Cái chết của một kỹ sư thuật toán

Trong làn sóng chuyển đổi số, các kỹ sư thuật toán được đặt kỳ vọng cao và được coi là chìa khóa để giải quyết các vấn đề kinh doanh phức tạp. Tuy nhiên, thực tế thường tàn khốc hơn lý tưởng. Thông qua một loạt các trường hợp thực tế, bài viết này sẽ chỉ ra những thách thức và khó khăn mà các kỹ sư thuật toán trong các doanh nghiệp truyền thống phải đối mặt.

"Trình độ của các kỹ sư thuật toán của chúng ta quá kém và họ hoàn toàn không có khả năng giải quyết vấn đề!" - Là người thường xuyên giao dịch với các doanh nghiệp truyền thống, ông Trần đã nghe quá nhiều lời phàn nàn như thế này và chứng kiến ​​quá nhiều cảnh tượng bi thảm tương tự. Hôm nay chúng ta sẽ nói về hệ thống.

Mô hình này thật tuyệt vời phải không? Thật tuyệt vời! Nhìn xem, ChatGPT gần như đang giết chết con người, sao nó lại không tuyệt vời được chứ? Kết quả là, nhiều công ty đã nghiến răng chịu đựng và đưa ra mức lương cao để thuê các kỹ sư thuật toán, kỹ sư khai thác dữ liệu và chuyên gia mô hình dữ liệu từ các công ty Internet lớn, với hy vọng rằng họ có thể tạo ra các mô hình siêu mạnh mẽ. "Chỉ cần có thể dự đoán chính xác thì tôi chắc chắn sẽ thành công" là phương châm của họ.

Đúng là nhiều công ty lớn đã sa thải nhân viên trong những năm gần đây, và một nhóm người nghĩ rằng họ có thể tiếp quản các công ty truyền thống dưới danh nghĩa "cựu kỹ sư thuật toán cao cấp của ByteDance/Ali/Tencent", và từ đó họ sẽ biến từ một chú gà đen thành một chú phượng hoàng và đạt đến đỉnh cao của cuộc đời. Hai người đã hợp nhau ngay lập tức. Bi kịch bắt đầu từ đây...

01 Không nghĩ đến việc kinh doanh, đổ lỗi

Trường hợp 1: Một doanh nghiệp truyền thống muốn thiết lập mô hình đề xuất sản phẩm để đáp ứng chính xác nhu cầu của người dùng. Kết quả là, nhà phát triển thuật toán đã bị sa thải chỉ sau nửa năm. Lý do sa thải: Đề xuất này không chính xác và ảnh hưởng đến hoạt động bán hàng thông thường. Trưởng phòng marketing của Bên A khinh thường nói: Thuật toán đề xuất của Alibaba cũng không tốt đến thế.

Sau khi nghiên cứu kỹ lưỡng các kịch bản kinh doanh, tôi phát hiện ra rằng: Thưa ông, vấn đề không phải ở Alibaba, mà là ở công ty của ông, không phải Alibaba. Alibaba là một nền tảng có vô số sản phẩm đang chờ được quảng bá trên đó.

Nhưng khi nói đến công ty của bạn, bạn sẽ thấy:

1. Một số sản phẩm là sản phẩm bán chạy có thể bán chạy ngay cả khi không quảng cáo.

2. Một số sản phẩm là trái tim và linh hồn của doanh nghiệp. Nếu có vấn đề gì, chúng sẽ bị chặt thành từng mảnh.

3. Một số sản phẩm có nhiều lỗi, chức năng kém và giá cả không hợp lý. Họ không thể sánh bằng các đối thủ cạnh tranh nên thuật toán đề xuất là vô dụng.

4. Một số sản phẩm có chất lượng tốt nhưng địa vị chính trị trong nước thấp, không có nguồn lực hoặc định giá không hợp lý dẫn đến tồn tại những khuyết điểm.

Người phụ trách thuật toán trước đây đã không xem xét đến sự cạnh tranh công khai và ngấm ngầm trong các doanh nghiệp này và đi thẳng vào mô hình. Tất cả các sản phẩm được trộn lại với nhau để đề xuất (vẫn sử dụng bộ lọc cộng tác, không xem xét mức độ gắn bó của người dùng với công ty hoặc lượng dữ liệu về hành vi của người dùng). Kết quả là doanh số bán sản phẩm chính giảm và các phòng bán hàng và tiếp thị đã cùng nhau đổ lỗi cho ông. Cuối cùng, anh ta không những bị đuổi ra ngoài mà còn trở nên khét tiếng.

Sau khi phân tích cẩn thận các bối cảnh này, một kế hoạch tối ưu hóa đã được phát triển (như hiển thị bên dưới):

Trước tiên, hãy phân tích sản phẩm thật kỹ, chọn danh mục sản phẩm nhỏ có phạm vi hoạt động ngắn, tìm bộ phận chứng thực danh mục đó, sau đó bạn có thể bắt đầu làm việc.

Quả nhiên, làn sóng quảng bá đầu tiên đã có hiệu lực ngay lập tức.

