原标题：智能战略(2)

第二部分智能商业的竞争：战略原则

第一部分描述了网络协同和数据智能主导下的商业图景转变传统的商业策略被彻底打破，但具体到企业又该如何適应企业应该在新环境中如何生存发展？

在智能商业中并不是所有企业都必须成为淘宝、谷歌或脸书。所有企业无论其规模大小，無论其属于传统大企业还是高科技创业公司都可在新环境中制胜，但前提是要掌握智能商业的基本逻辑和新商业环境的战略特征第二蔀分各章节就讲述了智能商业的基本原则和操作方法。

第四章自动化决策：如何战略性利用机器学习

网络协同和数据智能在各个层面都颠覆了传统战略思想在制定商业决策方面这一变化显得更加剧烈。智能商业会尽可能将决策制定自动化无论是在响应消费者方面还是在囿效协同网络方面，数据智能使得这些自动化决策变得越来越睿智借助数据智能和网络协同，企业可以同时进行规模扩展和提供个性化垺务这是互联网和人工智能带来的终极商业优势。

在最基础的层面上要将任何商业转变为智能商业，商业决策必须由机器（由实时数據驱动）直接进行而不是传统的商业信息处理方法，即最终是由人通过数据分析支持来做出决策这就是我们的第一项战略原则：如果鈈能通过机器学习将几乎所有商业决策实现自动化，那么就无法打造智能商业在市场中的竞争实现自动化决策需要5个步骤（见表4–1）。

表4–1 自动化决策的5个步骤

自动化第一步：将物质世界数据化

第三章讨论了数据化成本低廉和广泛存在的计算能力的融合推动了技术爆炸囷数据编码机会的激增，这意味着企业将拥有更多的数据但是，任何企业所需要的数据都将决定于其自身情况企业可获得公共数据或租用另一个实体的数据，但最有价值的数字信息则是企业自身业务流程所生成的实时数据

将物理环境全部数据化是项令人生畏的任务，泹物联网等新技术的出现使其变得相对容易只有在企业能够完成这种数据转换之后，企业才能有效地将现实世界里发生的商业活动数据囮数据化含义的本身就包含将业务上线的意思。这为现实世界的商业创建了数字镜像也是企业实现数据智能的先决条件。

当业务上线後它可以通过互联网连接并生成实时数据反馈循环，这是机器学习的基础即连通算法和实时用户反馈。如今的智能互联网公司都建立茬此基础上：以低成本的方式实时记录消费者的在线行为目前，电视台还无法记录观众在电视机前的行为这就是为何电视台还未实现智能运营。如果消费者看到的内容可以直接被数字化例如通过AR（增强现实技术）眼镜，那结果将是革命性的

许多业务的重要方面目前仍然没有在线记录，需要采取创新手法对物理目标或环境进行数据化下面是中国蓬勃发展的共享单车的案例。

中国共享单车服务的数据囮

到2016年年中中国大多数主要城市的繁华街道都增添了新的街景。共享单车公司选择橙色、蓝色、绿色和黄色为主打色彩大量色彩明快嘚共享单车为中国城市出行提供了“彩虹色”的解决方案。为了帮助步行者和解决最后一公里的城市交通瓶颈十几家公司几乎在一夜之間将大量自行车摆放在了人行道上。摩拜单车、ofo小黄车、哈啰单车和小蓝单车这样的公司估值骤然飙升目前最大的共享单车企业估值超過20亿美元，并开始向海外扩张[1]

事实上，有时共享单车看起来更像街头的彩色困扰大量的劳动力和运输车队忙着将闲置的自行车运送到需求较高的其他地方。出于市场进入门槛低、制造能力充分、风险资本热捧以及中国大城市的公交服务难以满足出行需求等因素，中国嘚共享单车掀起热潮但导致这种狂热现象的一个不太明显但更为关键的原因却是创新和创造性数据化，在短时间内这一原因使得共享單车铺天盖地。实时数据已深深融入这些共享单车企业的运营模式中

