编辑导语：随着互联网的快速发展，SaaS AI也不断地在发展中，本文作者分享了有关互联网巨头发展SaaS AI的情况，讲述了其发展态势以及具体的运用场景，一起来看一下吧。
距离SaaS诞生，已经有22年了。
就在它刚满20岁的2020年，成功造就了一组跨越时代的数据，也彻底证明了自己的商业价值。
在当年，SaaS鼻祖SalesForce的市值正式传统软件巨头Oracle。
这一数据标志着SaaS在商业价值上，首次超过了传统软件，它被只看未来的投资人用钱支持，视为冉冉升起的希望之星。
而有趣的是，SalesForce的创始人曾就职于Oracle并担任高级副总裁，因受到亚马逊颠覆式的购物方式的启发，认为传统软件也会迎来这一天。
遂离职创办了用云端提供软件服务的SaaS公司SalesForce，创办后企业一直经营良好，更在2020年来到历史性的一颗，并在随后的几年，保持了对Oracle的市值优势。
而在中国，SaaS经历了火热到沉寂的几年迷茫，终于在2021年迎来一阵小高潮。
同年企业服务赛道的融资额达到6400亿人民币，较上一年增长105%，创历年新高。
这一态势在2022年依旧延续，就在开年不久，细分客户服务赛道的SaaS企业“售后宝”刚刚完成红杉中国、老虎环球基金领投的一亿元A1、A2轮融资。
资本如此给力，也就让大家更有机会接触到SaaS产品，对于普通人而言，耳熟能详的有：疫情中立了大功的腾讯会议，经常被用来办公协作的石墨文档，前段时间因为figma事件热了一波的蓝湖UI。但有一类SaaS服务特别少见，不仅个人用户见得少，企业用户也了解不多，它就是AI类的SaaS。
简单科普一下AI的原理，大致分为两个部分：
标注： 比如想做智能医疗，让机器辅助看CT影像，快速判断出哪些影像可能有问题。那么首先就要把这些标注的信息告诉程序，让程序志浩掉什么是正常的，什么不正常。 训练： 有了上面大量的标注数据，相当于有了某些特征的统计数据。机器在看一个片子的时候，就能得出这个片子有没有问题的概率。而得出概率数据背后的逻辑，就叫做算法。 其实这个过程和教育小朋友是一样的。
同样是标注。想教育小朋友懂礼貌，那就要通过举例子让小朋友明白什么是礼貌，什么是不礼貌，在小朋友的认知中标注下是和非。
例如要主动问好是礼貌的，叫外号是不礼貌的。
同样是训练。小朋友在生活中，观察到相应的场景，就去和脑海中的【礼貌】和【不礼貌】对照，进行归类，决定自己做还是不做。
如果出现无法归类的情况，那就会询问：妈妈，这是礼貌的吗？此时需要妈妈再次进行标注，完成标注-训练的小闭环。
AI确实非常有用。很多场景下能释放人力，做到人脑无法做到的海量计算，以及超多因素的复杂逻辑推断。
但AI团队在很多公司还是奢侈品。
一是基于成本考虑 。算法团队工资+机器成本+电费，贵就是一个字。更别提训练机器需要的海量数据，这都是背后有人在进行打标签的操作，生成喂养机器的养料。所以说，AI是个需要超级富养的娃。 二是AI的限制条件 。人脑对于信息处理的弹性，是机器无法追上的。机器接收的是固定的数据，吐出的是固定的概率，而人脑会结合当下信息发生的场景，去判断此时正在发生什么。所以在很多使用场景下，用AI的效果可能还不如用人海战术。 有一桩AI造成的真实乌龙。2020 年 10 月，苏格兰足球冠军联赛上，一套全新的 AI 智能转播系统闪亮登场，它内置了 AI 追踪技术的摄像头，可以自动追踪足球，解放了以往需要在赛场里来回狂奔的摄像师，同时也给疫情无法到场的球迷打了个强心剂——机器自动跟球，体验肯定差不了。
只是没想到，比赛刚开始多久，就出现了意外。只是在人群中多看了你一眼，AI就迷上了边裁的光头，把它当成了足球去追踪，边裁走到哪儿，AI 的镜头就转到哪儿。
哪怕边裁离球万里，AI 也会不顾一切调转镜头，尽职尽责地追踪边裁的光头。技术人员迅速进行干预，试图手动纠正，但无论纠正多少次，AI仍然固执的追寻着全场最闪亮的那个圆。
聊了AI是什么，接着想说说AI的适用范围。
虽然它经常和一些很科技很有距离感的词语联系在一起，但实际却能解决一些十分生活化的问题，甚至恋爱脱单这种令人头大的场景，也是它可以大显身手的地方。
如果你是一个职业红娘，就可以使用Amazon SageMaker Canvas来解决相亲成功率的问题。无需写一行代码，只需三个步骤，就能给手上的漂亮姑娘和帅小伙牵起最闪亮的红线。
首先，你需要准备两份数据：
一份是数据集。 即手上已经成功牵手的男女会员的数据，这是用来告诉机器，哪些人成功找到了另一半，他们背后的标签是什么，性别，年龄，收入，职业等信息分别是什么样。 另一份是预测集 。是现在还没有签手成功的会员资料，你需要让机器预测他们是否能够找到另一半，以及找到另一半的可能性是多高。 接着，你需要导入数据集。
