自1999年创立以来，阿里巴巴的电子商务平台取得了巨大增长。然而，笔者2006年进入阿里巴巴管理层全职工作，2007年管理团队在浙江宁波一家简陋的海滨酒店开会探讨战略，当时公司还并不像什么世界级大企业。我们对于电商发展趋势杂乱无章的认知和观点，在这次会议中逐渐汇聚成更大的未来图景，最后达成共识：我们要“建立一个开放、协调、繁荣的电子商务生态系统”。阿里巴巴就是在那个时候真正启航的。

我们发现，阿里巴巴独到的创新在于可以真正建立起一个生态系统：有机体(多种类型的公司和消费者)相互作用、与环境(线上平台和更大的线下实体基础)互动组成的社区。我们的战略要务是，确保平台能够提供网络商务所需的一切资源或获得资源的渠道，进而支撑这一生态系统演进发展。

我们构建的生态系统最初很简单，只是把商品买方和卖方联系在一起。随着技术进步，更多功能上线，其中有广告、营销、物流和财务等传统的业务职能，还有联盟营销、产品推荐及头部社交媒体传播等新兴功能。我们对生态系统进行扩张，容纳这些创新，在此过程中协助构建新型网络商务，彻底重构了中国的零售业。

今天的阿里巴巴不只是一家电商公司。我们把零售相关的所有功能在网络上整合，构成一个以数据驱动的大型网络，连接起销售者、营销者、服务提供者、物流公司和制造者。换言之，阿里巴巴做到了美国的亚马逊、eBay、PayPal、谷歌、联邦快递、批发商以及大部分制造商所做的事情，还有金融服务锦上添花。

在全世界价值最高的公司排行榜上，排名前十的企业有七家是商业模式与我们相似的互联网公司，五家(美国的亚马逊、谷歌和Facebook，中国的阿里巴巴和腾讯)问世不过20年。这些公司的价值和市场支配力为何能在短时间内迅速崛起?原因在于它们都采用了新型的网络协同和数据智能。与传统行业相比，这些公司的生态系统经济效率更高，更加关注客户。笔者将这些公司采用的方式称为智能商业，相信这种方式能够代表未来的主流商业逻辑。

智能商业是什么?

追求同一个商业目标(如零售、拼车)的参与者在网络上协调合作，运用机器学习技术有效分析实时数据，就形成了智能商业。这种模式依托技术，由机器负责大半运营决策，让公司得以随时调整，迅速适应变化的市场状况和客户需求，与传统商业相比有着巨大的竞争优势。

当然，充足的计算能力和数据资料是机器学习的燃料。算法引擎收录的数据和迭代次数越多，给出的结果就越好。数据分析师给出特定行为的概率预测模型，然后算法综合大量数据，实时提供经过迭代的更好的决策。这些预测模型成为多数业务决策的基础。因此，机器学习不只是技术创新，随着人类决策越来越多地被算法取代，机器学习会逐渐改变我们做生意的方式。

蚂蚁金融小额贷款是一个很好的未来图景的例子。2012年阿里巴巴推出蚂蚁金服的时候，中国大型银行的贷款动辄数百万美元，最低贷款金额(约600万人民币，不到100万美元)远远超出多数中小企业的需求。银行不愿为没有信用记录，甚至没有商务活动必要文件的小公司服务。中国数千万公司难以筹得业务增长所需的资金。

我们意识到，阿里巴巴拥有了众多小公司经过我们平台交易产生的大量数据，可以建立一项高素质、可扩展、可盈利的中小企业贷款业务。因此在2010年，我们推出了开创性的数据驱动小额贷款业务，为企业提供100万元人民币(约16万美元)以下的贷款。这个业务运营7年，为近300万家中小企业提供贷款超过870亿元人民币(约134亿美元)，平均贷款规模为8000元人民币(约1200美元)。2012年，我们将这个借贷服务与成功的在线支付业务支付宝整合在一起，创立了蚂蚁金服。这个名字的寓意是，我们要帮助所有像蚂蚁一样辛勤忙碌的小公司。

现在，蚂蚁金服可以在几分钟内处理几百元人民币(约50美元)的贷款。这是如何实现的?面对潜在贷款者，贷款机构只需回答三个基本的问题：是否应该贷款，应该贷出多少，利息怎么算。平台上的卖家只要授权我们分析数据，我们就能够回答这些问题。我们的算法可以通过交易数据评估商业运营情况、市场竞争力及合作伙伴信用级别等信息。