中国的单车共享服务都要通过手机，这一点类似于优步的共享汽车解决方案通过打开单车共享应用程序，用户可以看到可用的自行车并预约附近的一辆。一旦骑车人到达预约自行车所在地就能使用該应用程序扫描自行车上的QR码（一种矩阵二维码）。假设骑车人的账户中有钱且符合租赁标准则QR码会解锁自行车，之后骑车人就可以骑箌日落或者一直骑下去停放好并锁上自行车后就会自动结束服务，租赁费用将从骑车人的账户中自动扣除整个过程简单、易操作，用時通常只需几秒钟

在这一相对直接的过程中，数据化已在若干节点发生

首先，嵌入在移动电话中的GPS系统和自行车本身允许实时跟踪自荇车位置就像优步一样，这种实时跟踪只有在地图技术支持的情况下才能实现地图技术已创造性地对中国城市的位置进行了数据化。

其次应用程序本身依赖于租赁注册过程的数据化版本，尤其是筛选用户除了常规的身份验证要求之外，例如上传的骑车人的身份和押金越来越多的共享单车公司正在与支付宝和芝麻信用（蚂蚁金服推出的消费者信用评级产品）整合。如果用户的芝麻信用评分足够高那他就可以直接租用自行车而不用上传身份资料。芝麻信用本身是将信用程度数据化的复杂业务它通过来自蚂蚁金服的支付宝移动钱包囷支付服务的财务数据，以及淘宝消费数据等资料来确定消费者的信用度

最后，QR码和电子锁的组合巧妙地使结账过程自动化固定式自荇车租赁服务需要物理认证，例如要刷公共交通卡来实现但新的单车共享模型已将登记和结账流程数字化来实现自动服务。这种自动化沝平需要先进的移动通信技术：来自应用程序的信号可即时解锁自行车并在归还自行车时再次将其锁定。

这第三个领域的创新即对某種特定活动（自行车租借和归还）的数据化是单车共享场景中的一项新创新，也是推动其发展的重要力量另外两个领域的创新则利用了為其他应用程序创建的现有数据结构和智能业务基础结构。实时数据使企业能够识别骑车人跟踪每辆自行车，最重要的是企业可记录洎行车和骑车人之间的每次互动。租用自行车只需要通过手机“扫一扫”通过将他人所做的数据与自己的创新相结合，共享单车企业开辟了高效而智能的商业领域正如这里所展示的，任何特定领域的数据通常都可为创建智能商业开辟许多新途径因为数据记录和数据存儲技术的成本越来越低，在现实世界中收集和编码现象的新技术也越来越多因此智能企业的数量正在不断增长。

数据化的另一个很好的案例是淘宝网在成长初期的活动当时淘宝将大量零售活动进行了创造性编码。淘宝由此也逐渐从一个论坛发展成一个电子商务市场该市场能售卖天下一切能销售的产品，并拥有庞大的数据库各行各业的数亿产品都可编码成可搜索的产品。当然这一过程既不快也不容易每个卖家都有自己描述产品的方式。对于非标准化或非常规产品挑战就变得更加严峻。曾有淘宝卖家以近1美元的单价出售死蚊子这茬当时也成为热门新闻。那么如何将这些产品放入数据库并让消费者轻易地搜索到？这不是一项简单的任务因此，产品的数据化一直昰淘宝的核心并且经历了多次迭代最近淘宝在尝试使用机器智能的先进技术构建产品的“知识图”。

淘宝不得不以多种方式将零售业数據化其中一些数据是远离普通用户的。例如由于庞大的交易量，淘宝目前拥有世界上最大的物理地址存储库之一如何存储和管理这些遍布全国的地址，对平台来说是一个挑战也给物流合作伙伴带来了麻烦。例如“紫禁城”“故宫博物院”“景山前街”“穿过天安門广场”可能指的是北京的同一地点。

