與統計檢定來選擇變量和模型。現在，機器學習方法（尤其是深度學習方法）允許模型具備靈活性，這意味著變量彼此之間可以按照意想不到的方式相結合。在開始計費的月初就積累了大量通話時間、高額電話賬單的人比到月末才累積大量通話時間的人流失的可能性更低。此外，周末異地通話、付費時間遲、大量發短信的人尤其容易流失。這樣的結合難以預料，但對預測有極大的幫助。由于難以預料，建模人員在使用標準的回歸模型進行預測時，無法將這些結合后的信息包含在內。機器學習把一些結合與交匯事關重要的選擇權交給了機器，而不是程序員。機器學習深度方法的改進，意味著可以有效地將可用數據轉化為對客戶流失的準確預測。現在，機器學習方法明顯優于回歸和其他各種技術。
回到營銷領域中產品、客戶、市場與銷售人員之間的模型建立與優化，會發現其需要的變量遠遠大于客戶流失模型，而且這些職能幾乎隸屬于企業的所有部門。在人工智能得以廣泛應用以前，沒有企業會去嘗試建立這一模型，企業的營銷決策基本掌握在其核心管理層，不可能通過模型進行企業管理。
現在我們有了機器學習這一預測技術，就有可能找到企業的最優營銷模型。當然，它和所有的人工智能應用一樣，需要數據、訓練、反饋與持續的優化。
先來看數據，對于這樣一個復雜的機器學習模型來說，建立模型的數據很重要，這些數據包括客戶畫像數據、銷售畫像、產品的各類數據（如定價、定位等），它們都會成為模型中的變量，參與到模型的建設中。
訓練數據可以是歷史數據，其中包含營銷流程所需要的變量與目標結果。機器學習可以通過歷史數據訓練找到初始算法模型，這個初始算法模型的優劣取決于預測算法、變量的詳盡程度以及目標結果的準確度。經過歷史數據訓練過的模型就可以上線使用，當然，為了確保使用預測算法后的業務目標不低于基于規則的路由方式，可以用人工智能與規則并行，同時采用人工核對優化的方式進行模型優化。上線后的模型就可以在實際的環境中持續優化改進，以提升業務價值與業務目標。
智能服務與營銷平臺是這種預測式技術最好的落地場景，因為其工作的過程中貫穿了客戶服務請求、服務與產品的推薦等流程，同時也可以方便地建立與優化客戶畫像、銷售畫像與產品畫像。從系統與解決方案層面要做的升級，就是將原有的基于規則的路由升級成基于人工智能的預測式路由，再進行用戶畫像、員工畫像與產品畫像的建設與持續豐富。
擁有了基于人工智能的預測式路由能力的智能服務與營銷平臺，才稱得上是新一代的智能服務與營銷平臺。這個預測式路由能力，用在客戶服務上是基于服務目標的智能匹配，用在營銷上就是基于營銷目標的智能推薦。
服務目標可以是客戶最高滿意度、最高銷售轉化效率、最低服務代價，或多個服務目標的加權排序。有了服務目標以后，所有的預測行為都以目標最大化為出發點。
現在我們看到基于業務目標的智能匹配服務流程是這樣的：我們假設某企業的客戶服務目標權重次序是客戶滿意度40％，服務效率30％，銷售轉化率30％。
顧客帶著自己的畫像進入企業的服務門戶來獲取服務請求，智能門戶經過預判識別出了客戶的服務意圖，并針對三個服務目標的權重進行比對，根據計算結果，將客戶的服務請求轉到了智能服務機器人，因為此時的客戶滿意度與轉化率的指標都無從判別，而智能機器人比人工的服務效率更高這一點是毋庸置疑的。
但是在機器人服務的過程中，發現機器人的置信度不夠，會出現客戶滿意度風險，這時必須將服務請求轉到人工，而轉接哪一個座席也必須符合服務目標的要求。讓客戶畫像、員工畫像在服務目標下進行匹配，而這個匹配過程所形成的模型是可以用歷史數據進行訓練、在服務過程中進行動態優化的。
▲基于服務目標的智能匹配架構圖
基于營銷目標的智能推薦
