从流量经济到私域经济，从以产品为核心到以客户为中心，我们不禁要问：数字化时代，发生了什么？数字化转型的路径是什么？主要面临哪些挑战？

　　企业不仅要拥有数据，还要建立从决策到执行的完整闭环，形成粗放型管理向精细化运营能力的转变。在Convertlab联合创始人兼CTO李征看来，数字化转型其实是一个苦练内功的过程！

　　数字化变革，从粗放型经济到精细化运营

　　“粗放型经济时代已经结束，企业要想继续生存下去，要能够在经营好存量客户的基础上，把更多新客户转化为消费者，这就需要企业的消费产品必须具备长生命周期价值。” 李征一语道破，概括出数字经济的本质。

　　过去，企业大多以产品为中心，匹配相关的设计、生产、制造以及营销和售后流程。但在数字化时代，企业产品面临生产过剩的状况，只有各个部门相互配合，才能知道客户在哪里，什么时间需要什么。

　　具体而言，企业需要从两大维度入手：

　　一是AIPL维度，在企业和消费者交互过程中，要建立双方互动的渠道，了解消费者的喜好，最终产生客户购买力以及客户忠诚度，甚至愿意主动推荐产品。

　　二是建立渠道，要从不同的触点入手。企业要想具备完整的客户经营能力，需要采用差异化的经营方法，比如：线上电商、私域电商，或者线下门店，以及社交媒体，要建立不同的渠道流程。

　　简单来说，数字化转型的核心驱动力是，必须以客户为中心，采用更先进的技术手段，才能提供更具黏性的服务。同时，要采用更精细化的解决方案，才能应对不同场景挑战，进而满足客户个性化需求。

　　转型路径，以AI为驱动力苦练内功

　　问题是，数字化转型应该从何处开始入手？如何按照规划一步步落地？

　　“数字转型需要以数据为中心，外加强大的算法和AI算力，建立完整的商业闭环。”李征认为，只有数据和AI结合，企业才能拥有快速诊断、预测、决策和迭代反馈能力，从而形成闭环，为客户提供精准服务。

　　至于，数据治理为何一定要和AI结合？为什么要构建“智能湖仓”？答案是，业务场景需求决定一切！

　　以大型零售企业为例，消费者规模通常有1个亿左右，但数据运营人员一般只有20-30人，要想基于大量细分场景做营销，必须依靠强大的基础设施能力实现数据化驱动。所以，只有把AI能力纳入进来，实现智能化升级，才能满足营销需求。

　　但现实情况是，数据治理和机器学习的分治，是影响企业完成营销闭环的一个痛点。由于各种各样的原因，机器学习部门很难拿到数据，无法进行快速迭代，反应到整个业务执行流程中，可能是数据权限问题，或者是数据不同存储平台引发的割裂，还可能是数据质量管理问题，最终导致数据处理和分析都需要耗费大量精力。

　　在机器学习过程中，企业有65%以上的时间花费在数据本身的质量和处理上，而不是用于执行机器学习训练、算法选择、参数优化、特征分析上。

　　此种背景下，Convertlab和亚马逊云科技一起基于“智能湖仓”架构，将数据治理问题消灭在初始状态，通过统一平台构建，为数据的后续使用扫平障碍。

　　Convertlab成立于2015年，创始团队主要成员来自于SAP，经过6年的发展，已经助力400多家客户实现了数字化营销转型。2021年，Convertlab入围《Forrester亚太区最重要的10家全渠道营销管理厂商》名单，是国内唯一一家入围企业。Convertlab构建了一系列支撑企业数字化营销转型的产品，包括广告平台、数据平台、消费者互动管理平台、营销决策AI平台等。Convertlab打通前中后营销链路，全方位数字化营销赋能，也可以提升品牌私域营销的效率与效果，比如：可以提供与数据隐私计算管理相关的产品。通过明星级产品打造，形成企业数字化营销的“组合拳”，提供各类基础设施服务。

　　价值提升，成就数字化营销坚实底座

　　“我们跟亚马逊云科技的合作更偏重于零售行业，利用亚马逊云科技强大的技术能力，外加我们在具体行业里的客户、场景的沉淀，形成了真正能解决问题的数字化转型方案。” 李征评价道，Convertlab与亚马逊云科技的合作取得了显著成果，可以通过更个性化的服务，为客户产生价值。

　　过去，从企业数据导出，形成算法模型，再把结果导回去用于营销活动，通常需要2-3周，甚至一个月时间。有了Amazon SageMaker，并与亚马逊云科技“智能湖仓”框架联动后，用户可以快速完成迭代、实验、上线整个过程，从科学家产生模型，到模型上线、模型评估，可在1-2天内完成。

　　具体合作模式是，Convertlab与亚马逊云科技会形成联合创新解决方案，先帮助用户把数据集中起来，形成共同诊断、更自动化的评估体系，驱动企业自动化运营，而不是靠人工执行。最终，通过算法取代人力，一步步实现数字化，进而实现智能化升级。

　　除了零售行业，Convertlab跟亚马逊云科技也在其他领域展开合作。比如：快销行业，需要通过很多前沿技术建立从公域到私域，再到直连消费者的能力。

　　有意思的是，中国数字化营销处于板块轮动的状态，零售行业相对启动较早，制造业、医药、汽车等行业虽然起步较晚，但已经进入快速数字化转型征程，同时国企、民企也开始跟进。而亚马逊云科技的最大优势在于，不仅可以提供技术方案层面的优化，还可以提供多场景化、来自全球的数据技术支撑能力。

　　总结来看，通过Amazon SageMaker以及亚马逊云科技“智能湖仓”体系，可以获得如下收益：

　　一、 获得全面的底层数据支撑能力。凭借“智能湖仓”一体化架构，可以帮助用户构建统一数据管理能力，用户可以随时随地拿到想要的数据做分析，做特征工程、统计分析，或者进行模型训练。同时，企业还可以通过有效的权限管理，去做数据安全管控，做到全面的数据安全。而不像传统架构那样，湖是湖，仓是仓，机器学习是机器学习，分析是分析，每个地方都用不同的数据库或者数据源。

　　二、 实现数据指引。之前的机器学习，由于缺乏通盘思维，数仓只管数仓的事儿，机器学习需要每次按照不同场景去讨要数据，导致数据质量无法保证，大大降低了加工数据和数据清洗的效率，使得真正花在算法和模型调优上的时间变少。在新架构里，利用类似Amazon SageMaker Feature Store，Pipelines的机制，可以建立通盘数据管理能力，提升数据质量，把大量时间用在模型选择、优化、实验上。

　　三、快速反馈数据，进行迭代和调优。用户拿到实时数据以后，可以应用模型做AB分组测试，模型一旦上线，立刻可以接到数据进行迭代。另外，不只是产生人力包做单次执行，而是直接嵌入到业务智能化过程中，数据不断反馈回来，帮助算法工程师掌握变化，快速调优。

　　在双方合作过程中，Convertlab会和亚马逊云科技一些底层平台技术专家进行共创，比如基于Amazon EMR、Amazon SageMaker等一些使用场景，快速地去掌握和利用好这些技术，并且把创新成果反映到产品和解决方案里。

　　其中，Amazon SageMaker是一个非常全面的机器学习的通用型工具集，不管是具体工具应用，还是产品管理、训练，或者是Feature管理，都能全面满足用户需求。

　　同时，基于一体化智能湖仓解决方案，用户可以在拥有高质量数据的湖或者仓里构建机器学习场景，并且能够实现快速迭代，使得计算结果更快捷、准确、有效，最终实现营销数字化转型目标。