猪颈肉的十二个名字
我们的后台系统存着我们做过的每一笔订单,还有约 1,900 个产品名称。可它说不出我们什么卖得最好,直到一个小模型学会了提问。
Jordan大阪那一行只写着 BONFILE 2-3 kg,别无他字。它躺在我们的一条订单记录里,录入它的人很清楚自己指的是什么。Bonfile 就是里脊,我们交易部随便问谁都知道。可单凭这一行,谁也说不出那头牲畜是猪还是牛。
在 MeatBorsa,我们经营一个肉类交易部;在 MakeBetter,我们为这门生意做工具。很长一段时间里,我以为我们清楚自己卖的是什么。每一笔订单我们都清楚。我们不清楚的,是它们加起来是什么。
一种产品,十几个名字
我们交易部的日常运转靠的是 BOSS,也就是我们每天都在用的后台系统。订单、单证、发票、卡车、冷库库存和付款都在里面,一笔订单一条记录。它算出的利润,不是成交那天满怀希望的利润,而是扣除了卡车、保险和冷库天数之后的利润,也就是说,是在这批肉不再花钱之后才算出来的。
所以数字是可靠的。不可靠的是文字。BOSS 里大约有 1,900 个不同的产品名称,每一个都是人照着卖家或买家写来的东西敲进去的。卖家用自己的语言写,买家也用自己的语言写。谁都不是为报表而写。
就拿猪颈肉来说。在我们的记录里,它是 Pork neck。它是 Schweinekamm,是 Karkówka,是 karczek,也是不知在哪一程丢了重音符号的 Karkowka。它是 Collar of pork,是 Pork Collar / Neck,是 Свински врат。同一头牲畜、同一个部位上的同一块肉,有十几种写法。人读这张清单,看到的是一种产品。报表读它,看到的是十几种,每一种都只是真相的薄薄一片。
经过我们交易部的每一公斤都有记录,我们却说不出自己什么卖得最好。
周一的问题
我们想要回答的,是交易员能问出的最朴素的问题:哪些基础产品卖得最好,利润是多少?不是哪笔订单,而是哪种产品。每到周一,报表都在那里;每到周一,它回答的都是另一个问题,也就是哪种拼写卖得最好。
我们做了交易部都会做的事。有人维护一张电子表格,一边是名称,另一边是他尽力判断出来的真实产品。这是细致的活儿,可几乎一存盘就过时了,因为新订单总会带来新名字。每当我们真正需要答案,分析就变成一个项目:占用某人一阵子的心思,出一个结果,然后又慢慢退回到一无所知。
问题比拼写更深。我们常常连是哪种动物都分不清。Bonfile 是某种动物的里脊。战斧可能是牛、猪,也可能是羊。而在跨越国境的生意里,“Turkey”既常常是一只鸟,也同样常常是一个国家。盯着清单看的交易员通常能判断出来,因为交易员记得那笔生意。清单本身什么也不记得。
读过一切的模型
显而易见的做法,是把这些名称交给通用聊天机器人,就是那些你让它写合同或写诗都行的大型通用模型。我们试了。它们的正确率不到 55%。它们还慢,也不便宜,但这些都是次要的。一个几乎每两次就错一次的识别结果,是建不起报表的。你仍然得逐行核对,只不过现在核对的是机器的活儿,而不是自己干活。
我不认为失败出在规模上。一个什么都读过一点的模型,很少读过那些整车卖肉的人写下的东西:寥寥几个字,用的是手边最顺的那种语言。
一个会提问的小模型
后来我们把同样的名称交给了 CarcassAI,问题当场就解决了。我很想在这里讲一段艰难的过程,可是并没有。
CarcassAI 是每一个 MakeBetter 工具底下的产品知识。它收录了约 1,000 种肉类产品,每种只有一个 ID。它能读懂这些产品在 18 种语言中的约 7,000 个名称,连拼写错误也算在内;它还对应了 26 套分割标准,因为同一副胴体怎么分,要看刀下依的是谁的标准。
它把一行产品描述读两遍。先是规则,规则是确定性的:同一个版本里,同一行总是得到同一个答案。然后是 Carcass,MeatBorsa 自己训练的小模型,学的是我们交易员确认过的每一个判断,它再把这一行读一遍。两者意见不一,或者这一行本身含糊时,由人来决定,而这个决定就成了下一课。
