尋夢新聞LINE@每日推播熱門推薦文章，趣聞不漏接❤️
編者按：隨著時間的推移，像機器學習、區塊鏈、人工智能、虛擬現實和增強現實等一些有趣的新技術和概念不斷地湧現出來，而與此同時一些現有的技術只能退居二線。在這種形勢下，許多人在推出產品或者融資時都喜歡與這些新技術拉上關係。軟件工程師 Celestine Omin 在本文中以電商領域為例，具體論證了傳統結構化查詢語言技術在出現 40 多年以來為何價值仍然不減當年。
不久前，我在 Twitter 上發布了一個話題，提出需要利用傳統和現有工具來解決日常業務問題，而不是一味地相信最新的流行技巧以及一些花哨而複雜的技術。這個話題反響不錯，也引發了一些有趣的討論。其中一部分人同意我的觀點，另一部分則表示完全不同意，他們認為我愚蠢而又虛妄。我寫這篇文章也並不是想說服你接受我的想法，只是對我最初在 Twitter 帖子中所發表的內容做進一步的解釋。
我們都能發現，隨著時間的推移，像機器學習、區塊鏈、人工智能、虛擬現實和增強現實等一些有趣的技術和概念不斷地湧現出來，而與此同時一些現有的技術只能退居二線。現在經常會聽到有人構建出以區塊鏈技術為支撐的優秀產品，我也知道有區塊鏈技術支持的電子商務服務和社交網路等，諸如此類的新事物還有很多。這些日子，我也經常會聽到這樣的話：如果你想盡早而又快速的完成融資，那你必須要投入「區塊鏈」相關技術，即便它與你的宏觀計劃並沒有什麼關係。
不久之前，機器學習和人工智能也是這般地位。但凡有人推出一個登錄頁面，這頁面上可能就有機器學習或者人工智能的字眼，好像不提這些字眼就無法創建一個初始頁面一樣。說真的，你真的是在做生意嗎？老實說，你不一定非要這樣。結構化查詢語言（SQL）是直到現在為止我都一直看好的一項技術，這項首次出現於 1974 年、迄今已有 40 多年歷史的技術在當下的重要性仍然不減當日。雖然多年來，這項技術也經歷了一些改進，但它仍然以前一樣強大。
我的整個職業生涯一直在與技術打交道，我也花了很長時間從事電子商務領域的工作，因此我也親眼見證了這項技術對於我們增長並擴展業務的價值所在。這項技術對於我們來說非常有利，因為它可以讓我們從收集到的數據中探索到一些有趣的信息。這些數據包括但不限於消費者行為、購物模式和習慣。它甚至能夠讓我們對應該持有的最小存貨單位以及不該持有的最小存貨單位做出預測。除此之外，它也能夠幫助我們取悅客戶，與那些半路離開的客戶重新做到互動。下面，就讓我來告訴你我們是如何做到這些的，其中也會講到你該怎樣才能做到這些。
在我同創始人以及潛在的創始人交談時，他們總是很快就會告訴我他們有多想利用人工智能以及機器學習技術來提高客戶保持率並改善客戶終身價值。但事實上，他們根本不需要機器學習或者是任何相關花哨的技術，他們所需要的是正確編寫結構化查詢語言。以前，我曾編寫過 SQL 查詢來從我們生成的數據中提取有價值的信息和見解。有一次我需要知道本周顧客是誰，為的是 1) 認出他們並且 2)獎勵他們。公司面向客戶採取的這種簡單但卻讓人意想不到的舉措總是會讓他們感到狂喜，並將其轉變為傳播者。在社交媒體平台，像「哇，我成為了 Konga（尼日電商）的本周顧客，他們竟然獎勵了我 2000 奈拉的代金券。我完全沒有想到，感謝你們，你們是最棒的！」
事實證明，這比把錢花在廣告上更加有效。不要誤解我的意思，傳統廣告依然有它的價值所在，但沒有什麼行銷手段比你自己信賴的朋友親口向你推薦更為有效。並且，關鍵之處在於獲取這些信息並不是那麼難。除了優秀的傳統 SQL 之外，你不需要任何花哨的其他技術。為了鎖定本周顧客，我們編寫了一個 SQL 從訂單列表中選出本周最大的訂單。得到客戶信息之後，我們會通過電子郵件向客戶發送一封感謝信，隨附一張優惠券或者是代金券。你猜效果怎樣？其中 99% 的人成為了回頭客。我們不需要機器學習，我們只是編寫了一個簡單的 SQL，就獲得了這一信息。
有一次，我們需要與那些一段時間沒有在我們網站購物的顧客取得聯繫。作為負責人，我編寫了一個SQL 查詢，收集三個月甚或者更久以來都沒有購物的客戶信息。這個編寫起來非常簡單，例如可以從訂單列表選擇最後一次購物時間是在 3 個月或者更久一段時間之前的訂單。當我們得到這些信息之後，我們就會給相應客戶發送一封「我們想念你，歡迎你再次到來，附贈優惠券」的電子郵件。採取這樣一種做法之後，我們發現由此收獲的客戶轉換率總是保持在 50% 以上。在我看來，這兩種策略比在Google 和 Facebook 上進行廣告投入要有效得多，過去是這樣，現在依然是這樣。
