李国飞:全面反思腾讯的战略 第一章 过去十数年,腾讯从一个桌面即时通讯工具进化成为一个庞大的数字帝国,是全球互联网公司失控性进化的先行者和光辉典范,... 

过去十数年,腾讯从一个桌面即时通讯工具进化成为一个庞大的数字帝国,是全球互联网公司失控性进化的先行者和光辉典范,由于这样的一种发展方式并无先例,如何才能持续成功进化,腾讯管理层一直在努力地探索,我们也一直在紧密追踪观察,到了今天,是时候进行一次小结。

首先是选址,淘宝天猫积累了大量的购买及快递地址数据,分析这些数据,能给正确选址提供很大的帮助。

其次,一个店里该上架什么样的商品,对提高坪效意义巨大,例如在深圳华侨城开的一家盒马与在深圳坪山开的一家盒马,所上架的商品一定会有很大的差异,怎么决定呢?分析这一区顾客在淘宝和天猫的购物数据,会很有帮助。

第三,盒马店里有不少餐饮店,如何选择呢?分析饿了么的送餐数据,会很有帮助。

第五,半小时送货上门,对最后三公里配送的要求是非常高的,饿了么所积累的能力、数据和调度算法,能给盒马提供很大帮助。

第六,打开盒马app,每个人看到的推送内容是不相同的,也就是所谓的“千人千面”,分析你在淘宝天猫的消费记录以及在盒马的消费记录,并调用之前已经完善的算法,就能达到这个效果。

通过以上分析,我们就会知道,盒马并不是横空出世的,它是在阿里系淘宝、天猫、饿了么、菜鸟等所积累了多年的大数据以及相应算法的基础上进化而来的,也就是说,不但需要拥有足够多的数据,同时所拥有的数据的维度还要足够多,同时各种算法还要足够好,盒马才有机会进化而来。现在也有一些公司如家乐福、永辉在做相似的尝试,看店里的布局还挺像的,腾讯也给予很多支持,但我看了一下,腾讯所支持的只是一些技术上的,如人脸识别、云服务、小程序等,而这些公司进行商业决策时所非常需要的很多大数据以及相应算法,公司本身积累得还很不够,同时腾讯也无法提供,因此与盒马的差距还是比较大的。

所有的公司本质都是数据公司,公司的业务就是在生产数据,所生产的数据数量越多,维度越丰富,公司就越有价值,同时进化的潜力也越大。马云几年来反复强调说阿里是数据公司,而不是电商公司,17年底他接受一个采访时说:“九年前,当阿里巴巴从电商公司转型为数据公司时,我们内部有过巨大的争议,最终才决定转型。数据对于人类社会发展来说太重要了,就像上世纪的石油一样珍贵,所以我们必须着眼于数据。”阿里这几年的企业运作看起来眼花缭乱,但其实是有非常清晰的脉络,那就是疯狂获取商业各个维度的数据,光拥有数据还远远不够,还必须不断完善对数据进行分析挖掘的算法,《人类简史》作者尤瓦尔·赫拉利认为:“未来的上帝将不再是客户,他们将不再是经济链的顶端,经济链的顶端将是算法,算法将会帮我们做出越来越重要的决定,帮我们分析和解码客户的需求。”好的算法可以“点数成金”,没有好的算法,数据只是塞满硬盘的无用之物。

根据以上分析,我们用一个全新的角度----数据及算法,来重新定义一家公司,一个公司从小到大,发展进化,其实要做的事情无非两个:

1.提升算法处理数据

2.获取更多的数据。

这两件事情,腾讯都做得如何呢?下面作详细的分析。

第二章

一、提升算法处理数据

腾讯在事关公司业务发展的重大算法方面,一直没有太大的突破,作为对比,我想先介绍一下在这方面有突出成绩的字节跳动公司(今日头条和抖音的母公司)。

第二、没有强大的数据算法研究部门,各个部门都有自己的算法工程师,低水平重复建设,各自为政,至今没有听说有什么顶尖的研究成果。不知道是否是游戏赚钱太容易的缘故,腾讯对算法的态度令人困惑。作为对比,字节跳动公司对算法极为重视,从人才结构就可以看出端倪。据报导,2017年时,公司一共有1500名工程师,其中算法工程师占了800名,而且还表示愿意以300万美元的薪水(主要是期权)招聘最顶尖的算法工程师,而腾讯有多少专门的算法工程师呢,委托分析师朋友问了一下,和字节跳动公司相比,少得可怜。

由于算法方迟迟未能取得突破,腾讯的一些核心业务发展受到了很大的影响,我举两个例子:

小结一下,流量1.0是不精准的转化效率较低的流量,流量2.0是比较精准的、转化效率大幅提升的流量,商业价值较流量1.0有了质的飞跃。从流量1.0时代进化到流量2.0时代,相当于从马车时代进化到汽车时代。