在阿里巴巴之前中国的消费者物流行业并不存在。此前中国唯一的大型物流服务商是国有的，苴效率不高淘宝电子商务平台帮助启动了在中国运营的十几家物流公司的增长，其中许多公司现在与阿里巴巴菜鸟网络合作物流行业嘚每一个标准都必须从零创建，由此才能适应中国复杂的环境（有关淘宝对中国消费者物流行业贡献的信息请参见附录B）。现在菜鸟網络面临的挑战是将数据智能应用于中国快速数据化的物流行业，并在全国乃至全球范围内建立起布局优化且运行高效的运输体系

自动囮第二步：将每项业务软件化

每个决策步骤都必须软件化，即配置到软件中实现在线操作2011年，网景创始人马克·安德森写了一篇题为《为何软件正在吞噬世界》的著名文章。[2]他的观察当时并不完全成熟但也没有错。要使智能商业能够运行必须对每项商业活动进行软件囮。企业必须将每个商业活动都变成数字形式而不是仅仅将知识管理和客户关系软件化，由此商业决策才能实现自动化[3]

软件化的重点昰利用软件的某些特性，这些特性对所有行业中的企业都有裨益非数字行业的业务与使用软件的业务有很大不同。传统型或硬件型企业具有强大的惰性和很高的交易成本也很难以低成本方式进行监控或根据情况进行临时调整。决策需要时间特别是当涉及生产制造时，企业的运营缺乏弹性软件型企业恰恰相反：工程师可以迅速做出改变，进行动态调整和全局优化虽然这些优势并不能完全移植到硬件荇业，但业务软件化的目标是尽可能地植入这些优良特性在实践中，这意味着计算机需要像人类那样理解业务并操作业务

软件化不是┅个简单的过程。由于机器缺乏天生的智能我们必须将决策链中的每一步都进行软件化。从本质上讲我们需要了解人类如何在这些环境中做出决策，然后智能商业才能找到将人类决策自动化的方法使这种复杂的活动自动化是一项艰巨的任务，因为许多人类的决策建立茬常识或很少被完全理解的潜意识活动之上因此，一些专业领域或行业（如健康和教育）的自动化进程会较慢在这些领域里，人类的智慧和情感永远是不可缺少的

软件化并不意味着企业需要购买或开发软件，如企业资源计划（ERP）软件来管理其业务。实际上软件化往往是相反的。传统软件往往旨在提升企业内部某项确定的功能的效率但由于它实际上是巩固了流程和决策过程，传统软件常常会变成束缚创新的紧身衣相比之下，智能商业的主要特征是按需求采取行动来实时应对市场变化同时与多个职能领域的合作伙伴和客户进行囿效协同。如果企业希望以指数级别的规模发展那就必须具备这些特征。因此软件化是通过软件重组业务、人员和资源的过程，由此實现网络协同和数据智能这样的目标最终要求彻底协同商业活动，并且通常需要企业与其他合作伙伴或平台协同推进

软件化是确保企業内部资源可以灵活分配的重要步骤。一旦现实世界中的资产或能力通过数据传输上线就必须利用软件来运用这些资源。使用软件是全浗协调和优化运营的先决条件这一点将在后续三个步骤中阐述。

上文提到的共享单车业务就是软件化的典型案例自行车租赁完全由在線软件操作，无人为干预效率的提升是显著的：现在中国用户只要花很少的钱就能租用一辆自行车。

自动化第三步：让数据流动起来

在智能商业中机器必须能彼此“交谈”。商业决策很少是单独发生的简单操作尤其是在网络协同环境下。在实践中这种沟通需要让数據在网络的每个实体间流动，并使机器在线相互协调

这种协调是通过TCP/IP（网络通信协议，实现互联网上不同机器之间通信的规则）等通信標准实现的并通过最近出现的应用程序接口进行创新。应用程序接口是一组工具、协议和例程任何程序员都可以使用它来创建与系统Φ其他软件兼容交互的程序。实际上应用程序接口允许应用程序（其输出通常是某种决定）彼此通信。当应用程序可自动通信时涉及哆方的复杂商业决策最终能由机器有效处理。只有将在线决策自动化之后企业才能实现数据智能，并从这一核心能力的不断改善中获益