Vì vậy, Bên A vui vẻ tiếp quản và quay lại để tối ưu hóa và lặp lại.

02 Nếu không tinh chỉnh cảnh, bạn sẽ gặp rất nhiều rắc rối

Trường hợp 2: Một chuỗi cửa hàng hy vọng xây dựng được mô hình dự đoán chính xác doanh số bán các mặt hàng chả cá, chả giò, cơm nắm, bánh mì,... tại từng cửa hàng, đến từng mã hàng (SKU). Bằng cách này, cửa hàng sẽ không lãng phí thực phẩm do tồn đọng, cũng như không mất doanh số bán hàng do hết hàng. Kết quả là, bảy chàng trai làm người mẫu đã làm việc trong nửa năm nhưng vẫn không thể làm cho nó đủ chính xác. Bốn người trong số họ đã từ chức, ba người còn lại tỏ ra chán nản. Làm sao nó có thể chính xác 100% được?

Nếu bạn suy nghĩ kỹ về tình huống này, bạn sẽ thấy nó rất buồn cười: Nếu họ thực sự có khả năng dự đoán cá viên và xúc xích với độ chính xác 100%, tại sao bảy anh chàng này lại làm những công việc tồi tệ và đi giao dịch tương lai?

Sau khi nghiên cứu kỹ lưỡng, tôi thấy rằng cái gọi là "hết hàng và bỏ lỡ đợt bán hàng" chỉ là lời nói suông. Bởi vì không có hệ thống đăng ký hết hàng chính thức (nhiều công ty có, nhưng công ty này thì không). Tuy nhiên, tỷ lệ mất mát do tồn đọng công việc rất cao, do đó một kế hoạch tối ưu hóa đã được xây dựng (như thể hiện bên dưới).

Sau khi chạy như vậy trong hai tháng, tỷ lệ hao hụt đã giảm đáng kể và chúng ta có thể thấy rõ sự giảm chi phí. Cùng lúc đó, một số người phàn nàn: "Ôi, một số cửa hàng hết hàng rồi". Nhưng bằng chứng ở đâu? Bằng chứng ở đâu? Bằng chứng đâu rồi! Nếu không có dữ liệu, chỉ là lời nói suông, sẽ chẳng ai tin! Vì vậy tình hình đã được đảo ngược thành công.

Không có gì ngạc nhiên khi Bên A tiếp quản và tiếp tục quá trình tối ưu hóa (đúng vậy, Bên A chỉ không muốn ký giai đoạn thứ hai hoặc thứ ba và nghĩ rằng họ có thể tự xử lý phần còn lại. Tất nhiên, đó là câu chuyện sau, haha).

03 Không thích ứng với sự thay đổi dẫn đến cái chết oan uổng

Trường hợp 3: Một đại lý kênh lớn hy vọng xây dựng được mô hình dự đoán chính xác doanh số bán điện thoại di động và máy tính bảng để tránh tình trạng tồn đọng. Tôi đã thay đổi 5 mẫu liên tiếp nhưng không hài lòng với mẫu nào cả! Phản hồi từ doanh nghiệp là dự báo không đủ chính xác, dẫn đến những quyết định sai lầm.

Sau khi nghiên cứu kỹ lưỡng, người ta phát hiện ra rằng vấn đề không nằm ở dự báo mà ở sự thay đổi liên tục của hoạt động kinh doanh. Hiệu quả của mô hình đánh giá dựa trên tổng khối lượng bán hàng. Tuy nhiên, sau khi tổng doanh số được phân bổ cho từng người quản lý kênh, luôn có những người nhảy ra yêu cầu tăng hoặc giảm doanh số. Và thường thì, nếu họ thấy doanh số bán hàng tốt trong hai tuần đầu tiên, họ sẽ vội vã mua thêm, dẫn đến tình trạng tồn đọng. Nếu hai tuần đầu tiên không tốt, tôi sẽ không muốn làm nữa, vì vậy tôi sẽ từ bỏ nếu có thể. Cuối cùng, độ lệch dữ liệu tổng thể rất lớn và chúng tôi phải đổ lỗi cho thuật toán vì những dự đoán không chính xác.

Biết được cách làm việc của những người này, chúng tôi đã đưa ra một kế hoạch tối ưu hóa. Sau khi tối ưu hóa, hiệu quả sẽ thấy ngay lập tức: 90% các dự đoán không chính xác là do các cuộc đàm phán, dự đoán và hoạt động vô lý của chính bên kinh doanh gây ra. Anh không chỉ trốn thoát thành công mà còn giúp năm người vô tội đã chết trước đó được minh oan (như trong hình bên dưới).

04 Chất lượng dữ liệu kém, rất khó chịu

Trường hợp 4: Một doanh nghiệp lớn muốn xây dựng dịch vụ chăm sóc khách hàng thông minh nên đã thuê một thanh niên với mức lương cao. Tuy nhiên, họ phát hiện ra rằng không chỉ dữ liệu gốc hỗn loạn mà do đào tạo dịch vụ khách hàng quá kém nên ngay cả các nhãn phân loại cơ bản nhất: tư vấn, khiếu nại và đề xuất đều bị sai. Kết quả là, tất nhiên, anh ta đã làm việc nửa năm mà không có kết quả và đã bị sa thải trong sự ô nhục.

