大数跨境

AI创新项目在企业端怎么落地?——我理解的本体论

AI创新项目在企业端怎么落地?——我理解的本体论 闯爷用户增长实战笔记
2026-11-15
0
导读:AI的出现并不意味着这些行业会消失——需求依然存在,变化的是服务形态,AI推动他们升级为一种新的服务形态。

从2022年到2026年,AI对很多行业造成了冲击,~比如教辅教培、客服、SaaS软件、市场调研等。但我认为,AI的出现并不意味着这些行业会消失——需求依然存在,变化的是服务形态,AI推动他们升级为一种新的服务形态。

就像内燃机出现后,马车演变为汽车,马车夫转变为司机。因此,我个人认为,未来很多职业都需要借助AI进行改造升级;对从业者而言,也需要改变原有的工作和思维方式。这也是我今天分享这个话题的出发点:结合我的经验,和大家聊聊我是如何从没人任何前车之鉴的情况下把AI项目落地的。

先说结论:我的经验是做创新项目不应先考虑技术、算法和模型,而应从业务、场景和认知入手,逐层分析、调研,把问题拆解到最小颗粒度,找到真正的本源。

创新项目真正难的,不在交互设计,不在外观套壳,也不在有没有一套牛逼的方法论能硬套进去;难的是这个项目能不能用创新的办法解决实际问题,而不是单纯炫技。

我的观点是,一切都要回到原点思考,也就是回到业务的本源。比如经营管理类创新服务类项目,就要回到经营管理业务本身:从最基础的调研开始,先放下主观判断,通过实践勾勒出轮廓,再基于对业务本来面目的认知,一层层把结构拆解清楚。

我拿过去几年做过的项目来和大家分享一下。最近几年AI概念很火,随之也冒出了很多新名词,比如“本体论”就被奉为企业AI落地实践的经典。

 记得 2024 年我接到一个项目,需求是用 AI 模型做零售门店归因分析。那时候 AI 在零售企业端的落地,在行业里还属于凤毛麟角。市面上虽然流传着不少方法论,但真正在企业侧落地跑通的案例寥寥无几,几乎没有可以参考的范本。所以接手这个项目,我没有任何前车之鉴可以借鉴,只能完全靠自己摸索。我回归业务本身,结合过往沉淀的运营经验,开启项目的调研与数据分析工作。

 现在回过头来看:这个项目开展的很多动作及最终落地方法,本质上就是在寻找事情的本源 —— 先把问题拆成可定义的要素,再把要素之间连成可验证的关系,然后用数据和模型去计算这些关系,最后让动作和结果可回流,与当下热门的概念“本体论”不谋而合。

今天不讲 “本体论” 这个抽象概念,我直接复盘项目的真实落地过程。聊聊在没有任何前车之鉴可以参照的情况下,我如何依靠调研分析和对业务本身的认知,把事情拆解到本源,最终让这个项目成功落地的过程,下面我就来分享我的实操过程与方法。

一、便利AI归因分析项目


这个项目当时没有成熟先例。那我的思考框架是什么?

这个项目拿到手上之后,我不是先套理论,也不是先上模型,而是从过往运营经验入手,回到门店经营的本源:开店就是为了赚钱,赚钱无非开源、节流,落到经营数据上就是 GMV 和利润。

  • GMV = 客单价 × 来客数

  • 客单价 = 用户购买 SKU 数 × 商品均价


 

