算法工程师的死亡

算法工程师在数字化转型的浪潮中备受期待，被视为处理复杂商业问题的核心。然而，现实往往比理想更残酷。通过一系列真实案例，本文揭示了算法工程师过去在企业中面临的问题和困难。

“我们的算法工程师水平太差了，根本解决不了问题！”——作为一个经常与传统行业打交道的乙方，陈先生听了太多这样的抱怨，看到了太多类似痛苦的画面。今天我们系统地谈谈。

这个模型很厉害，很厉害！看看 ChatGPT 人类即将被杀死。能不能不强大？所以很多企业都是咬牙跺脚，工资高，聘请来自互联网厂商的算法工程师、数据挖掘工程师、数据建模师，希望他能做出超强的模型。“只要我能准确预测，我一定会如鱼得水。”这是他们的口头语。

又恰到好处，近几年大厂裁员很多，一群人以为可以喊“前字节” / 阿里 / 腾讯高级算法工程师“打着收割传统产业的幌子，从此乌鸡变凤凰，达到人生巅峰。两者一拍即合。不幸的是，我们从这里开始...

01 不顾业务，背锅死

阵亡案例 1：在一个传统行业，我们想建立一个产品推荐模型，准确匹配客户的需求。结果才过了半年，引来的算法就被炒了。投机理由:推荐不准确，但干扰了正常销售。甲方市场部负责人不屑地说:阿里的推荐系统也不好。

如果你仔细研究需求场景，你会发现:亲爱的，不是阿里有问题，而是你的公司不是阿里。阿里是平台方，平台上有无数商品等着推。

但是具体到你这个企业，就可以发现：

1、有些产品是立身处世的爆款，不推也罢卖。

2、有些产品是业务的心头肉，只要有一点问题，那就是千刀万刀。

3、有些产品先天短腿，功能不好，定价不合理，根本做不到竞品，推荐系统有毛用。

4、有的产品质量还可以，只是内部政治地位不高，没有资源，或者定价不合理，导致后天腿短。

上一个算法小哥哥，直接去了模型，没有考虑这些业务。所有产品都是炖着推荐的(或者协同过滤，完全没有考虑到公司的用户粘性和用户行为数据量)。结果主要产品下滑，销售部门和营销部门联合起来，把锅扔给他。最后，它不仅被赶走了，而且出名了。

在仔细分析了这些背景之后，发布了一个改进方案(如下图所示)：

首先做好产品定位，选择后天短腿的小品类，找出背书部门，此时可开做。

果不其然，第一波推广立刻见效。

所以甲方高兴地接手，自己回去优化迭代。

02 不要细化场景，麻烦死

阵亡案例 2：一家连锁店，希望建立一个模型，准确预测每家店的鱼蛋、米卷、饭团、面包...具体到每一家。 SKU 销量，这样店铺就不会因为积压而浪费食材，也不会因为缺货而错过销售。结果七个造型的小哥折腾了半年，不够准确，离职了。 4 个，剩下三个灰心丧气。到底怎么样？ 100% 精确呢！

如果你仔细思考这个问题，你会觉得很有趣:真的有 100% 准确预测鱼蛋香肠的能力，这七个小哥还打屁工啊，直接去炒期货啊。

经过仔细研究，我们发现所谓的“缺货错过销售”简直就是一句空话。因为没有正规的缺货登记系统(很多企业都有，但这个没有)。但是积压造成的损失是牢固高的，所以发布了一个改进方案(如下图所示)。

经过两个月的这种操作，损失明显减少，实际上看到了成本的降低。同时，虽然有人抱怨:“诶，有的店缺货”。但是证据呢？证据呢？证据呢？证据呢！没有数据，空话，说鬼话！因此，情况顺利扭转。

不出意外的是，甲方接手并继续优化自己(是的，甲方就是不喜欢签第二期和第三期，都以为自己可以权衡后面的。当然，这是另一个故事，哈哈)。

03 不要处理变化，蒙冤死

阵亡案例 3：一家大型经销商希望建立模型，准确预测手机和平板销量，防止积压。一个接一个地改变。 5 一个模型，都不满意！业务给出的反馈是：预测不够准确，导致决策失误。