Trường hợp 5: Một doanh nghiệp lớn muốn xây dựng "thuật toán đề xuất nội dung tương tự TikTok" và thuê một thanh niên với mức lương cao. Tuy nhiên, anh phát hiện ra rằng công ty không có nhãn phân loại nội dung nào và các nhãn do người dùng đưa ra đều là rác, 90% trong số đó là trống rỗng... Ông chủ còn nói: "Tôi đã trả cho anh nhiều tiền như vậy, tại sao anh không làm được? Tại sao anh cần sự giúp đỡ của anh? Anh không thấy rằng TikTok đều do các kỹ sư thuật toán thực hiện sao?"

╮(╯▽╰)╭

Đúng vậy, mọi người càng tin vào mô hình thuật toán thì họ càng ít coi trọng việc xây dựng dữ liệu. Họ đều nói, “Bạn đã có thuật toán rồi, tại sao bạn cần dữ liệu? Dữ liệu không phải là cơ bản sao???”

Nhân tiện, một số sinh viên có thể nhận thấy rằng chu kỳ thất bại kéo dài nửa năm. Tại sao? Bởi vì nhiều vị trí thuật toán trong các công ty Internet là linh vật, nhằm chứng minh rằng công ty đang trên “con đường trí tuệ nhân tạo” và duy trì giá cổ phiếu. Do đó, việc đánh giá ở các công ty Internet ít nghiêm ngặt hơn nhiều so với các doanh nghiệp thực tế. Nếu bạn không đạt được kết quả trong một doanh nghiệp thực tế trong nửa năm, bạn sẽ không còn lựa chọn nào khác ngoài việc rời đi.

05 Nguyên nhân gốc rễ của vấn đề

Bản chất của vấn đề là mô hình dữ liệu về cơ bản chống lại tình trạng kém hiệu quả. Nó giúp mọi người giải quyết các vấn đề khó xử lý do có quá nhiều biến số vận hành và tính toán thủ công phức tạp. Đây là một phương pháp tính toán, không phải là một sức mạnh huyền bí thông thái hơn người thường, cũng không phải là một ẩn sĩ có phẩm chất bất tử. Lĩnh vực tốt nhất cho ứng dụng mô hình hóa dữ liệu không phải là chẩn đoán các vấn đề kinh doanh mà là các lĩnh vực tương đối khách quan như nhận dạng hình ảnh và chuyển đổi giọng nói.

Các vấn đề mà các doanh nghiệp truyền thống phải đối mặt là:

• Có nhiều tình huống bất ngờ xảy ra: dự báo thời tiết báo mưa nên chúng ta có ít hàng tồn kho, nhưng trời đột nhiên ngừng mưa và không còn đủ hàng để bán...
• Mục tiêu không rõ ràng: Một sản phẩm nào đó được đưa ra thị trường vì ông chủ thích nó, nhưng cuối cùng ông chủ lại mắc phải sai lầm...
• Khả năng kinh doanh kém: dự đoán không chính xác, cảm tính, nhận hối lộ từ khách hàng và nhà cung cấp, cố gắng làm hài lòng sếp và nhận công lao

Những tình huống lộn xộn này có thể được giải quyết tốt hơn bằng phương pháp phân tích dữ liệu. Phân tích dữ liệu về cơ bản là chống lại sự không chắc chắn. Điều này được thực hiện bằng cách thu thập dữ liệu cẩn thận, sắp xếp các quy trình kinh doanh, chẩn đoán các vấn đề kinh doanh và tiến hành kiểm tra dữ liệu. Đặt những giả định chủ quan vào trong một cái lồng. Thay "Tôi nghĩ" bằng "Tôi chắc chắn". Do đó, khi gặp phải các vấn đề quản lý kinh doanh phức tạp, cách tiếp cận tốt nhất là thu thập dữ liệu cẩn thận, thiết lập mô hình phân tích cẩn thận và tích lũy kinh nghiệm phân tích từng chút một. Thay vì mong đợi một con chó đầu đàn sủa và mây sẽ tan để chào đón mùa xuân trở lại.

Vì vậy, chúng ta thấy rằng miễn là chúng ta sắp xếp các kịch bản phức tạp và loại bỏ các yếu tố gây rối thì mô hình có thể giải quyết các vấn đề vận hành ở một mức độ nhất định. Thật không may, từ các bài viết trong WeChat Moments, đến trái tim của ban quản lý, đến bàn phím của anh chàng đang điều chỉnh các thông số, tất cả các giọng nói đều là:

Thuật toán lại đánh bại con người một lần nữa!

Thuật toán hiểu bạn hơn cả bạn hiểu chính mình!

Thuật toán đạt được khả năng dự đoán chính xác tới 99%!

Vì vậy, thảm kịch này sẽ tiếp tục xảy ra và khi ngày càng nhiều công ty đẩy nhanh quá trình số hóa, thảm kịch sẽ xảy ra ngày càng bi thảm hơn. Chúng ta hãy cùng chờ xem.