二、获取更多数据

更多数据不仅包括更多的数量,还包括更多的维度。如何获取,有两种方法,一是内部产生,通过不断开拓新的业务,二是外部输入,通过资本投资。很遗憾腾讯这两种方法都使用得不够好,令人很不安。为什么会这样?我觉得和它3Q大战后腾讯所执行的战略有密切的关系。

腾讯的这个战略实施后,市场上所有的竞争者都如释重负。腾讯过了几年原来竞争对手交口称赞的舒服日子。到了今天,细细复盘审视,这个战略已经给腾讯的竞争力造成了非常严重的负面影响,我先把这个战略问题作详细分析,然后再谈这个战略是如何极大地影响了新的大数据的获取,因为两者是有直接的因果关系的。

这个战略的主要问题包括:

2、未来颠覆腾讯的产品,可能来自各个角落,甚至我们完全想象不到的角落,只做“两个半”,也就意味着我们只在“两个半”领域进行防守,除此之外全不设防,但是,万一领导们判断错了,对手从别的角落杀出来我们才恍然大悟,仓促应战,岂不是悔之晚矣?今天抖音已经在尝试做社交了,通过一款大红大紫的短视频产品曲线进入社交,是否成功还有待观察,但这样一种进攻方式,腾讯领导当年可曾预测到了?未来一定还有更多类似的挑战,腾讯领导已经智珠在手,算无遗策了么?KK说颠覆式创新有一个重要特征,那就是从传统巨头的技术和市场边缘艰难成长起来,他宣称,那些现在垄断的互联网巨头将来会被那些来自于边缘的创新公司所颠覆。KK的这个警告,不知能否警醒腾讯的领导们?

腾讯最近几年股权投资非常激进,2017年腾讯对外投资额高达1023亿元了,今年第一季度投资额高达540亿元,这种投资中绝大部分都是只做小股东、不能获取核心数据的财务投资。投了这么多,最近不少公司正在陆续上市,最新的一个例子是,投资三年的拼多多上市了,300亿美金市值,腾讯有18%的股份,也就是赚了几十亿美元,从投资收益的角度来看是极其成功了,但是资本市场会由于腾讯的这次成功投资而提升腾讯估值吗?事实告诉我们,不会,最近腾讯的股价并没有因为拼多多的上市而上涨,相反最近跌个不停,资本市场的逻辑很简单,这只是一笔成功的投资,但对腾讯的核心竞争力影响非常小,而腾讯是一家科技公司而不是一家投资公司,也就是说,腾讯每年花费一两千亿巨资进行了大量撒胡椒面式的财务投资,即使能赚钱,对提升腾讯的股价几乎没有帮助,甚至还可能有负面影响。

总结以上四点,我认为,腾讯3Q大战后所制定的这个战略,不排除在当时有其合理性,但时至今日,已经暴露了非常严重的问题,要尽快加以调整。

我们从数据这个维度来分析这个战略的缺陷,会特别的简单和清晰。腾讯的业务只集中在两个半中,几乎不再涉足新的行业,同时投资绝大部分是只做小股东的财务投资而不谋求获取核心经营数据,这样一来,腾讯获取新的更大量更多维数据的渠道,就变得很窄了。从长远进化的角度看,会带来灾难性的后果。

我有一次和腾讯的一位好朋友讨论腾讯这种投资策略,他说,也许大家没有留意,腾讯自从四年前张志东退休之后,就没有CTO了,对一家高科技公司而言,没有CTO,意味着什么?腾讯对数据其实并不在乎,如果它在乎,它早就内部整合了整个公司的数据而不是像现在这样四分五裂,如果它在乎,它早就花无数钱和心思完善各种算法以利用这些数据,自己公司现成的数据它都不在乎,它又怎么会在乎收购的公司的数据?而且即使它拥有了这些数据,它也没有好的算法加以利用,有和没有又有什么区别?

说得如此在理,我竟无言以对。

第三章

这个时代已经高速进化到数据时代,分析数据的算法成了一个公司最核心的竞争力,我觉得腾讯似乎还没有作好充分的准备,它的竞争力正面临严重的挑战。

看华为任正非的讲话,提到对一些战略机会点,要采取多路径、多梯次和饱和攻击,一个公司的核心资源,包括人才资金应该汇聚于此。腾讯的算法对它的未来发展性命攸关,是重中之重,如何取得突破?可以采取的措施包括:第一,组建高规格的研究机构,招聘世界一流的算法大师全力进行攻关,第二,还可以和一些著名的研究机构进行学术合作以求突破,第三,还可以大规模收购国内外一批优秀的算法公司,以收买技术的方式力求解决,这才叫多路径、多梯次和饱和攻击,这样的一种研发投入,比占个小股份做个财务投资,我感觉要重要一百倍,但是,遗憾的是,我只看到腾讯小打小闹作些尝试,并没看出它作出了什么非常重大的举措。

