几个月前，我为一家中型零售公司提供建议，该公司希望“使用人工智能来预测客户流失”。他们有预算、兴奋和一支新员工团队。

但在发现两周后，事情变得痛苦地清晰起来：

• 他们的客户数据分散在六个不同的系统中。
• 没有人能就“流失”的实际含义达成一致。
• 领导层想要“人工智能仪表板”，但没有澄清他们实际会做出的决定。

听起来很熟悉？

按 Enter 键或单击以查看大图

照片由 朱利安·特罗梅尔 on Unsplash

这个项目并没有因为模型太复杂而失败。在编写一行 Python 之前，它就失败了。

这就是残酷的事实：大多数人工智能项目在起跑线而不是终点线上崩溃。

🚧 人工智能项目提前消亡的 3 个隐藏原因

1. 没有数据管道，没有人工智能魔法

每个人都喜欢预测模型的想法，但没有人喜欢构建干净的数据管道。

如果您的事务表有缺失值、重复行或 ID 冲突，则没有任何算法可以拯救您。我见过公司在“人工智能平台”上花费数百万美元，而他们甚至无法将销售数据与客户数据连接起来而头疼。

💡 修复：从小处着手。整理数据仓库。构建可靠的 ETL 管道。让“单一事实来源”成为您的第一个 AI 项目。

2. 目标不明确（又名“做一些人工智能”）

我曾经坐在一个会议上，一位首席执行官说：

“我们只是想要一个能为我们提供洞察力的人工智能。”

这就像要求建筑师“建造一些好东西”。如果没有具体问题，您的团队将追逐提供零商业价值的闪亮模型。

💡 修复：将目标转化为可衡量的结果。
不要说“预测流失”，而是说：

• “第三季度将客户支持人员流失率降低 10%。”
• “识别 60 天内未购买的高价值客户。”

3. 沟通中断

即使技术有效，如果利益相关者不信任或不理解输出，人工智能项目也会失败。

我见过杰出的分析师用 AUC 分数解释一个随机森林模型，只是在第二张幻灯片之后失去了他们的听众。高管们礼貌地点了点头，然后又回到了基于直觉的决策。

💡 修复：说企业的语言。与其说是“95% 的准确率”，不如说是“我们可以节省 $2M 的保留成本”。

📉 为什么这些失败如此痛苦

每个失败的人工智能项目都会削弱信任。下次当领导层听到“机器学习”时，他们会翻白眼。

更糟糕的是，人才会受到挫折。我指导过初级数据科学家，他们精疲力尽，因为他们把所有的时间都花在与 Excel 导出作斗争上，而不是解决实际问题。

但好消息是：失败并非不可避免。

🛠️ 如何真正启动人工智能项目

1. 先投资无聊的东西。坚实的基础设施、干净的数据和有据可查的管道。
2. 提出更好的问题。问需要做出什么决定，而不是需要构建什么模型。
3. 从原型开始。显示值的简单 SQL 查询或 Power BI 仪表板胜过从未发布的花哨的 ML 模型。
4. 将见解转化为影响。始终将您的输出与收入、成本或客户体验联系起来。

✨ 帮助分析师避免这些陷阱的工具

我学到的一件事是：分析师不会失败并不是因为他们不会编码，而是因为他们没有预先提出正确的问题。

这就是我创建 ChatGPT 提示包：数据分析师的 15 个生产力提示的原因。
它可以帮助您：

• 将模糊的业务请求重新构建为可作的问题。
• 更快地清理和浏览数据。
• 构建企业领导者真正理解的讲故事框架。

👉 在这里查看并节省下一个项目的时间。

🔑 最后的想法

人工智能并没有消亡。这不是炒作。但没有清晰度、数据和通信的人工智能从一开始就注定要失败。

在 2025 年利用人工智能获胜的公司并不是预算最多的公司。他们提出尖锐的问题、修复数据管道并将输出与业务成果联系起来。

因此，下次当您听到“让我们做一些人工智能”时，请停下来问：

➡️ “这将帮助我们做出什么决定？”

这就是成功的人工智能开始的地方。