發(fā)布日期：2017-08-01

7月20日下午，由杉數(shù)科技和鈦媒體聯(lián)合主辦的“AI大師圓桌系列會議”在上海財大豪生大酒店召開。會議中，清華大學助理教授唐平中博士首先介紹了人工智能（AI）與經(jīng)濟學的結(jié)合。

隨后，上海財經(jīng)大學教授，中國運籌學會青年科技獎獲得者何斯邁教授則介紹AI怎么與運營管理和商務中的實踐結(jié)合起來。

何教授用腎移植作為例子解釋了AI是如何幫助腎移植提高匹配效率的，在目前AI系統(tǒng)的幫助下，器官交換移植配對系統(tǒng)的效率一直在提升，最好的系統(tǒng)效率已經(jīng)到了90%，也就是能保證達到理論最優(yōu)解得至少90%的配對率。另外在各個非盈利腎移植機構內(nèi)，腎移植的數(shù)量已經(jīng)從每年28000例提升到33600例。

隨后，何教授還介紹了AI如何幫助商家定價，定價是一個非常動態(tài)，變化很快的過程?？蛻?、友商、商品性質(zhì)都會導致定價產(chǎn)生重大變化，這時就需要AI幫助商家進行重要的決策。

何斯邁博士發(fā)表演說

以下為演講全文

大家好，剛才唐老師介紹了博弈論怎么和AI結(jié)合，接下來我主要是介紹AI怎么與運營管理和商務中的實踐結(jié)合起來。

演講主要是關于商務智能，就是運營管理中的人工智能。主要內(nèi)容分三塊，其中第一部分是AI在器官移植中的應用，也是向Sandholm教授致敬（他是腎移植這方面的專家）。這一系列工作由于社會的極度需求，對公眾利益有著重大意義。

現(xiàn)場的另外一位嘉賓、“冷撲大師”開發(fā)者Tuomas Sandholm教授

第二部分是關于收益管理，主要討論在定價和庫存這些具體的決策問題的時候，怎么把AI和具體的商務環(huán)境結(jié)合。

第三部分，在收益管理，包括庫存管理的時候，也需要考慮到一些策略性的顧客行為，這個牽涉到很強的博弈背景。 顧客觀察到或猜測出商家的決策規(guī)律，會相應的做出一些策略性的購買行為，對商家的策略效果及最優(yōu)決策有很大的影響。

在運營管理領域的人工智能應用主要分三大塊。一部分和傳統(tǒng)的AI很接近，也就是有數(shù)據(jù)以后怎么去分析數(shù)據(jù)，怎么依托數(shù)據(jù)進行預測。一部分是模型，需要結(jié)合具體的商務環(huán)境和需求，進行定制化的調(diào)整。一部分是算法，因為商務場景經(jīng)常需要在有限的時間和計算資源內(nèi)，解決復雜的決策問題。

傳統(tǒng)的AI現(xiàn)在有一些很好的應用，比如說著名的Alpha Go。在圖象識別、語音識別、文字翻譯這些領域，AI已經(jīng)做得很好了。這些領域都有一個普遍的共同特征，是目標非常明確。比如說圖象識別、人臉識別，評判標準就是識別準確度多高？一般來說無論是問題還是目標定義都比較明確，外部環(huán)境也比較穩(wěn)定。

但是在商務智能的時候，我們面臨完全不同的問題和環(huán)境。今天的商務環(huán)境，可能到明年就完全不一樣了，經(jīng)濟大環(huán)境可能會變，競爭對手也在變。尤其在AI的應用領域，目前很多應用是關于電商。但是對于主流電商來說，目前每年的增長率都極高?？赡苊恳荒陜?nèi)，它的產(chǎn)品結(jié)構、客戶結(jié)構都在變。

第二個大問題，在商務環(huán)境中有很多目標，但沒有唯一明確的目標?？赡芷髽I(yè)在里面，有的部門想要追求庫存管理的優(yōu)化。另外的部門想要保證定單滿足率，越高越好。收益管理中銷量和利潤之間的往往也需要平衡。在不同部門之間追求的目標并不一致時，我們應該如何決策？在具體的實際場景，不同部門之間的需求差異如果能夠充分挖掘、不同約束之間的復雜關系如果可以得到充分梳理和考慮，對于收益的提升是非常顯著的。因此需要結(jié)合問題的本身，通過模型把AI的技術和問題更好結(jié)合起來。

AI與器官移植

這兒說一些具體的例子，首先是器官移植，傳統(tǒng)的器官移植主要是兩種，一種是親屬捐獻。另外一種傳統(tǒng)的捐獻方式是死者捐獻，死者在死前簽署器官捐贈協(xié)議。但是，基本上任何一種器官，死者捐獻的數(shù)量目前來說是遠遠不夠的。比較嚴重的腎移植，只有10%-20%，這個數(shù)目是非常非常低的，那么怎么辦？