随着淘宝从买卖论坛发展成为中国主要的电子商务网站，不仅商家的业务在增长他们对平台支持的需求也在增长。唯一的解决方案是創建更多的基础架构这种基础架构的关键是翻译其他机器的语言，这样这些机器才能在平台上顺利进行交互因此，从2009年开始淘宝就開始开发自己的应用程序接口。在淘宝上普通卖家可能会订阅平台提供的100多个软件模块。由于软件通常是由第三方提供商开发的因此應用程序接口和实时数据服务大大降低了在平台上做生意的成本。

亚马逊历史上的重要时刻之一是2002年贝佐斯下了最后通牒要求公司必须唍全建立内部应用程序接口。当某一部门与其他部门共享数据或代码时必须记录交互结果，这就迫使每个部门都要把数据定义成其他团隊或机器可以理解或使用的方式最终，这些应用程序接口确保了亚马逊能在全球范围实现对业务的优化管理[4]

自动化第四步：完整记录實时数据

一旦业务流程的每个步骤都实现了数据化、在线化和智能连接，企业就可以开始将机器学习应用于商业问题但如果没有数据可鼡，那机器学习就会变成无源之水这就是为何第四步必须是记录实时数据，我将其定义为在开展业务过程中实时收集和使用数据

实时數据的概念并不复杂，但将这种理解转化为正确的行动会颠覆商界解决问题的许多传统理念和思路企业家所熟悉的是数据驱动，即用精惢挑选的数据和指标来支持提议或解决方案但遗憾的是，这种方法与实时数据的运行方式完全相反智能商业使用实时数据将商业设置嘚全部运作“复制”为数据语言，而不是挑选或选择性地复制由于机器没有人的推理能力，只会记录什么才能产生更好的结果因此目標是要尽可能完整地创建业务的“数字副本”，这样数据智能和机器学习才能开始优化操作为此，企业必须在商业运营时全面记录数据不能只收集跟某项决策相关的数据。

在当前的运营环境中实时数据是一项至关重要的竞争优势，而不仅仅是锦上添花的点缀与实时數据相对应的是等待“日后分析”的存储静态数据。虽然这种静态数据仍然有用但过时的数据在快速变化的环境中会很快失去价值。（鈳以想象一下如果谷歌地图根据你在10天前所处的位置或几个小时前高峰时段的路面情况给你提示。）如果无法获得新鲜而丰富的数据即使是最前沿的算法对企业也没什么价值。无论是从战略角度还是从战术角度看实时数据对于改善商业运作都是极其重要的。

使用实时數据要做许多艰苦而复杂的事情前文已经描述过数据化的挑战，但许多企业在数据化之后往往忽略了有组织地使用数据的复杂技术挑战实时数据需要有相应的指标体系和基础架构来解释和评估数据，智能商业必须在使用的算法及其数据智能引擎中开发这些指标体系和基礎架构从实时数据中得出的结论最好来自数据本身，通过系列动态测试和调整获得例如通过第三章中所说的A/B测试。

自动化第五步：应鼡机器学习算法

实时数据会不断变化和更新随着机器学习算法处理实时数据，数据会得到改进业务也会越来越有效率。显然机器学習算法对于商业决策自动化至关重要。

智能商业的核心是算法优步的算法匹配汽车和打车人，从而最大限度地减少等待时间同时使优步的位置测算能力远远超过任何人类调度员。为此优步聘请了数千名数据科学家来不断提升算法。如果业务不是由算法驱动那么所谓智能商业根本就无从谈起。

淘宝转型成为智能企业的最重要里程碑事件就是将其索引引擎替换为搜索引擎最初，买家要查看淘宝上的分類才能找到自己想要的产品但随着产品列表几乎每天都在增加，越来越多的人开始使用搜索栏来查找产品显然淘宝需要升级搜索体验，这样才能为买卖双方创造更多的价值

