时间：2022-12-05 19:22:01
编导：随着互联网的飞速发展，SaaS AI也在不断发展。 本文作者就互联网巨头SaaS AI的发展情况进行了分享，并阐述了其发展情况和具体运用场景，让我们一起来看看吧。
SaaS诞生已经22年了。
在刚满20岁的2020年，成功制作了一系列超越时代的数据，彻底证明了自己的商业价值。
当时，SaaS鼻祖SalesForce的市值正式为传统软件巨头Oracle。
这些数据表明，在业务价值方面，SaaS首次超越了传统软件。 它被只看未来的投资者视为由金钱支撑、缓慢上升的希望之星。
值得一提的是，SalesForce的创始人曾任Oracle高级副总裁。 受亚马逊迷人的购物方式的启发，传统软件也被认为会迎来这一天。
之后，他从在云中提供软件服务的SaaS公司的SalesForce辞职创办了。 创办后，企业一直经营良好，再到2020年来历史性的，在此后的几年里，保持了市场价格相对于Oracle的优势。
在中国，SaaS经历了火热沉默的几年迷茫，终于在2021年迎来了小高潮。
同年企业服务套餐融资额达到6400亿元，比上年增长105%，创历史新高。
这种态势延续到2022年，开年不久，细分客户服务套餐的SaaS企业“售后”刚刚结束了红杉中国、老虎全球基金投资的1亿元A1、A2轮融资。
如果有资本实力，接触SaaS产品的机会也会增加。 众所周知的是瘟疫中立化大功的腾讯会议、办公协作常用的石墨文档、前段时间在figma事件中掀起一波的蓝湖UI。 但是，不仅是个人用户，企业用户也不太了解的SaaS服务。 那是AI类的SaaS。
简单说明AI的原理，大致可以分为两个部分：
注意：例如，如果你想进行智能医疗，你可以让机器看到CT图像，快速判断哪些图像可能有问题。 首先，要把这些标记的信息传达给程序，告诉程序志浩什么是正常的，什么是不正常的。 培训：如果有上述大量的标注数据，就相当于具有几个特征的统计数据。 机器在看电影的时候，可以给出那部电影是否有问题的概率。 概率数据背后的逻辑叫做算法。 其实这个过程和教育的孩子们一样。
是同样的加价。 教育孩子懂得礼貌，就要举例说明什么是礼貌，什么是不礼貌，在孩子的认知中表达是非。
例如，主动打招呼是有礼貌的，称呼绰号是不礼貌的。
同样是训练。 孩子们在生活中，会观察相应的场景，对照脑海中的【礼貌】和【不礼貌】进行分类，自己决定做还是不做。
如果出现不能分类的情况，就问“妈妈，这样有礼貌吗”。 这时，妈妈需要再次做标记，完成标记-训练的小闭环。
AI确实很有用。 多数情况下，为了进行人脑无法进行的庞大计算和超多要素的复杂逻辑推测，可以解放人力。
但是，AI团队在很多公司都是奢侈品。
一个是基于成本考虑。 算法团队的工资、机器、成本、电费，贵就是一个字。 训练机器所需的海量数据自不待言，背后就有人在进行标记操作，生成喂养机器的养料。 所以，AI需要超级有钱。 二是AI的限制条件。 人脑对于信息处理的灵活性，机器赶不上。 机器接收固定的数据，吐出一定的概率，但人脑会结合当前信息发生的场景，判断当时发生了什么。 所以在很多使用场景中，比起使用AI的效果，使用人海战术可能更好。 有人工智能的真乌龙。 2020年10月，苏格兰足球冠军联赛出现了全新的AI智能中继系统。 内置AI跟踪技术的摄像头，能够自动跟踪足球。 在解放了以往需要在赛场上奔跑的摄影师的同时，对在新冠灾祸无法到场的粉丝进行了强心剂——机器的自动追踪。 体验一定不错吧。
只是，比赛刚开始过了多久，就发生了意外的事情。 只是在人群中仔细看看你，AI迷上了侧切的光头，把它当成足球追踪，侧切会去哪里，AI的镜头会去哪里。
即使离开球，AI也会转动所有镜头，负责追踪并剪掉剪下的头。 技术人员迅速介入，试图手动纠正，但无论纠正多少次，AI依然固执地追求全场最耀眼的圆圈。
我想在谈了什么是AI之后，谈谈AI的适用范围。
虽然经常和科技性的、有距离感的词语联系在一起，但实际上可以充分解决生活化的问题，就连恋爱脱单这个大场面，也是可以大显身手的地方。
如果你是职业红人，你可以用亚马逊sagemaker canvas解决相亲成功率问题。 不需要写一行代码，只需三个步骤，就能给手中的漂亮姑娘和帅小伙画上最耀眼的红线。
首先，需要准备两个数据。