預測應用于服務是為了提升服務目標，同樣，預測應用于營銷也是為了提升營銷目標。如果我們將服務與資源稱為匹配的話，營銷就是一個推薦過程。
當下，人工智能的發展讓推薦無處不在，我們所讀的新聞、搜索廣告、微視頻、電商商品全部來自人工智能的推薦算法，它們的目標都是營銷。算法所依據的是商家所收集的客戶行為數據，將數據處理后抽象出客戶畫像，然后推薦匹配的信息或商品。
▲基于營銷目標的智能推薦示意圖
▲基于營銷目標的智能推薦架構圖
基于營銷目標的智能推薦是為了找到商品與客戶、客戶與市場活動、客戶與銷售、營銷過程與話術的對應關系，從而實現營銷目標的最大化。智能推薦需要的基礎數據是客戶畫像、員工（銷售）畫像、商品畫像等，需要的訓練數據是歷史數據，進而建立推薦模型，再在營銷過程中動態優化。
預測對企業資源的優化
企業的產品與員工是其最為重要的資源，通過創新來迭代產品以順應市場需求；通過人力升級，不斷優化人力資源，這些都是企業成功的基本要素。智能服務與營銷平臺連接著產品、客戶、員工，如果人工智能的預測匹配與推薦充分發揮作用，就可以在產品畫像、客戶畫像與員工畫像之間找到最優化的匹配模型，一切以企業終極的業務目標為導向。
模型的參數是產品畫像信息、客戶畫像信息與員工畫像信息，通過參數的調節就可以發現它們對業務目標的量化影響。也就是說，可以通過人工智能的預測模型反向找到更加符合業務目標的匹配關系，這些匹配關系包含以下幾個部分：
▲產品的設計與定價如何改變才能適應目標客戶群；
▲哪種類型的員工技能圖譜更能夠提升客戶滿意度或獲得更好的銷售業績；
▲怎樣的市場投放能更有效地找到目標客戶群；
▲與產品所對應的目標客戶群擴展。
這些問題都是企業的核心問題，如果能夠找到答案，就破解了企業的營銷密碼，可以用來指導人力資源部的員工招聘、員工技能提升計劃；可以指導、優化產品設計，定義產品價格；可以指導市場部門進行精準市場投放，成為打開企業成功之門的金鑰匙，這才是服務與營銷中人工智能應用的最核心的驅動力。
人工智能的應用是一個養成過程，其間離不開大量的人工訓練與調優操作，對目標的精準定義，各個維度的客戶、產品、員工數據的收集，最終才生成精準畫像。這個過程不會一蹴而就，相反，在開始的時候由于數據的準確性或積累量的缺失，模型算法的不成熟，會達不到基于規則的應用，甚至會影響到客戶滿意度與銷售業績。如果不繼續堅持優化與數據的豐富，必定是個失敗的項目。然而，一旦突破了原有基于規則的臨界點，人工智能的價值就會爆破性增長，隨著數據積累的豐富與算法的進一步優化，極易出現贏家通吃的局面。當然，新的挑戰也可以用更為領先的算法來獲得更強的競爭力，但是有一點是肯定的，成功者一定是那些掌握了金鑰匙的人，而這把金鑰匙，一定是以人工智能技術為基礎鑄造而成。
知識圖譜構成了企業的信息庫
知識圖譜就是把所有不同種類的信息連接在一起而得到的一個關系網絡。建設一個知識圖譜系統，需要包括：知識建模、知識獲取、知識融合、知識存儲和知識應用五大部分：
▲知識建模：構建多層級知識體系，將抽象的知識、屬性、關聯關系等信息，進行定義、組織、管理，轉化成現實的數據庫。
▲知識獲取：將不同來源、不同結構的數據轉化成圖譜數據，包括結構化數據、半結構化數據（解析）、知識標引、知識推理等，保障數據的有效性和完整性。
▲知識融合：將多個來源、重復的知識信息進行融合，包括融合計算、融合計算引擎、手動操作融合等。
▲知識存儲：根據業務場景提供合理的知識存儲方案，存儲方案具備靈活、多樣化、可拓展特性。
▲知識應用：為已構建知識圖譜提供圖譜檢索、知識計算、圖譜可視化等分析與應用能力。并提供各類知識計算的ＳＤＫ（軟件開發工具包），包含圖譜基礎應用類、圖譜結構分析類、圖譜語義應用類、自然語言處理類、圖譜數據獲取類、圖譜統計類、數據集獲取類、數據集統計類。