搜索的关键问题在于如何排序。最初淘宝搜索排序主要是看销售产品的周期。当卖家上传产品時他们可设置该产品在网站上保留的天数，例如7天或14天按周期排序意味着即将从网站撤下的产品将显示在搜索结果的顶部。这样的规則在早期是简单而直接的当时大多数卖家都是兼职开网店，卖家之间很少直接竞争但遗憾的是，这种方法只会激励卖家重复发布产品却没有给买家提供有用的信息。

2006年淘宝网将搜索排序方法改为根据受欢迎程度排序。根据交易量和信誉分数等核心指标来显示产品囚气搜索背后的逻辑是，销售良好且用户评价高的产品是高质量的产品因此理应在搜索结果中出现在更高的位置以作为奖励。同时这種方法有助于买家找到好的产品，有利于优胜劣汰事实上，许多淘宝的早期卖家通过人气搜索都实现了巨大的销售增长

但按人气排序會产生严重的哲学问题。虽然这种搜索方法乍看上去合乎逻辑但在实践中，对于已经很复杂的市场来说这种排序方法过于简单化。根據这样的规则销售好的产品变得更加成功，而新卖家要想出头却很难为确保平台生态系统健康和平衡发展，大小卖家应在同等条件下發展因此人气搜索显然存在极大缺陷。所以从2008年开始淘宝不断升级其人气搜索规则。卖家千方百计提高网店声誉来提升在搜索结果中嘚排名许多卖家也通过利用搜索流量迅速发展壮大。

但人气搜索不是机器学习驱动的它只是简单汇总卖方数据，这就变成了比大小的遊戏因此，那些拥有资源迅速做大规模的卖家就能利用这一点在平台上实现更快的发展而中小卖家则举步维艰。这个问题的核心在于純粹的规模计算并不智能它只是解决问题的一种有效的人类战术方法。真正的数据智能需要机器方法而不是人类大脑逻辑的简单机器升级。

借助机器学习淘宝在2010年推出了第一款真正大规模的搜索产品——阿基米德（Archimede）。从技术角度来看阿基米德在改善人气搜索方面囿了巨大进步。除了传统的转换率、平均客户支出和交易价值等指标阿基米德还增加了一系列与卖家服务水平相关的指标。淘宝收集了超出纯粹交易之外的大量数据例如，淘宝会看买方是否退货、是否有需要平台介入的交易纠纷、买家对卖家的投诉以及卖家是否具有良好的信用评级等。当买家寻找产品时他们也在寻找值得信赖的卖家和优质服务。因此将这些先前被忽略的指标纳入考虑范围是合乎邏辑的，但如何确定使用哪些指标来影响搜索结果以及如何确定这些指标的权重呢？

经过多年搜索功能和搜索技术的改善阿里巴巴开始实施之前所述的机器学习形式。在强化学习中机器从最终目标（“找到买家最愿意买的产品”）开始，努力将引导到这一最终目标的各个节点连接起来数据工程师通过进行无数的在线实验来确定搜索算法，例如之前所说的A/B测试即同时采用不同变量测试并监控反馈以梳理消费者偏好。如果搜索引擎将这样的结果显示给消费者消费者是否会点击？他们会不会买最后会有退货吗？最后得到一个非常精巧强大的在线算法体系这套体系会持续在后台运转并给出越来越适合系统的结果。

在阿基米德推出后的几年里淘宝的搜索量开始以更匼理的方式分配，不仅分配给大型卖家也让许多拥有优质产品和良好服务的小卖家获得流量，而那些服务差或缺乏诚信的商家的业务会縮小总体而言，买家会更容易找到优质产品卖家的业务也得到提升。经过过去几年的发展搜索结果在网店流量中的比重越来越大，逐渐超越了分类浏览所创造的流量搜索引擎通过其算法极大地改善了市场的整体结构和动态。但搜索引擎的漫长变革过程也说明了实施洎动化决策的不容易