在醫(yī)療實踐中，經(jīng)常有親屬愿意捐獻但是不能捐獻，往往是因為血型、各種抗體的原因?qū)е虏黄ヅ?。因此有可能會有這樣兩個家庭，A的家屬給自己的親屬A捐獻不了，但是適合另外一家的病人B。 而B的親屬的器官適合病人A。在這種情況發(fā)生的時候，雙方可以通過交換捐獻的方式解決問題。慢慢的這種應用越來越廣泛，因為它確實能救很多人的命。后面大家發(fā)現(xiàn)，能不能做得更多？比如說我兩個人配不起來，但是三個家庭通過循環(huán)的方式進行匹配，四個家庭、五個家庭都可以。

歷史記錄最多的一次是同時有十多個家庭構成大循環(huán)一起手術，但是這種移植方案有一個嚴重的問題，就是多臺手術必須同時做。因為腎移植可能出現(xiàn)捐贈者突然翻悔，這是會出現(xiàn)嚴重的問題，尤其是反悔方的捐贈對象的親屬已經(jīng)捐贈完畢的情況出現(xiàn)。為了避免這些問題出現(xiàn)，現(xiàn)在的法律就嚴格規(guī)定，必須在同一個時間交換執(zhí)行。但即使如此，有時候還是會有一些問題。

多人交換腎移植手術

還有一種方法是鏈式匹配。簡單的說就是將死者捐獻的器官移植給某個病人，但是前提條件是病人的親屬答應把腎捐給下一個病人，這個病人的親屬又答應把腎捐給下一個，形成鏈式反應。鏈式移植的最大好處是并不需要嚴格同時執(zhí)行，每一個家庭都是病人先得到腎再由捐贈人捐獻器官。如果有人翻悔，雖然會有一些負面的影響，但是相對來說小很多。鏈式移植的另一個好處是可選擇性高，相對來說，會大大提高系統(tǒng)的移植效率。缺點是會消耗一部分死者捐獻的腎源。

選擇死者腎源的鏈式移植

目前美國已與2007年已經(jīng)正式立法，允許交換移植。已經(jīng)成立了一些機構和平臺作為腎移植交換機構，比如說UNOS等。主要是非營利性的，目的是搜集病人的數(shù)據(jù)和愿意捐獻器官的親屬的數(shù)據(jù)，更好地把這些親屬匹配起來。在這些機構建立4-5年之后，腎移植的數(shù)量從每年28000例提升到33600例。

但是鏈式移植會面臨一個道德難題，死者捐贈的腎遠遠不夠滿足無親屬捐贈的病人需求。一個腎在一方面可以通過鏈式移植救很多的病人，但是同時一定會有病人因此無法得到合適的器官移植。這個有點像著名的電車難題，軌道上有一群小朋友在玩。當你看到一個火車過來了，可以選擇將火車扳一個岔道從而拯救這些小朋友，但是會害了在岔道上工作的另一個人。

著名的電車難題

這是一個普遍性的道德難題。所以在腎移植的時候，決策不是簡單的人越多越好。因為有些類型的病人，因為抗體和血型特殊很難配上，在只追求短期移植效率最高時這種特殊病人就會積壓下來。在這種時候，就不是一個簡單的預測，我必須預測每一個腎捐給一位病人之后能活多久，他們之間移植存活率有多高。這種時候我們用機器學習，讓人工智能決策，效率會高很多。

這種決策是典型多階段的動態(tài)決策，牽涉到一些沖突，這種時候你怎么去解決？目前來說在UNOS使用整數(shù)規(guī)劃算法，好處就是相對來說移植率比較高，每一個階段配的人數(shù)比較多，但是也有一些問題。我們最近有一篇論文，提出了一個比較簡單的隨機近似算法，用這個算法甚至可以不依賴計算機，通過人工執(zhí)行，達到很高的效率。并且困難病人不會積壓。目前這個器官交換移植配對系統(tǒng)的效率一直在提升，最好的系統(tǒng)效率已經(jīng)到了90%，也就是能保證達到理論最優(yōu)解得至少90%的配對率。

值得一提的是對于這些決策的研究，理論上的深入探討，是非常困難的。斯坦福大學的諾獎Roth教授等做出了杰出的工作。今天到場的Sandholm教授更是美國最大腎源庫UNOS的實際算法管理者。我們過去幾年也在試圖回答這方面的問題，特別是實際網(wǎng)絡中有效算法的估計，并取得了一些理論上的很出人意料的突破，獲得了Sandholm教授等人的注意和贊揚。也是我們最初結(jié)識他并能夠邀請他到上財講學的主要原因。