蚂蚁金服运用这些数据，对比好的贷款者(按时还贷)和差的贷款者(不按时还贷)，总结出各自的特征，根据特征为贷款者计算出信用评分。诚然，贷款机构或多或少都会进行这一步骤，但蚂蚁金服的分析是根据所有贷款者的实时行为数据自动完成的。每一笔交易、买卖双方之间每一次交流、每一次使用阿里巴巴其他服务乃至在我们平台上的任何动作，都会影响企业信用评分。与此同时，用于评分的算法本身也在实时进化，在迭代中不断改进决策质量。

决定贷出多少、利息多少，需要分析阿里巴巴网络内部的许多不同种类的数据，如总利润率和库存周转率，以及产品寿命周期、卖家的社会及业务关系质量等较难精确量化的信息。举例来说，算法可以通过分析交流(即时信息、电子邮件或其他中国常用的通信方式)的频率、长度和类型来评估关系质量。

在这一过程中，阿里巴巴的数据分析师是必不可少的。他们识别和测试哪些数据点可以提供他们需要的信息，然后设计算法，挖掘数据。这项工作需要分析师深入了解业务本身，并具备机器学习算法方面的专业知识。再以蚂蚁金服为例。如果某个信用评分极低的卖家按时还贷，或者某个评分很高的卖家严重违约，算法显然需要调整。工程师可以方便迅速地开始检查，要增减哪些参数、加强用户哪几类行为的权重等。

经过调整之后，算法给出的预测越来越精确，蚂蚁金服的风险和成本稳步下降，贷款者可以在有需求的时候获得资金，利率也在可以承受的范围内。最终的结果非常成功：这项小型贷款业务违约率约为1%，远远低于世界银行2016年估计的世界平均水平4%。

那么，这样的业务要如何建立?

运营决策全面自动化

要想实现智能商业，公司必须尽量使运营决策自动化，让实时数据支撑的机器取代人工数据分析。这方面转型需要以下四个步骤。

第一步

将所有客户交流“数据化”。蚂蚁金服能够访问大量潜在贷款者的数据，在贷款业务中根据这些数据回答基本问题。然而对于许多企业而言，获取数据的困难更大。不过，实时数据是建立反馈环所必要的，而反馈环是机器学习的基础。

以单车租借公司为例。中国的初创企业利用移动通信、物联网(智能单车锁)和已有的移动支付及信用系统，将整个租借过程数据化。

以往的单车租借，需要前往租借地点，付押金，从工作人员那里获得单车，使用单车，归还，用现金或信用卡支付租金。中国几家相互竞争的公司把一些新技术与原有技术相结合，将整个过程放到了线上。智能结算的二维码和电子锁的结合是一项关键创新。打开单车共享应用，就可以看到并预订附近可用的单车，然后到达单车所在地点，用手机应用扫描单车上的二维码。如果应用账户上有足够的资金，而且符合租借条件，二维码就会打开单车电子锁。手机应用还可以通过芝麻信用(蚂蚁金服新的线上产品，用于评估消费者信用等级)评估用户信用历史，允许用户不付押金，进一步加快了租借流程。归还单车时电子锁上锁，完成交易全过程。整个过程简单直接，通常只需要几秒钟时间。

将租借流程数据化，大大提升了消费者体验。公司根据实时数据，调遣货车把单车运送到用户有需求的地方，还可以提醒经常使用的用户附近有可用单车。中国单车租借的成本能够降到每小时几美分，很大程度上是因为这些创新技术。

追求数据化的企业大多为了建立因果模型而收集和分析信息，然后通过模型从大量可用信息中找出关键数据点。智能商业利用数据的方式与此不同。智能商业收集客户及其他网络用户在沟通和交易过程中产生的所有信息，让算法识别出有用的数据。

第二步

将所有活动“软件化”。智能商业中所有活动(不只是知识管理和客户关系)都以软件处理，因此相关决策可以自动化。不是说公司必须购买或构建ERP软件用于管理业务，其实恰恰相反。传统的软件使得行动流程和决策过程更加僵化，往往造成束缚，而智能商业的主导逻辑是实时反应。首先要为目前的人工决策过程建立模型，设法用软件复制其中的元素加以简化——这一步有时并不容易，因为许多人类决策的基础是常识乃至下意识的神经活动。

阿里巴巴集团旗下的中国国内购物网站淘宝网，增长的推动力就是不断将零售流程软件化。淘宝网初期一批主要软件工具里，有一款让买卖双方实时交流的即时通信工具“旺旺”。卖家用旺旺招呼买家，介绍产品，讨价还价等，与传统零售商店中的活动相同。阿里巴巴还开发了一些软件工具，帮助卖家设计各种复杂的网店页面。网店上线后，卖家可以运用其他软件产品来进行发布优惠券、打折、推出会员回馈项目等各种客户关系活动，相互协调配合。