淘宝的移动推荐：自动化五步骤的实践

2016年“双十一”是阿里巴巴移动推荐引擎的“诞生纪”。在24小时内平台在消費者和产品之间进行了数万亿次智能匹配，利用机器学习生成近千亿个个性化产品展示当用户浏览打折和特别优惠信息时，个性化推荐烸小时都会更新一次推荐引擎带火了销售，让消费者看到足够丰富的产品并有效提升了转化率。最重要的是它将淘宝员工的直接管悝运作降到了最低程度。这是智能商业的胜利这一场景在2017年重现。

淘宝以能够为海量消费者打造个性化商店甚至个性化商城而自豪但當整个在线商城浓缩到小小的手机屏幕上时，必须要有创意淘宝移动推荐引擎背后的故事充分展示了企业如何通过对商业经营的清晰、唍整和创新思考来实现数据智能。

在互联网行业我们要以产品视角来谈论用户体验的各个方面。淘宝应用程序有数亿用户每个用户都昰在手机上访问同一个应用程序，但每个用户都会看到不同的产品和内容从应用程序顶部的横幅广告到行业文章和服务内容，再到用户產品评论、直播频道内容以及算法驱动的产品推荐淘宝应用程序为每个用户都给出了个性化的界面。

淘宝应用程序的许多功能现在都使鼡推荐技术但以前情况并非如此。2013年底阿里巴巴彻底重组了针对智能手机的整个电子商务市场。最初手机内容和结构是从网页电商矗接复制过来的。普通消费者进入淘宝网的主要通道是产品分类清单（例如男士服装、食品和饮料、母婴产品）、搜索条目（例如，明湔龙井、黑色紧身裤）以及由淘宝或天猫的团队策划的特别活动和促销。浏览器窗口的充足空间为消费者提供了探索的自由对于许多Φ国年轻人来说，在淘宝网上随意浏览（所谓的逛淘宝）成为常见的消遣方式

然而这种方法在手机世界不再适用。用户在手机上的购物時间不长手机屏幕较小，显示信息的空间很有限于是用户开始更多地依赖搜索栏，但即使他们搜索了不常用的关键字小屏幕上也仅能显示不多的产品列表。卖家接触消费者的空间收窄可能会对中小卖家的生意造成不利影响。如果设计不当那么移动购物环境可能会讓消费者和商家都受损。我们需要一种新的方法去探索

但答案并不显而易见。在淘宝的组织架构里产品推荐由不同的工程团队管理，具体取决于他们在应用程序中的位置淘宝首页的推荐也是阿里巴巴最昂贵的在线领地，需要由上层管理人员批准才能变更而单个产品頁面的底部推荐或者交易完成页面出现的推荐则是由另外的团队负责。浏览这些不同推荐的消费者可能会看到非常不同的产品他们对这些推荐产品的反馈（例如，购买或忽略）与管理这些推荐的不同团队基本无关在桌面情境中，让不同团队管理不同的产品是有道理的洇为每个独立的产品业务设置都需要不同的卖家和消费者支持团队。但在移动世界中即使客观上离散的业务问题也需要各部门协同才可嘚出有效的解决方案。

行业外人士习惯将“移动”等同于手机上的应用程序但实际上，移动是指一系列组织和技术架构包括收集、使鼡和评估数据的方式。如果没有智能商业的思维方式以及上面列举的5个自动化步骤企业就无法做到位，也就无从发挥数据智能的力量

茬淘宝，我们迅速采取行动整合搜索部门下的各个推荐团队，因为搜索部门拥有最好的技术工具和基础架构因此能做到不同推荐产品の间的协同效应。我们还聘请了一些国际技术人才因此我们有专门人才在开发算法，研究如何实现将大规模实时计算所需的复杂工程结匼在一起所有数据流及其接口和指标都必须与新算法协调。我们的产品和行业团队必须要根据拓展后的产品推荐重新定义许多规则和机淛当消费者买了一件商品之后，给他的推荐算法要跟其他算法相结合例如，当消费者下载了新应用程序之后的推荐算法或在消费者搜索服装但并未最后下单后给出的推荐算法。这样的结合产生了明显的效果使用推荐产品的用户的销售和交易量开始稳步增长。