企業信息庫所謂的機器人服務與機器人營銷，其實就是一個知識分享的過程。NLP（自然語義理解）解決的是聽得懂的問題，也就是說，機器人所能回答的所有問題都已經通過人工維護到知識庫中，機器人所要做的唯一一件事情就是理解客戶的問題，并從知識庫中提取正確的答案推送給客戶。這樣的機器人是不具備推理、計算和總結能力的。從目前的技術發展來看，人工智能是不可能具備思考能力的，這個能力還會由人類來承擔，這也許就是未來人類最為獨特的價值。
知識圖譜就是將知識通過屬性和標簽連接起來，由原來的知識點變成知識面，由一維變成二維。增加了一個維度后，知識與知識之間就具備了關聯性，有了關聯性以后就可以進行推理、計算和總結，知識越多，從中獲得的信息也就會越多，于是知識庫就變成了企業的信息庫，成為企業重要的資源。
企業大腦
如果我們將一個企業類比成一個人的話，由知識圖譜所構成的信息庫就是這個人所擁有的知識，基于業務目標的推薦與匹配就是這個人的決策機制，而客戶畫像、員工畫像、產品畫像等就是人的決策依據。這些信息和算法模型就構成了人的大腦。也就是說，被人工智能賦能過的企業，除了擁有人類管理團隊的智慧以外，還會在運營的過程中生長出一個人工智能大腦。這個人工智能大腦擅長預測，而人類管理者則擅長思考與決策，人工智能的預測結果則是人類管理者最好的決策依據，這樣就可以在更高層面形成企業管理的人機耦合。
人工智能擅長在大數據量的訓練下尋找預測模型，而且這個模型一旦建立完成，就可以持續地為企業提供服務，并在服務的過程中不斷優化。優秀的人類決策團隊擅長在小數據樣本的情況下進行抽象，但是所抽象的模型會因為個體的不同而南轅北轍。人工智能會嚴格地按照算法模型與預先設定的參數與業務目標去執行，而人類在執行過程中可能會受到身體狀態、情感、道德觀等影響。遇到明顯的預測結果錯誤時，人工智能并不自知，而人類則會通過思考來回避明顯的邏輯錯誤。
在引進人工智能之前，企業的治理金字塔架構是決策、管理與執行，管理層是公司的中間層，起著承上啟下的作用。向下傳遞決策者的戰略規劃，并細化可執行的目標，引導執行者完成關鍵的結果；向上提供決策信息，補充決策依據。
▲傳統的企業治理金字塔架構圖
企業引進人工智能以后，中間層就會變成由人工智能的預測算法模型為核心的企業大腦與人類管理者的耦合。人工智能所預測的算法模型經過人類管理者的審核，所需要的主觀參數也由人類設定，人工智能的大腦自動推薦與匹配，轉由人工智能自動執行任務，或路由給人工執行。遇到人工智能置信度不夠或沒有足量訓練的場景，人工智能會將管理任務交給人類管理者，由后者決定或是升級到決策層決定，這類情況會主要集中在一些突發事件或是關鍵的管理任務處理。金字塔頂部的決策層則會得到由人工智能大腦所收集的信息與決策依據，也可以是由人類管理者經過過濾與處理過的信息。而執行層也會是由人機耦合來實現，執行層的人工智能是預測算法的另一種表現形式，如NLP、知識圖譜等。
▲人工智能時代的企業治理結構圖
企業的觸點與觸角
本書一開篇就提到過將客戶和企業的接觸點稱為企業的觸點。觸點多種多樣，傳統的觸點是企業的經營場所、平面廣告、視頻廣告、線下的市場活動等，互聯網為企業增加了更多的觸點，如官網、APP、公眾號、搜索引擎、第三方網站、第三方APP、小程序等。企業市場部的目標就是最大可能地增加有效觸點并擴大其分布，有效觸點越多，意味著企業的產品與形象越容易被目標客戶感知。然而，什么樣的觸點才是有效觸點呢？
