4849地铁迷情Stratifyd 的创始人兼 CEO，汪晓宇博士（Derek Wang） 认为，AI 的商业落地离不开企业对自身数据的积累，尤其是与消费者打交道的企业。AI 模型的构建需要丰富的数据，从这个角度来讲，满足以下这两点的企业使用 AI 技术将会更加游刃有余：一是对“全渠道 （Omni－Channel）”数据都有积累，数据量有保证；二是结构化数据和“非结构化数据 （Unstructured Data）”都能覆盖，数据形式丰富。

　　万事达数字支付和实验室（Digital Payments and Labs of MasterCard）的负责人 Jose Gutierrez 表示，数据本身就是巨大的难题。金融行业采集并积累了大量数据，这为 AI 的应用提供了良好的环境；但如何排除无效数据，以及挖掘结构化和非结构化数据都是很大的挑战。

　　Tyson Baber，Georgian Partners 的合伙人认为，“产品”这个概念终将被“体验”所替代。对企业来说，利用 AI 高效而准确地提炼消费洞察至关重要，这将指导企业更精准地提升消费者体验。

　　汪博士认为，分析非结构化的消费者反馈数据对企业有很大价值，他分享了一个世界 500 强汽车品牌探索消费者满意度下滑原因的案例。该企业在 stratifyd．cn 使用非结构化数据 AI 分析模块处理大量车主的反馈内容，提炼出很多导致不满的问题，而这些问题是之前没有被意识到的：比如追踪某个被抱怨的产品缺陷时，发现该问题是由生产环节中一个很小的疏忽导致的。最终该企业根据这些高质量的洞察结果提升了产品体验，挽回了车主的信任。

　　“解决问题有时很容易，但发现问题而且能找到背后的原因并不简单，只有非结构化数据分析才能做到。”汪博士总结道。

　　Microsoft for Startups 的加拿大负责人 Adam Nanjee 表示“我们看到一些像 Stratifyd 这样的创新企业正在构建‘AI工作流 （AI workflow）’ 解决方案，让更多企业都可以轻松应用最前沿的 AI 技术并嵌合到现有工作流中。”

　　汪博士介绍道，“很多数据分析师并非数据科学背景出身，认为 AI 模型的训练工作非常棘手，因为涉及复杂的算法和流程。而 Stratifyd 的 Auto－Learn AI 系统可以大幅降低模型训练的门槛，实现应用级商业模型的自动训练，让更多分析团队可以享受 AI 技术的红利。这就是‘AI工作流’的体现。”

　　他随后分享了 Stratifyd 帮助一家财富 50 强金融集团应用 AI 技术的案例：该企业收集了大量调查问卷、全渠道的投诉和咨询等反馈内容，绝大多数都是非结构化的文本数据。原先数据分析团队要花费大量的时间手动总结消费者的意图和情感，而利用 Stratifyd AI 分析模块，这项工作在极短的时间就可以完成。

　　Adam 和 Jose 共同表示 Microsoft 和 MasterCard 都愿意扮演桥梁的角色，利用自身拥有的全球资源网络，帮助像 Stratifyd 这样优秀的 AI 创新公司对接有需要的企业。汪博士表示 Stratifyd 非常感谢合作伙伴们提供的机会，愿意为更多的企业提供 AI 驱动的全渠道消费反馈洞察服务。