把相亲结果作为预测字段，系统会匹配上适合的分析方法，例如结果是【是】【否】的这类问题，就适合用二元模型。接着点击预览模型，机器就开始乖乖的工作和分析了。
只需要几分钟，系统就会生成一个简单的结果，在如图红框处，会依次展示哪些标签和成功率有关系。
系统同时提供了每个字段和结果的相关性以及重要程度。
例如你可能发现，籍贯对于是否能确定关系影响不大，而同一要素，对于女性和男性的差别也可能很大。
有了这样的一些认识，你就可以选择合适的标签去生成模型，也就是选择和结果高度相关的的因素。
如果不确定的话，可以多尝试几次，选择不同的字段组成不同的模型。
最后，使用成功率最高的模型，载入需要预测的数据，等待上一些时间，就会生成一份预测后的数据，标识了每个人相亲成功的概率，对于红娘来说，就可以根据成功概率来安排工作了。
但如果只以现在的条件来预测相亲是否成功，选择成功概率更高的客户，显然有悖于让人人都获得幸福的愿景。
所以，我们还可以做一些个性化的尝试。对于一位相亲成功概率偏低的女士，我们可以尝试修改她的各项条件，看到不同条件变化后，对于成功率的影响，从而指导会员的改变方向。
商业上也有一个类似的例子，适用于深受困扰的外呼团队。
外呼团队每天会接收大量的销售线索，在每天固定的工作时间里，如何打通更多客户的电话，完成客户转化，是他们的业务目标。
同样先是准备数据，导入包含如下特征的数据。然后建立模型，经过多个模型的试验后，团队选择了其中效果最好的模型，开始把数据应用到日常工作里。
在应用了模型预测并改进工作方法后，客服团队每天面对的列表不再是无序的，而是按照接听可能性，从高到低依次排列，按照列表依次拨打就好。
最后的效果也很惊人，电话接通率从之前的35.17%，到达了49.4%，几乎提升了50%。
除了这个场景，我们也可以想出多种多样的其他可能。
在之前的文章中，其实有聊到过SaaS企业的内部系统应该如何做。（ SaaS公司的内部管理系统，怎么做才算对？ ）我认为其关键是服务于企业业务，帮忙降低投入成本，提升留存率。这就要求系统要能够在销售环节、成功环节对客户信息进行分析和预测，从而指导员工的行为。
但如今中国SaaS企业的生存难是公认的，客户留存率不足使盈亏平衡很难达成。一边烧着投融资人的钱，一边去追求奢侈的AI团队建立，几乎是不可能的事情。
那怎么办呢？通过使用Amazon SageMaker Canvas，可以用很低的成本，来邀请一个24小时为你工作的AI团队。
它们可以在以下几个场景下孜孜不倦的进行采集和分析，帮助企业经营决策。
场景1：根据成单概率给线索打分。
当市场部搜集过来的线索，可以根据线索特征进行打分，让销售优先跟进成功率高的客户，最大化工作效果。
场景2：预测客户LTV。
当客户签约后，转为客户成功团队维护，此时如果可以预测客户的LTV（全生命周期价值），就可以更好的给客户进行分层，以及配备合适的服务资源。
场景3： 挖掘客户流失倾向。
SaaS是把续费看成第一重要的一种商业模式，所以如果能提早判断客户流失倾向，对于SaaS公司无疑有极大的价值，公司可以动员资源去接触和挽留。
每个人，每个组织，每个商业体，都在无时无刻面临着决策。
但做决策既需要决策模型，又需要决策环境。
决策模型和思路可以在某些特定问题下公用，例如毕业后选择大公司还是小公司，社会对每种选择都有着类似的优劣势判断。
但每个人面临的具体环境，拥有的个性都千差万别，所以永远不能直接复用他人的选择。你可以好好听别人的建议，但决定终究要自己做。
但AI技术，把个体特征描述成了一组组数据，每个人都代表着个性化的一组数据，把个体放到某个具体场景，应用这个场景的决策模型，就能获得自己独一无二的答案。
例如你搜集到了很多大学生毕业后的选择，以及后期的发展情况，可以录入系统，获得决策模型。
然后你把自己的信息录入系统，进行预测，分别呈现了选择不同行业不同规模的公司，未来发展的可能性。此时世界打开，向你呈现了一张张蓝图，你只要看到你内心的渴望，然后去追求，就够了。
同样的场景，也可以适用在组织和商业体上。
把复杂的运算、可以归因的逻辑交给机器，解放人类的大脑，挖掘我们的天性和感知，去做更多有创造性的事情，岂不是完美CP。
作者：假装是运营，微信公众号：SaaS学姐。
本文由 @假装是运营 原创发布于人人都是产品经理。未经许可，禁止转载。
题图来自Unsplash，基于CC0协议。
给作者打赏，鼓励TA抓紧创作！
{{{path> 赞赏