再往下钻一层,商品均价会受用户偏好、行为、天气、活动、商圈业态影响。

  • 人:周边客群购买力。

  • 货:品类、鲜食和营销活动。

  • 场:本店和周边竞对便利店。

  • 时:早餐、中餐、夜宵这些客群消费时段。

我们在经营上动作该怎么做?找到漏斗当中流失影响最大的因子,补齐短板,针对性输出应对策略。

在这个项目里,我把对影响因子的业务判断转化成权重,再借助 AI 帮我们定位优先级最高的影响因子。

举个例子,一家办公型便利店,7 月日商环比下降 9.4%,拆解结果为:活动因素占 40%、售罄因素占 30%、天气因素占 10%。

下面针对门店经营做归因分析,用AI因子权重模型找出经营短板,再结合企业知识库中沉淀的提升动作来应对。

经营缺口

补缺动作

客单价低

上套餐、做鲜食加价购、培训店员话术

来客数低

按天气推商品,雨天推雨具、晴天推冷饮;按商圈人群特征调整货品匹配

 这个项目是AI项目,但AI不是一上来就炫模型。我们先把优秀门店当正样本、非优秀门店当负样本,用 XGB 决策树去学习各因子差异,输出影响因子权重并排序。

 模型不是玄学,它学的就是数据之间的关联。但前提是:经营结构先被拆清楚,实体、关系、属性、约束先被定义出来,模型才有地方发力。

二、企业eln培训平台项目


讲完零售,我再来分享在多年前我做过的学习培训类项目:企业 ELN 培训平台。

 和零售不一样,培训这件事本身就是务虚的,结果很难直接量化。行业里虽然有柯氏四级评估这套经典框架,但大多停留在理论层面,很难落地成稳定、可持续采集的数据指标。这也是为什么培训项目很容易被做成一份名词清单。

做培训,很容易一上来就列方法论:用户画像、知识图谱、胜任力模型、课程匹配、能力素质模型、测评、教学方法。然后再加算法:人岗匹配、能力短板识别、合适时机推送、碎片化知识渗透、上瘾机制、课件机制。

听起来上面很全,但如果只是把这些名词和方法论堆在一起,却不知道这些工具之间是什么关系,项目一定会散。

因为没有搞清楚“教”与“学”之间的内在逻辑,也就是教学底层的真实用户需求是什么,只是把这些方法论强行用技术方式去实现,那么做出来的软件就会像空中楼阁。

所以我当时思考是回到培训(教育)业务的本源,先问了一个问题:

培训到底要改变什么?

 不是把课讲完,不是把课时刷满,也不是把课程上架数量做上去。培训的本源是:让合适的人,在合适的时机,用合适的内容和练法,补上能力短板,最终带来行为改变和结果改善。

围绕这个本源,我把培训项目拆成四层:人、知识、动作、结果。然后再把那些模块,一个一个匹配到这四层上。

AI培训平台:人、知识、动作、结果四层架构

(一)用户画像:不是标签堆砌,是知识分发的基础能力

用户画像落地,对应的就是标签体系。标签不是用来展示观赏的,核心作用是支撑知识分发:站在企业管理视角,可以按照岗位、职级、行业、能力项、学习历史、测评结果圈定人群,派发匹配的培训任务。

图片

而落到学员个体视角,还要关注人的显性知识结构、隐性知识结构、学习兴趣、主观意愿、个人偏好以及真实学习行为、动作等维度。

图片

这里的关键不在于标签数量多少,而在于标签能否和后续业务动作打通。完成人群圈选之后,必须能够回答:这批人能力短板是什么、应当学习哪些内容、学习完成之后如何验证学习效果。

(二)知识图谱:不是一张图,是岗位成长路径

知识图谱落下来,就是岗位知识图谱和学习地图,覆盖各岗位职级的成长路径。

图片

它不是把知识点画成一张漂亮的图,而是回答:一个岗位从入门到胜任,要经过哪些知识节点、技能节点和行为节点;这些节点之间有什么先后关系;学到什么程度算过关。

有了这层,培训才不是“有什么课推什么课”,而是“人在什么阶段,该走哪条学习路径”。

(三)胜任力模型:不是评估表,是自适应学习的依据

胜任力模型落下来,就是按模型推送学习任务、追踪学习历程、做能力评估,实现自适应学习。

图片

它的作用不是打一个分,而是把学员“能力缺口”变成可计算的对象:这个人当前能力项是什么水平,目标岗位要求是什么水平,差距在哪几个能力项上,对应推什么学习任务,学完后再评估。