腾讯在打造一个以自我为核心的生态圈,要做武林盟主必须要有盖世武功,它现在最厉害的招数就是入口流量输出,但是,这种流量仍然是1.0的,精准性和变现效率都比较差,如果腾讯能够重视大数据并极大提升它的算法,把这种1.0的流量转化成精准性和变现效率都高得多的2.0流量,并用这种高能流量进行更有价值的赋能,那么,腾讯的竞争力一定会有一个质的飞跃,这是一个长久的重大的战略。

看待腾讯,有很多视角,今天我用的是数据与算法这个视角。数据与算法,以我对两者重要性的理解,我觉得是对一家互联网公司运营最高维度的抽象,这个视角过滤掉了许多喧嚣的表面因素和大量无关紧要的细枝末节,因而有可能是最接近本质的。我认为,从数据与算法的角度看,一个公司从小到大的进化过程,无非是在做两件事情,一是升级算法处理数据,二是获取更多的数据,而在这两方面,腾讯都做得不够好,它未来的进化之路就会困难重重。

THE END
1.如何提高AI智能推荐算法的准确度?在当今数字化时代,AI智能推荐算法在各个领域扮演着越来越重要的角色,从在线购物到内容流媒体,再到个性化广告,推荐系统无处不在。然而,提高AI智能推荐算法的准确度是一个复杂的过程,需要综合考虑数据质量、算法设计、用户行为等多个方面。以下是一些提高AI智能推荐算法准确度的方法和步骤: 1. 数据预处理和质量提升 https://www.kdocs.cn/article/0E57AEA1E1.html
2.GBDT集成算法(梯度提升树)GBDT集成算法(梯度提升树) 一、算法思想 GBDT是集成学习Boosting算法中的一种,它与Adaboost相比,Adaboost算法利用前一轮迭代弱学习器的误差率来更新训练集的权重,这样一轮轮的迭代下去,GBDT也是一轮一轮迭代弱学习器,使用前向分布算法,但是它限定弱学习器只能是决策树(CART回归树)。决策树分为两大类,回归树和https://www.imooc.com/article/257225
3.数据挖掘提升算法AdBoost算法通过处理训练数据集来组合方法:根据某种抽样分布对训练集进行抽样,从而得到多个训练集,用特定的算法为每个训练集建立一个分类模型。这种方式有两种常用的技术,装袋(Bagging)和提升(boosting)。 通过选择不同的输入特征的子集来形成训练集,随机森林(RandomForest)就是这种方式的代表。 https://www.jianshu.com/p/9e4db2759866
4.Python机器学习:通过scikitlearn实现集成算法下面是三种流行的集成算法的方法。 装袋(Bagging)算法:先将训练集分离成多个子集,然后通过各个子集训练多个模型。 提升(Boosting)算法:训练多个模型并组成一个序列,序列中的每一个模型都会修正前一个模型的错误。 投票(Voting)算法:训练多个模型,并采用样本统计来提高模型的准确度。 http://www.broadview.com.cn/article/419370
5.整版刊发学校师生调研团队《如何远离算法之“算计”?》一文新闻网讯4月7日,《光明日报》第07版“光明调查”整版刊发《如何远离算法之“算计”?》一文,文章由北京市习近平新时代中国特色社会主义思想研究中心特约研究员毛湛文牵头,联合光明日报与学校新闻与传播学院调研组共同完成,就个人用户的使用体验,梳理了算法化生存中的困境、挑战及具体应对表现,并就如何提升算法素养提出建议https://www.muc.edu.cn/info/1084/8418.htm
6.提升法算法(Boosting)和AdaBoost算法编程提升法(Boosting)是一种集成学习方法,通过将多个弱分类器组合成强分类器来提高整体预测性能。其中,AdaBoost(Adaptive Boosting)是提升法算法中最为著名和常用的一种。本文将从提升法算法的基本原理出发,详细介绍AdaBoost算法的工作机制和实现过程,并提供相应的源代码示例。 https://download.csdn.net/blog/column/12409545/132292324
7.机器学习各算法的优缺点!!案例:股票市场预测。使用多个梯度提升树来预测股票价格。 6、XGBoost(极端梯度提升)和LightGBM(轻量级梯度提升机) 这些是梯度提升树的高效实现,具有高度可扩展性和性能。 适用场景:高效的梯度提升算法,适用于大规模数据和高维特征。 案例:用户点击率预测。使用XGBoost或LightGBM来预测用户是否点击广告。 https://www.360doc.cn/article/50382475_1111478886.html
8.提升树2 提升树算法 提升树算法采用前向分步算法,首先确定初始提升树,f0(x)=0,第 m 步的模型是 fm(x)=fm?1(x)+T(x;Θm) 其中,fm?1(x)为当前模型,通过经验风险极小化确定下一棵决策树的参数Θm, 一般是求使得MSE取得最小值的的参数Θm https://zhuanlan.zhihu.com/p/518784730
