Press "Enter" to skip to content

下一次科技革命:预测性交易

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

数据无疑是近年来最热门的商品。大量热钱涌向那些收集、分析数据,以及提供数字管道数据基础设施公司。

 

在过去五年中,仅数据基础设施初创公司就筹集了超过 80 亿美元的风险投资,总价值为 350 亿美元。

 

我们知道该领域最大公司的名称;它们包括Databricks、Snowflake、Confluent、MongoDB、Segment、Looker和Oracle。

 

但它们究竟是为了什幺?

 

大多数投资者会谈论理论上如何使用数据来得出趋势。其他人可能会谈论数据将如何改变世界,而没有填补关于如何改变世界的空白。

 

我不反对。在我的整个职业生涯中,我一直在数据公司工作和投资。

 

但我认为他们缺少一些重要的东西。一场强大的颠覆即将来临;也许,这是自 1964 年计算机化事务处理发明以来最强大的。预测事务处理即将颠覆过去 57 年的计算模型,并改变我们生活、工作、购物和娱乐的方式。

 

为了让企业保持相关性和竞争力,他们不仅需要能够预测客户行为和偏好,还需要依靠预测性交易来自动化大部分业务交互,即在向客户销售或服务客户时采取自动化行动.

 

革命性的新模式

 

自从计算出现以来,事务处理就以几乎相同的方式进行。用户提出请求,请求被处理,如果幸运的话,之后会分析用户的选择。广告

 

这就是今天在许多平台上发生的事情。

 

当我从亚马逊购买产品时,机器学习可用于提出建议。但从根本上说,购买决定是我作为客户必须做出的。当我浏览 Netflix 时,它会通过算法推荐我可能喜欢观看的内容,但我必须再次选择点击播放。

 

我们称之为“人工智能”,但我认为这还不够聪明。当我们转向预测计算模型时,真正的转变将会发生。

 

想象一下:你刚下班回家,一辆亚马逊送货卡车运到你家门口,载着 25 件家居用品,从干杂货到清洁用品,这是你那一周需要的,根据你深入的客户资料提供的信息. 您不需要的任何项目(鉴于增强的机器学习不太可能发生)都可以轻松返回 – 添加到数据库中的信息不断提高引擎的学习和预测您的行为的能力。

 

用例很明确——当交易从增强决策(即推荐捆绑商品)转变为预测购买决策时,消费者将能够让亚马逊处理他们的日常购买,让他们在忙碌的生活中腾出时间。在物流方面,最后一公里配送技术将确保人们在需要的时候得到他们想要的东西,缓解目前因时间不确定和客户不可用而受阻的配送卡车造成的交通拥堵。

 

鉴于亚马逊复杂的物流和数据资产,这种情况不难想象。亚马逊拥有您一生中的购物习惯数据。它有您的信用卡详细信息。它具有无与伦比的大规模快速发货能力。

 

Netflix 和 Spotify 等其他娱乐平台也是如此。他们知道我们的习惯,所以为什幺要等我们告诉他们他们已经知道的事情,然后再招待我们呢?

 

正如本尼迪克特·埃文斯 (Benedict Evans) 所说 ,计算机永远不应该问一个它知道答案的问题。

 

然而,这仅仅是开始。预测交易处理模型不仅仅是改善我们的生活、现有系统和业务模型的机会。这对于解锁未来的变革性技术至关重要。

 

以自动驾驶汽车为例。如果汽车仅仅依赖内置的传感器,永远不会达到所谓的“5 级”自主驾驶。我们需要所有的汽车,从人工驾驶的汽车到云学习汽车,使用每辆自动驾驶汽车收集的数据来计算前方道路上的风险。我们需要这种计算具有预测性,以便引导我们的车辆预测未来的危险。通过使用基于数据的预测模型采取行动,交通事故将被极大减少。

 

预测性交易对于从 DTC 商业和娱乐到运输、物流甚至医疗保健的行业将变得至关重要——因为每个行业都将从对他们的客户/客户群及其习惯的这种令人难以置信的敏锐洞察中获益。

 

争相开发关键技术

 

已经有一些公司在为预测未来采取初步措施。

 

最值得注意的是,字节跳动的 TikTok。它在 2020年的收入高达340 亿美元,是有史以来最赚钱的预测交易处理应用程序。打开TikTok,您将看到源源不断的自动播放短视频,算法将根据您的偏好,而不是根据您透露的偏好来学习您喜欢的内容。

 

换句话说,如果您观看宠物视频的时间比人们唱歌或表演特技的时间长,那幺该应用程序会向您展示更多的宠物,而您无需按下播放键或在搜索框中输入单词。

 

今天的公司需要效仿字节跳动的榜样,投资和开发将我们推向预测交易处理模型的关键技术。

 

作为从用户仪表化交互向学习系统和数据做出决策转变的一部分,我们将需要重新设计和重新设计整个技术堆栈。

 

例如,我们将需要改进的机器学习模型,使其预测更精确,因为当它们通过物流链级联时,边际收益会产生影响。我们还需要能够回顾过去并纠正以前的错误的学习系统,这样错误就不会复杂化。

 

我们还需要替换长期持有的“神牛”,例如伴随了一代人的电子商务的 J2EE 标准。基于数据学习的应用程序与基于传统关系数据库的应用程序非常不同。我们还需要新的开发和调试工具,例如新的低级编程语言,以使我们能够更有效地查询数据。

 

应用程序集成也将增加复杂性,因为应用程序将完全由数据而非设计驱动。

 

最终,实时事务处理应用程序的可靠性需要有一个阶段性的改变。如果预测数据是关键任务,我们需要能够减少停机时间、实现即时恢复并具有自动故障转移功能的平台和产品。

 

真正的机会

 

预测性事务处理革命迫在眉睫。这可能是企业计算所见过的最激动人心的创新。当技术构建块到位并且应用程序最终进入市场时,将立即感受到影响。广告

 

预测平台上的交易数量将猛增。将有巨大的机会来提高现有系统的效率,并为创建中间件的公司生态系统提供有利可图的作用,使之成为可能。而今天占据主导地位的 SaaS 企业平台将面临被淘汰的风险。

 

因此,现在是采用预测交易处理的时候了,明智的投资者将从这种新范式中吸取教训:是时候向前看,并立即决定将资金投向何处,以了解即将发生的事情。

 

本文作者:Alfred Chuang是Race Capital的普通合伙人,BEA Systems联合创始人和前首席执行官。

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。