我們也將這同樣的想法應用於發送給客戶的簡報之中。我的意思是，如果你可以對此做到個性化匹配，為什麼還要向所有人發送通用的簡報內容？解決方案是什麼？我編寫了 SQL 查詢來查看購物車物品並對單個物品進行提取。根據這些物品，我們可以創建一份簡報，並涵蓋相關內容。例如，假設一位顧客購買了一雙鞋、一副太陽鏡和一本書，那給他的簡報中，我們就可以展示包括鞋、太陽鏡和書在內的物品。顯然，這比隨機推薦物品要更有意義。為什麼要給一位剛剛買了一雙運動鞋的男性發送推薦吸奶器的促銷郵件呢？這顯然沒有什麼意義。大多數行銷郵件的點擊率在 7% 至 10% 區間範圍內，但是當我們做到個性化匹配之後，我們發現點擊率達到了 25% 至 30%。
這幾乎是行業標準的三倍之多。另外，在這些郵件中，我們會以收信人名字開頭，而不是親愛的顧客這一統稱。這就讓這些郵件多了些人情味，也表明了我們的關切之情。所有這些都是通過優秀的 SQL 來做到，而不是花哨的機器學習。
對於那些因為這樣或那樣的原因而無法完成訂單的客戶，我們也不會輕易放棄。只要客戶在購物車添加了商品，就表明他們有購買意向。為了讓這樣的客戶完成結帳環節，我編寫了一個不錯的 SQL 腳本，並配合一個 CRON 計劃任務，這樣的組合就會促成向那些購物車最後更新時間達到 48 小時或者更久時間的客戶發送一封電子郵件的指令。你猜怎樣？這是有效的做法。因為我們可以追蹤這些電子郵件，因此我們也就知道他們是否會因為這些郵件而回來完成訂單支付環節。當然，這個 SQL 編寫起來同樣非常簡單，它會選擇那些購物車狀態非空並且最後更新時間大於或等於 48 小時的訂單。我們將 CRON 設置為每天凌晨 2 點開始運行，因為這個階段活動和流量較少。客戶醒來後看到我們的電子郵件，就會想到之前擱置的購物車。這個過程中同樣沒有什麼花哨的技術，只有 SQL、Bash 和 CRON。
另外，貨到付款形式現在備受追捧，對此 SQL 同樣能夠派上用場。對於那些連續三次取消訂單的客戶，我們會將他們歸入高警戒類別之中。下次這些客戶在下單之後，我們會打電話給他們，確認他們是否真的需要訂單物品。這樣，我們就節省了時間，也免去了不必要的壓力。在電子商務領域，物流成本昂貴，因此我們需要專注於那些真正意向客戶。我們不需要機器學習或者是花哨的人工智能技術來解決這個問題，同樣，我們需要的只是不錯的 SQL。
對於那些符合服務等級協議標準，但訂單沒有及時送達的客戶，我們也會使用 SQL 來管理客戶期望。我們會從訂單列表中選擇那些下單日期> = 7天（標準交付期），但仍處於未交付狀態的訂單。我們再結合 CRON 計劃任務，向客戶發送電子郵件和簡訊。雖然他們不會立即給予反饋並表示讚許，但至少這一舉動能讓他們知道我們關心這些問題並且在努力解決問題。畢竟，沒有什麼比延遲交貨更令人心煩的了。這一特殊的解決方案也對我們的淨推薦值產生了很大的影響。還是那句話，優秀的 SQL + Bash拯救了我們。
另外：Sift Science（一家利用人工智能/機器學習來開發網路安全應用的公司）在預防欺詐方面做的非常不錯，但其實對此 SQL 也可以派上用場。如果一個人試圖同時用 3 張不同的卡結帳，那這些卡就會反彈。這里該做的第一件也是最顯而易見的事情就是暫時阻止他們的帳戶。這樣，您將為潛在的金融卡所有者省去很多麻煩。你不需要存儲金融卡詳細信息，只需要存儲這一特定訂單號的結帳嘗試。這些都是很簡單的事情，同樣不需要機器學習，只需要編寫一個合適的 SQL。
我個人也很喜歡機器學習和人工智能，但是如果你所經營的是一家擁有 1000 到 10000 名客戶數量的小型在線商店，那你仍然可以依靠 SQL。畢竟，機器學習和人工智能方面的人才也並不是隨處可見。
原文鏈接：https://cyberomin.github.io/startup/2018/07/01/sql-ml-ai.html
編譯組出品。編輯：郝鵬程