这里的關键信息是运用数据智能不仅仅是增加工程师团队预算的问题。它需要企业使用这5个步骤对业务整体进行清晰而全面的思考我们对移動推荐的变革说明了自动化的每一个步骤。在重新思考何处需要运用推荐解决方案时我们需要新的数据化方式和软件化；推荐必须能相互影响，因此推荐引擎需要可以相互“交谈”；我们还需要实时数据思维模式由此所有消费者的所有行为都被记录在同一个地方，最后將其输入相同的机器学习算法

在第一部分中，我们介绍了智能商业的概念从本章开始，读者应认识到智能商业的复杂协同需要以新嘚方式思考数据。企业对业务流程活动的理解决定了如何将其变成数据而数据又决定了可用来解决业务问题的产品和服务。为了使这些囿关产品和服务的决策自动化智能商业应遵循本章所列的5个步骤。第一要以创新数据化的手段来丰富相关数据库，为商业企业奠定数據基础；第二要将业务软件化，即把工作流程和基本参与者都上线；第三应用程序接口支持实时协同；第四，完整地记录实时数据；苐五对生成的丰富的实时数据进行机器学习，从而创建数据智能

前面两章主要关注数据智能及其对商业的意义，以及实现这一新功能嘚正确策略读者还应该明白，除了实现数据智能之外本章所示的5个步骤也是网络协同的基础。到目前为止你应该清楚地看到为什么峩将网络协同和数据智能称为智能商业DNA的双螺旋。这两者不可分割在双螺旋框架下，现在是时候讨论网络协同的战略重要性以及企业應如何与自己的消费者和合作伙伴协同了。

第五章C2B模式：如何构建反馈闭环

要利用数据智能构建智能商业，你需要在企业和客户之间建竝一个紧密的数字反馈闭环然而，我和很多中国企业家亲身感受到而且很多创新企业也已经认识到，一旦将业务聚焦于同客户的直接互动所有的商业活动就需要进行大规模重整，我将这种变化称为C2B模式C2B的思维模式从根本上颠覆了传统企业的B2C商业理念。[1]

当机器学习通過反馈闭环来驱动商业决策客户将成为企业行为的最终决定者。“客户至上”不再只是一句口号而是商业运营的起点。全部的客户企業应当建立在客户需求的基础之上但是，对于包括产品和服务本身在内的体验而言要真正做到为客户所支配，企业及其运营所在的网絡必须保持灵活迅速响应。实际上商业中的每个功能都必须建立在需求之上。

让商业的每一项功能都符合需求绝非易事你如何为潜茬的需求范围做出适当的准备？当一家企业开始某项重构时它就要在后续对从品牌到产品设计再到制造的所有方面进行变革。只有当流程在功能上独立但又可以自然自动地融为一体时公司才能按照用户的需求，在交互中制定关键产品和设计的决策从而创造出相应的产品和服务。在此过程中整个企业的运营模式都依赖于网络协同和数据智能。

彻底重构自己的整个业务并使所有功能动态协同对任何一镓企业来说都是一项艰巨的任务。那些开始在这条艰难之路上行进的人会发现他们的成本没有变化，然而效率和反应能力却开始呈现指數级的增长

我无法给读者一个具体的重构行动指南，因为行业不同、公司不同变革的整个流程也都不尽相同。不过我希望通过一个垺装行业的拓展案例，让读者了解自己需要做什么以及正确的C2B思维模式是什么样的。我举的是大E（Big–E）的例子大E是中国最为成功的网紅，她利用其平台能力成功地执行了C2B战略大E原名张大奕，以前是一位模特毫无零售经验，但她的线上服装品牌却在2017年创造了10亿元（超過

[7] 关于尚品宅配的信息来源于曾鸣、宋斐的《C2B：互联网时代的新商业模式》一文《哈佛商业评论》，2012年2月