经过仔细研究，发现问题根本不是预测，而是业务方的反复跳跃。评价模型的效果取决于总销量，但总销量分配给各渠道负责人后，总有人跳出来要求增减。而且经常看头 2 周买得好，就拼命加，结果导致积压。看头 2 周差不想做，能甩就甩。最后整体数据误差大，反而怪算法预测不准。

知道这群孙子的做法，于是，出台了一个改进方案。升级后，效果立现：所谓的预测不准确，90% 这是由业务方自己不可靠的谈判、预测和骚操作造成的。不仅顺利脱身，还帮助前五个死鬼洗刷冤屈(如下图所示)。

04 数据质量差，急死

阵亡案例 4：一家大公司想建立智能客服，高薪挖了一个小哥哥。结果他来了才知道，不仅原始数据混乱，客服培训也差，甚至最基本的分类标签:咨询、投诉、建议都是混乱的。结果半年没成绩，自然就走投无路了。

阵亡案例 5：一家大公司想建立一个“和Tiktok一样的内容推荐系统”，高薪挖了一个小哥哥。结果他来了才知道，里面根本没有内容分类标签，客户的标签都是垃圾，90%。 都是空的...领导还说:“我给了你这么多钱。你为什么做不到？你为什么需要小姐姐的帮助？你觉得不是所有的抖音都是算法工程师做的吗？？"

╮ ( ╯▽╰ ) ╭

是的，你越迷信算法模型，你就越不重视数据建设。他们都是一张脸:“你有算法。你还需要数据做什么？数据不是初级和低级的吗？？？"

顺便说一下，有些学生应该注意到，这些死亡周期是半年。为什么，是因为很多算法岗位都是互联网公司的吉祥物，以证明公司走在“人工智能之路”，保持股价。因此，互联网公司的评价远不如实体公司严格。如果你半年不在实体公司取得成绩，不离开怎么办？

05 问题的本质原因

问题的本质在于:数据建模本质上抵抗的是低效率。它是一个相对客观的领域，帮助我们处理计算变量过时、手工计算复杂、难以处理的问题。这是一种计算方法，不是智慧高于普通人的神秘力量，也不是仙风鹤骨的高手。数据建模应用最好的领域不是诊断业务问题，而是图像识别、语音转换等相对客观的领域。

而且传统企业面临的问题，如：

紧急情况多：天气预报有雨，所以备货少，结果突然没有下降，货物不够卖…

目标不明确：由于老板个人喜欢，所以上了某个商品，结果老板看了看…

业务能力差:预测不准确，情绪化，收到客户和供应商的回扣，迎合老板的态度，想邀功。

这种乱七八糟的情况，更适合用数据分析方法来解决。资料分析，本质上抵抗的是不确定性。就是认真收集数据，整理工作流程，诊断业务问题，进行数据测试。把以偏概全关进笼子里。把“原来的想法”改成“我确信”。所以遇到复杂的企业经营问题，最好的办法就是认真做好数据收集，认真建立分析模型，一点一点积累分析经验。与其指望一只阿尔法大狗汪汪一叫就拨云见日迎春归。

所以我们可以看到，只要把复杂的场景梳理清楚，摆脱乱七八糟的因素，模型就能在一定程度上处理业务问题。但遗憾的是，从朋友圈里的文章，到管理层的心，再到正在参与的小哥哥的键盘，所有的声音都是:

算法再次击败人类！

比你自己更了解自己的算法！

算法实现了 99% 超精确预测！

因此，这样的不幸还会继续上演，而且随着大量企业加速数字化，将会上演更多，更加惨烈。咱们拭目以待哦。

本文由产品经理作者【接地气的陈老师】、微信微信官方账号:【接地气的陈老师】、原创。 / 授权 发布于每个人都是产品经理，未经许可，禁止转载。

题图来自 Unsplash，基于 CC0 协议。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com