AI在收益管理中的應用：商家定價難題

接下來介紹一下AI在收益管理中的應用，這個是基于我們跟很多家電商合作時碰到的實際問題。在收益管理中間，關鍵的一個問題就是如何定價。這個問題很復雜。

首先，對于不同產(chǎn)品定價邏輯不一樣。很多商家只是簡單地預測定一個價格能夠賣多少件，然后選取一個看上去比較合適的價格。但這是不夠的。有些產(chǎn)品在市場上采用最簡單的成本定價，就是成本是多少，加一個權重，產(chǎn)生售價。而在電商環(huán)境中，大部分關鍵產(chǎn)品采用的定價邏輯都是比價活著跟價，就是要保證比競爭對手價格低。大家現(xiàn)在能看到很多電商平臺的產(chǎn)品都會保證比競爭對手產(chǎn)品價格低，如果高了會賠償損失。還有一些產(chǎn)品，它面臨的競爭環(huán)境不是很激烈，那么它的定價邏輯要考慮供需關系。

這種時候往往是利潤空間比較大的。還有其他的定價方式，比如價格歧視，區(qū)別于一般的定價對所有顧客都是統(tǒng)一價格，價格歧視需要對不同顧客給出不同價格，從而最大化利潤。我們還提出一種定價模式，叫做魯棒定價。本質(zhì)上是即使預測精度不盡人意，依然有可能通過模型和理論保證給出的定價策略有效，并且風險可控。綜上所述，如果對產(chǎn)品沒有比較好的理解，那么根本不可能做到一個合適的定價。對不同的產(chǎn)品，首先要了解不同的產(chǎn)品定位，決定基本的定價邏輯。

其次，定價需要考慮很復雜的因素，簡單拿數(shù)據(jù)分析的時候，容易把一些關鍵因素漏掉。比如說需要考慮友商的價格和客戶的心理價位。今天我一直定價20，但是友商可能從20調(diào)到25，如果數(shù)據(jù)中不包括友商的價格因素不可能做出高精度的預測。

此外還有顧客價格的敏感度，有些顧客對于價格無所謂，小幅度調(diào)整的時候，他關心的是你的服務。但是另外有些顧客會比較敏感。 這會產(chǎn)生一個有趣的問題，商家是做周期性做促銷，還是一直讓價格定在中間保持平穩(wěn)更好？另外還有季節(jié)性的產(chǎn)品?；蛘咛娲援a(chǎn)品，比如手機，三星、蘋果、華為等等，他們之間有嚴重的替代效應。最后是互補性產(chǎn)品，顧客買電腦的時候會買鍵盤、鼠標各種配件。

2015年的“雙12”，鄭州某商場也打出了促銷招牌@視覺中國

定價的時候最大的挑戰(zhàn)是促銷，不光是你自己做促銷，競爭對手也長期做促銷，很多產(chǎn)品，你會發(fā)現(xiàn)一年90%的時候，你或者你的競爭對手都在做促銷。這時候怎么定價，促銷會產(chǎn)生各種各樣的影響。

比如說從跟價和比價的時候使用對象是什么？高關注度和競爭度比較高的產(chǎn)品，在比價的時候，有一個很嚴重的問題。計算顧客對價格的量價關系，傳統(tǒng)的統(tǒng)計或者經(jīng)濟學模型往往用參數(shù)模型，很多人用線型模型。但是在比價的時候，量價關系一般極度脫離線型關系。顧客在心理價格段附近比較敏感，偏離心理價格比較遠的時候不太敏感，這里會牽涉到很多問題，比如說怎么捕捉心理價格位，這往往和友商的價格以及類似產(chǎn)品的價格有關。

還有一個就是我調(diào)了價格，友商很可能跟著調(diào)。這種情況是動態(tài)的，我可以選擇跟著友商一起調(diào)價，也可以避開調(diào)價做促銷的日子，拿到他不做促銷的時候去做。這時所要采用的手段包括網(wǎng)絡爬蟲及機器學習，預測和捕捉對方的行為。因為牽扯到博弈，需要知道在市場上，我們是一個價格主導者，還是價格跟隨者，跟競爭對手處于一個什么關系？具體的決策和市場定位密切相關。

另外，我的當期利益和遠期利益的平衡點是什么。比如亞馬遜的策略，是在競爭對手中保持絕對低價。這個策略在美國大獲成功，使得亞馬遜取到壟斷地位。但是在中國同樣的策略效果很差，亞馬遜基本被擠出市場。

在美國，亞馬遜的網(wǎng)絡銷售占據(jù)總銷量（包括線下銷售）的14.3%，遠超第二名沃爾瑪網(wǎng)絡商店（圖：statista）

關于供需關系，我們可以看到利用供需關系去做定價的話，通過整體的一個調(diào)整，可以讓銷量、營收和利潤都大幅增加，而且幅度相當高，這是魯棒定價的效果。圖中所示是某閃購電商平臺的訂貨策略效果，我們通過兩階段，第一階段采用魯棒定貨，第二階段結(jié)合人工智能學習的手段，把新數(shù)據(jù)運用進去，可以對績效產(chǎn)生大幅度提升。

來源：觀察者網(wǎng)