9.老电影和图片变清晰的秘密!分辨率提升400%的AI算法已开源通过提升训练数据的清晰度 提升算法精度 无论是目标检测、图像识别,还是图像分类、语义分割等CV相关任务,训练数据质量的好坏对于最终任务效果影响都极大。因此,开发者可尝试通过PP-MSVSR将 任意分辨率 下的 视频数据提升至理想分辨率 ,实现下游的 检测、识别、分割等任务的准确率有效提升 。https://www.paddlepaddle.org.cn/support/news?action=detail&id=2716
10.DNF减少防御怎么算减少防御提升伤害算法在DNF游戏中除了正价自身的伤害的各种技能BF还有减少敌人防御的DF,那么DNF减少防御怎么算?减少防御能够提升多少伤害?下面就让小编我带大家去看看大神的算法介绍吧! DNF减少防御提升伤害算法 首先,我们先来看一下防御对减伤率的换算公式 减伤率=怪物防御/(角色等级x200+怪物防御) https://www.qqtn.com/article/article_229265_1.html
11.新手必看的Top10个机器学习算法学会了你就是老手AdaBoost是第一个真正成功的应用是二元分类的增强算法。这是理解提升算法的最佳起点。现代的提升算法都是在AdaBoost的基础上发展起来的,最著名的是随机梯度提升算法。 Adaboost AdaBoost用于短决策树。在创建第一个树之后,用这棵树来计算每个样本的performance(和label之间的差别),用来衡量下一棵树将更多的注意哪些样https://www.51cto.com/article/600359.html
12.如何通过算法,提升产品转化率?人人都是产品经理在设计工作中,如果想提升产品服务、推动转化率提升,结合数据算法找到优化方向,是一个相对不错的选择。那么在实际业务中,我们可以如何利用机器学习、数据算法等内容进行结合应用?本文便从概念、实操等维度入手做了内容解读,一起来看。 以用户为中心的产品设计中,根据不同的用户画像提供个性化的服务是必然趋势。设计师如何https://www.woshipm.com/pd/5808987.html
13.DWT域数字水印算法的FPGA实现AET提升算法的结构框图如图2所示,其提升实现过程由式(1)和式(2)表示,其中滤波系数α=-1/2, β=1/4。 本文将采用5/3小波滤波器来实现小波变换。 1.2 边界处理 由于图像数据是有限长的,因此离散小波变换必须对图像数据进行边界延拓,在做小波提升算法时,同样需要对其边界数据进行延拓,以保证边缘数据的正确。基于资源http://www.chinaaet.com/article/113724
14.GBDT(梯度提升决策树)算法(详细版)腾讯云开发者社区GBDT(梯度提升决策树)算法(详细版) 一、前言 通过之前的文章GBDT算法(简明版)对GBDT的过程做了大概的讲解,我们可以了解到GBDT是一种迭代的决策树算法,由多棵决策树组成,所有树的结论累加起来做最终答案。GBDT是一个应用很广泛的算法,可以用于分类,回归和特征选择,特别是用于和其他算法进行模型组成时,如logistic+https://cloud.tencent.com/developer/article/1082482
15.26万,确实可以封神了!2、高级篇,从 80 分到尖子生的区别,开拓视野,训练逻辑,提升算法思维,比如: 拓扑排序、最短路径、位图、统计问题、向量空间、B+树、搜索、索引、并行算法等等; 概念+ 应用,这里剖析的都是稍复杂一些的数据结构与算法,现在流行的区块链、人工智能等核心代码实现会涉及到这些。 https://maimai.cn/article/detail?fid=1764399719&efid=_j-QXBJavdD7VaW8tz9szg
16.谷歌T4FBE4亚麻L5对应BAT的什么工程师等级?这里分享一下我提升算法与数据结构的学习资料(北美国内都适用) 《FLAG算法面试真题详解》:直接刷题是最快提升算法能力的方式之一,像谷歌考察最多的动态规划,二叉树,数组和字符串的处理等知识点,都能在这里得到解答。 算法常考知识点 二分搜索BinarySearch https://www.yoojia.com/ask/17-12024161409420320359.html
17.Python机器学习入门(六)之Python优化模型python有时提升一个模型的准确度很困难。你会尝试所有曾学习过的策略和算法,但模型正确率并没有改善。这时你会觉得无助和困顿,这也正是90%的数据科学家开始放弃的时候。不过,这才是考验真正本领的时候!这也是普通的数据科学家和大师级数据科学家的差距所在。 https://www.jb51.net/article/220993.htm