一部分是数据集。 也就是说，这是成功牵手的男女会员的数据。 这是为了告诉机器是谁成功找到了另一半，其背后的标签是什么，性别、年龄、收入、职业等信息分别是什么。 另一个是预测集。 现在是还没有签名成功的会员资料。 我们需要让机器预测他们是否能找到另一半，以及找到另一半的可能性有多高。 接下来，必须读取数据集。
以相亲结果作为预测字段，系统匹配相应的分析方法。 例如，二元模型适用于结果为“是”“否”的问题。 接着点击预览模型，机器就温顺地开始工作和分析了。
只需几分钟，系统就会生成简单的结果，在图的红框处，依次显示哪个标签与成功率有关。
同时提供各字段和结果的关联性和重要性。
例如，出生地可能对能否确定关系影响不大，但即使是同一因素，女性和男性的差异也可能很大。
有了这样的认识，就可以选择合适的标签来生成模型。 这意味着您可以选择与结果高度相关的元素。
如果不知道，请多次尝试，然后选择不同的字段配置不同的模型。
最后，利用成功率最高的模型，加载需要预测的数据，稍一等待，就能生成预测的数据，每个人都能识别相亲成功的概率，对红娘来说，可以根据成功概率来安排工作。
但是，仅凭现在的条件来预测相亲是否成功，选择成功概率高的顾客，显然违背了人会变得幸福的愿景。
所以，我们可以做一些个性的尝试。 对于相亲成功概率较低的女性，我们可以尝试修正她的各项条件，看到不同条件的变化后，看到对成功率的影响，从而指导会员的转向。
商业上也有同样的例子，适用于有困难的外呼团队。
图说团队每天都会收到大量的销售线索。 每天固定的工作时间，如何打很多顾客的电话，完成顾客的转换，是他们的业务目标。
首先准备数据，导入包含以下特征的数据。 然后建立模型，经过多种模型的实验后，团队选择了其中效果最好的模型，开始将数据应用于日常工作中。
在应用模型预测改进工作方法后，客户服务团队每天面临的列表不是无序的，而是按响应能力从高到低排列，按列表顺序拨打电话即可。
最后的效果也很惊人，电话连接率从以前的35.17%达到了49.4%，几乎上升了50%。
不仅是这个场景，我们还能想到各种各样的其他可能性。
在以前的报道中，我提到过其实SaaS企业的内部系统应该怎么做。 SaaS公司的内部管理系统如何是正确的？ 我认为其中的关键是为企业业务服务，降低投入成本，提高留存率。 这就要求在销售、成功阶段能够分析、预测客户信息，指导员工的行为。
但目前我国SaaS企业生存难是公认的，由于客户留存率不足，难以达到盈亏平衡。 想要组建一支既燃烧投融资人钱又追求奢侈的AI团队，几乎是不可能的事。
我该怎么办？ 通过亚马逊sagemaker canvas，可以以低成本邀请24小时为你工作的AI团队。
它们可以在以下几个方面孜孜不倦地进行采集和分析，帮助企业经营决策。
场景1 )根据单一化概率给线索打分。
营销部门收集的线索，可以根据线索特征进行打分，优先跟进销售成功率高的客户，使工作效果最大化。
场景2 :预测客户的LTV。
在客户签约后，如果客户成功维护团队，能够预测客户的整个生命周期价值( LTV )，就可以更好地对客户进行分层并配置相应的服务资源。
场景3 )挖掘客户流失趋势。
由于SaaS是以续费为首要考虑的重要商业模式，如果能尽早判断客户流失趋势，对SaaS公司来说一定有很大的价值。 公司可以调动资源进行接触和挽留。
每个人、每个组织、每个商业实体，总是面对决策。
但是，决策既需要决策模型，也需要决策环境。
决策模型和想法可以在特定问题上通用，例如毕业后选择大企业还是小企业。 社会对每个选择都有同样的优劣判断。
但是，每个人面临的具体环境、拥有的个性千差万别，绝不能直接复用别人的选择。 你可以仔细听别人的建议，但最终还是决定自己做。
然而，AI技术将个体特征描述为一组数据，每个数据都代表一组个性化的数据。 将个体放置在某个具体场景中，应用该场景的决策模型，可以得到属于自己的答案。
例如，可以收集很多大学生毕业后的选择和后期的发展情况，输入系统，得到决策模型。
然后你把自己的信息输入系统，进行预测，分别选择不同行业不同规模的公司，展示了未来发展的可能性。 此时，世界打开，给你一个蓝图，你看到你内心的渴望，然后追求，就足够了。
同样的场景也适用于组织和商业实体。
把复杂的运算、起因的逻辑交给机器，解放人脑，挖掘我们的本能和感知，做更有创造性的事情，这不是完美的CP吗？
作者：假装运营，微信公众号： SaaS前辈。
这篇文章假装是@运营原创，每个人都是产品经理。 未经许可禁止转载。
标题来自Unsplash，基于CC0协议。