有效觸點是可能被客戶關注并形成轉化的觸點，客戶會聯系企業、直接購買、添加有效信息，轉化為企業私域流量。傳統的觸點是單向的，不具備記錄能力，無法量化有效性，互聯網觸點可以通過對客戶的點擊、關注、信息留存等進行記錄，但卻缺乏與客戶之間互動的能力，也不能進行主動的智能服務與營銷。
將觸點賦能成為觸角觸點賦能就是在觸點上增加交互能力和千人千面的展現能力。如果事先獲得觸點群體的畫像，就可以根據畫像由企業大腦進行觸點信息匹配，所謂的觸點信息匹配就是向不同的客戶群體推送適合的信息。觸點上的交互能力就是聯絡入口，客戶通過觸點獲得信息，通過交互與觸點進行互動，需要營銷機器人與客戶交流，根據客戶提供的信息進行產品與服務的推薦，并自動完成相關的服務與營銷流程。如果發現營銷機會或是識別出高端客戶，則將交互轉接到人工，由人工進行進一步的服務與營銷。這種被賦能過的觸點就成為了觸角，這個觸角受控于企業大腦，成為企業有機體的一部分。
控于企業大腦，成為企業有機體的一部分。線下的傳統觸點則可以通過二維碼或ＮＦＳ（網絡文件系統）等作為入口方式進入小程序、公眾號、APP等，進而獲得觸點上的賦能。
觸點賦能是賦予觸點服務與營銷的能力，這種能力體現在機器人服務、精準營銷、多媒體聯絡、社交互動等方面。目前的主流展現形式為靜態網頁、ＩＭ聯絡、語音通信等，入口主要是公眾號、小程序、APP與電話。APP是一個非常適合的觸點入口，它能夠以各種形式體現觸點能力。然而，企業APP很難做成高頻應用，所以目前幾乎所有的觸點都會采用公眾號作為入口，其優點是簡潔、易于維護、搭建方便，缺點則是表現形式過于簡單，聯絡能力不夠。最好的入口，目前看來應該是小程序或是小程序與公眾號結合的模式，這樣就可以通過觸點將智能服務與營銷的后臺能力全部發揮出來，讓觸點成為真正的觸角。
5G時代的高帶寬、低延遲特點讓觸點的能力得到進一步發揮。可以肯定的是，以下表現形式一定會在5G時代成為主流。
高清短視頻短視頻展示與短視頻社交是４Ｇ的產物，5G時代將進一步放大視頻展示的優勢，而制作精良的高清視頻將成為企業觸點展示的主流形式。
視頻聯絡視頻聯絡在視頻核身、風控、信息傳遞方面有語音通信不可比擬的優勢，在5G時代，視頻聯絡的體驗將得到進一步提升，高清視頻聯絡、實時微表情檢測等技術的應用會成為觸點聯絡的主流。
虛擬現實高帶寬意味著3D通信技術的應用成為可能，具備真實體驗場景的虛擬現實如果得到應用，就可以模擬出更多的線下應用，在增強客戶體驗的同時，讓聯絡發揮更大的價值。
新一代服務與營銷平臺的總結
新一代服務與營銷平臺的核心是基于人工智能的預測式路由，預測式路由用在服務上就是基于服務目標的智能匹配，用在營銷上就是基于營銷目標的智能推薦。預測式路由將在客戶畫像、員工畫像、商品畫像以及服務指標、營銷指標等數據的訓練下，提煉出企業資源與營銷目標之間的最佳匹配模型，企業管理者與決策者通過這個模型給出的建議，可以進一步優化企業的人力資源、產品設計與市場投放等，讓營銷與創新具備更高的效率。
知識圖譜將企業中的知識連接起來，形成二維的企業信息庫，預測式路由所提煉的企業算法模型加上企業信息庫就成為企業大腦，企業大腦和企業管理者一起運營企業，并通過人機耦合的方式向決策者提供決策建議與決策依據，推動企業不斷進步。
用企業大腦為觸點賦能，就能夠將單向的觸點變成具備聯絡能力與智能化能力的觸角，企業觸角的有效延展就是企業運營規模不斷放大的過程。5G時代將進一步加強觸角的聯絡能力，高清視頻聯絡將成為主流的聯絡應用，而基于虛擬現實的3D聯絡或許也會成為5G時代的爆點應用。
企業的大腦與觸角構成了有機的企業，這個有機的企業就是新一代服務與營銷平臺的最好載體，也是新一代平臺的終極目標。