比起速度,它有三个习惯对我更重要。它不猜:拿到 BONFILE,它会问“哪种动物?”,然后等待。它从不改动卖家写的东西:识别结果放在卖家原话的旁边,原文随时可供核对。它往外发送的东西也极少:只有产品短语会传出去,不带客户,不带价格,送到 MeatBorsa 自己位于欧盟的服务器上的一个小模型。
公开的数字是这样的:面对从未见过的卖家,它有 94.6% 的时候能找到正确的产品。一次完整识别的耗时中位数为 29 毫秒。第一个数字不是 100,设计也不假装它是。那个提问,那段等待,正是为此而设。
永远不会变成项目的报表
我们交易部的变化说起来很简单。每一条新订单行一到就被识别,实时、便宜、迅速。再也没有人去启动一项分析,因为分析永远不会结束,也永远不会过时。它就在那里。猪颈肉又成了一种产品,不管它那天叫什么。
下面这张图是一个示例,用的是示意数据,而不是我们自己的数字。不过它的形状,正是我们以前画不出来的:先按动物、再按产品划分的销售,每个方块的大小代表它的销量,并标出它的利润。
示意数据。 将鼠标悬停在方块上或轻点方块即可查看数据。
以表格查看数据
| 动物 | 产品 | 销售占比 | Margin | BOSS 中的名称 |
|---|---|---|---|---|
| 猪肉 | 猪五花 | 9.8% | 7.9% | 186 |
| 猪肉 | 猪颈肉 | 7.6% | 11.2% | 148 |
| 猪肉 | 猪前肩 | 6.9% | 6.4% | 118 |
| 猪肉 | 猪通脊 | 5.8% | 8.8% | 97 |
| 猪肉 | 猪后腿 | 4.6% | 5.1% | 88 |
| 猪肉 | 猪肋排 | 3.5% | 12.6% | 71 |
| 猪肉 | 猪背膘 | 2.4% | 4.2% | 52 |
| 猪肉 | 猪里脊 | 2.1% | 13.9% | 49 |
| 猪肉 | 猪肘 | 1.3% | 9.1% | 38 |
| 牛肉 | 牛外脊 | 5.9% | 9.4% | 88 |
| 牛肉 | 牛里脊 | 5.2% | 10.8% | 83 |
| 牛肉 | 牛眼肉 | 4.8% | 9.9% | 72 |
| 牛肉 | 牛上脑 | 3.6% | 7.2% | 51 |
| 牛肉 | 牛针扒 | 3.1% | 6.1% | 46 |
| 牛肉 | 牛胸肉 | 2.6% | 8.3% | 39 |
| 牛肉 | 牛和尚头 | 1.8% | 5.7% | 32 |
| 禽肉 | 鸡胸肉 | 6.4% | 4.9% | 157 |
| 禽肉 | 鸡全腿 | 4.9% | 3.8% | 109 |
| 禽肉 | 鸡翅 | 3.2% | 6.7% | 74 |
| 禽肉 | 火鸡胸肉 | 2.6% | 5.5% | 63 |
| 禽肉 | 鸭胸肉 | 1.9% | 9.6% | 41 |
| 羔羊肉和小牛肉 | 羔羊腿 | 3.1% | 10.4% | 58 |
| 羔羊肉和小牛肉 | 羔羊肋排 | 2.4% | 14.1% | 44 |
| 羔羊肉和小牛肉 | 羔羊肩 | 2.0% | 8.2% | 39 |
| 羔羊肉和小牛肉 | 小牛里脊 | 1.5% | 9.0% | 34 |
| 羔羊肉和小牛肉 | 小牛腱 | 1.0% | 7.4% | 23 |
| 全部产品 | 100% | 1,900 |
这样一张图表看上去平平无奇,它本就该如此。这正是这个故事奇怪的地方。图里没有任何新信息。每一公斤、每一张发票、冷库里的每一天,原本就都在 BOSS 里。唯一缺少的,是大家对东西该叫什么达成一致。
我渐渐觉得,一个交易部所知道的东西,有很大一部分就是这样藏着的:不是藏在谁都没有的数据里,而是藏在谁都没有对齐过的名称里。名称不是产品。它只是某一天、用某种语言、为某个买家,有人给这件产品起的叫法。对录入它们的人来说,这些名称再清楚不过。读不懂的,只有报表。
那一行仍然写着 BONFILE 2-3 kg。我们没有改,也不会改;那是卖家写的。如今它旁边多了一个识别结果,而在识别结果之前,有过一个问题,由我们的一位交易员作答。在我们维护那张清单的所有日子里,这是清单第一次向我们提问。