(四)课程匹配:不是知识点堆砌,内容分发的核心是否聚焦行为改变

课程匹配不是简单的课程及知识点分发,而是自适应学习、按需学习。


落地时,基础层面是按行业、岗位、年限来筛课;但更要洞察人与课的匹配,也就是通过算法去发现:用户喜欢什么、想学什么、对什么感兴趣,以及岗位晋升还缺哪一块能力短板。


不过,更关键的是课程上架前的审核标准:是否聚焦于行为改变。因为培训项目最容易变成“课程仓库”——课上了一堆,行为却没有变化,用户自然没兴趣,觉得不匹配:“我都会”或者“太难了”。


课程匹配不是让学员在超市里随便逛,而是要让课程与岗位能力缺口、学习路径、测评验证对应起来。


(五)测评:不是考试,是回流成完成率报表的验证链路

测评落下来,就是复习、情景、习题训练加考试,最后回流成岗位学习完成率报表。

测评不是终点,它是数据回流点。学员答了什么、错在哪、解析看了没有、错题回顾了几次,这些行为数据要能回到“人—知识—动作—结果”的链路里,成为下一轮推送和评估的依据。


(六)教学方法:不是讲师个人经验,是备课系统里可沉淀的反馈

教学方法落地,不只是在备课系统中沉淀课程制作经验,而是要融入教育心理学,再用学员的学习行为反馈教学效果。

不是把课件学习变成任务、变成负担,而是从用户底层的心理机制出发,比如运用心理学原理,借助攀比、排名、炫耀、勋章、金币、精神与物质激励、心理满足等手段。

讲师怎么讲、课件怎么设计、练法怎么安排,不能只停留在个人经验里;要把课程制作经验沉淀到备课系统,再用学员行为数据去反馈:哪个环节流失高、哪个习题错误率高、哪个情景训练有效。

(七)在这个项目里到底做了什么?

这个项目里,AI不是用来堆一个“智能推荐”的壳,它真正的作用是:把人和知识之间的关联,变成可计算的数据关系。

  • 标签体系圈人,是定义“人”的实体和属性;

  • 岗位知识图谱,是定义“知识”的实体和关系;

  • 胜任力模型和课程匹配,是定义“人—知识—任务”之间的匹配关系;

  • 测评和学习行为回流,是定义“动作—结果”的验证关系;

  • 算法模型,是在这些关系上做匹配、排序、推送和评估。


所以,这些方法论和功能在我的项目里并非简单堆砌,而是围绕“教与学”,结合用户底层需求、认知及教学方法,构成一条可由AI串联起来的链路,让AI能够基于数据运算、用户洞察、行为分析和决策反馈,形成一套完整的体系。

用户画像 → 知识图谱给路径 → 胜任力模型定缺口 → 课程匹配给内容→ 测评给验证 → 教学行为和测评数据回流 → 再反哺下一轮推送和评估;

这和拆“来客数 × 客单价”是同一种思维,只是对象从经营数据换成了人的能力数据。把“人、知识、动作、结果”四层定义清楚,让它们之间可关联、可追踪、可计算。

三、总结一下:我做创新项目的底层方法论

我的经验是:做任何创新项目,先祛魅,透过现象看本质。以AI赋能企业数智化项目为例,先想清楚:业务目标是什么、关键动作是什么;问题由哪些要素构成、要素之间是什么关系、关系能用什么数据观测。

所谓“本体论”,无非是把这套实践提炼成“实体、关系、属性、约束”。抽象成一套动作就是:定结果 → 拆过程量 → 挂影响因子 → 配动作和回流验证。 本质都是靠本源分析、数据关联和数学模型找归因。

教员讲过:实践是检验真理的唯一标准。


欢迎关注我的公众号 “闯爷用户增长实战笔记”,获取更多关于用户增长、零售数字化和游戏化运营管理的经验分享 。

【声明】内容源于网络
0
0
闯爷用户增长实战笔记
通过研究消费者的感知、认知、决策、行为而去发现用户的兴趣点,通过满足目标用户的需求,而提升用户对品牌的价值。
内容 141
粉丝 0
闯爷用户增长实战笔记 通过研究消费者的感知、认知、决策、行为而去发现用户的兴趣点,通过满足目标用户的需求,而提升用户对品牌的价值。
总阅读6.1k
粉丝0
内容141