现今多数软件在网络上以服务的形式运营，将商业活动软件化的一个重要优势是，在此过程中可以自然地收集实时数据，为运用机器学习技术打下基础。

第三步

让数据流动起来。生态系统中多方参与者相互联系，商业决策要经过复杂的全面协调。举例来说，淘宝推荐引擎要跟卖家的库存管理系统、多个社交媒体平台的消费者档案系统协作，交易系统要跟折扣以及会员项目配合，还要协调我们的物流网络。

要让数据在各方参与者之间流动，与此同时严格控制生态系统中数据的访问和编辑权限，通信标准(如TCP/IP)和应用程序接口(API)发挥着极其重要的作用。让不同软件系统在线“交流”合作的工具API已经成为淘宝网发展的核心。淘宝平台从一个供买卖双方交流和交易的论坛发展成为中国主要电商网站，网站上的商家需要第三方开发者提供越来越多的支持。新软件必须与平台上其他所有软件广泛配合，才能发挥价值。因此在2009年，淘宝网开始开发API供独立软件供应商使用。今天，淘宝网上的商家平均订阅100多个软件模块，来自他们的实时数据流则大幅度降低了商家经营成本。

妥善部署技术基础设施还只是开始。建立通用标准，让阿里巴巴所有业务部门得以使用和解读数据，需要付出巨大的努力。此外，寻找合适的激励框架说服公司共享数据，也是一大挑战。还有大量工作亟待完成。当然，公司在这方面的创新，部分取决于所在国家有关信息共享的法规。不过总的方向非常明确：网络中流动的数据越多，商业智能化程度就越高，生态系统创造的价值也就越大。

第四步

应用算法。商业活动全部放到线上，就会得到大量数据。要吸收、解读和运用数据发挥作用，公司必须建立模型和算法，阐明潜在的产品逻辑或市场动态，实现业务优化。这是一项艰巨的创新任务，要用到很多新的技能，于是需要大量数据分析师和经济学家。他们面对的难题是要明确指定希望机器完成怎样的工作，而且他们必须非常了解特定业务背景下完成某项工作所需的要素。

淘宝网的目标从很早开始就是贴合每位用户自身需求。如果没有机器学习的进步，这个目标不可能实现。如今，淘宝用户一登录就会看到定制化的页面，以及从几百万商家的上亿商品中选出的推荐。推荐由淘宝网的强力推荐引擎自动生成，引擎算法专为优化访问转化率而设计，利用的是淘宝平台运营、客户服务及安全等各环节产生的数据。

淘宝发展过程中的一个里程碑，是2009年从单纯的网站浏览升级为搜索引擎。平台访问量和商品数目大量增加，浏览已经无法满足需求;搜索引擎有机器学习算法支持，能够处理大量请求。淘宝还在尝试图像识别搜索算法，根据客户提供的照片匹配平台上的商品。虽然我们还处于这项技术的早期阶段，但事实证明，这个功能很受客户欢迎，每日绝对访问量提升了1000万。

2016年，阿里巴巴引入AI聊天机器人协助处理客户咨询。不同于人们熟悉的把客户问题与帮助文档中相应答案匹配的机械服务，聊天机器人由经验丰富的淘宝商家代表“培训”，了解相应品类下的所有产品，且对阿里巴巴平台的退换货、运费等机制以及其他常见问题十分熟悉。聊天机器人运用语义理解、语境对话、知识图谱、数据挖掘和深度学习等多种机器学习技术，迅速提升自动诊断及处理客户问题的能力，而不是单纯地给出静态回应让客户自行采取行动。聊天机器人让客户确认可以接受它们给出的解决方案，然后予以执行，全过程不需要阿里巴巴或商家提供人力。

聊天机器人还能显著提升商家收入。服饰品牌森马一年前开始使用聊天机器人，发现机器人促成的交易量比表现最好的销售人员高出26倍。

商家总会需要人工客服处理复杂或个人化的问题，但利用聊天机器人应对常规问题的能力很有用，特别是在销量非常高的促销活动期间。以前平台上多数大型商家会在促销时雇用临时客服应对消费者咨询，以后就不必再这样做了。2017年阿里巴巴销量最高的一天，聊天机器人处理了95%以上的客户咨询，回答了约350万名消费者的问题。

通过有创意的数据化，增加能够利用的数据储备，提升智能化程度;将业务软件化，把工作流程和必要活动放到线上;设置统一标准和API，促成实时数据流动和协作;应用机器学习算法，促成“智能”商业决策。这四个步骤是建立智能商业的基础，相关所有活动都是重要的新技能，需要新的领导能力。