有一件很有意思的事情，每当我与各位创始人和准创始人谈话的时候，他们都会很快地告诉我他们想用AI或机器学习提高客户的回头率以及客户终身价值。但是，事实上他们压根儿不需要机器学习，他们真正需要的是正确的SQL语句。
以前，我每天的生活就是写SQL提取本周客户的数据。基本上都是从订单表里提取数据，因为订单表的数据量最大。然后我们会向客户发送感谢信，并附上小额的打折券和收据……
你猜怎么着？99%的客户都成了回头客。我们从来不需要机器学习。我们就写了一个简单的SQL，就拿到了这些信息。我们还发信给3个月或更久以前的客户……
……我只需简单地写个查询语句，从数据表中选择购物日期超过3个月的订单。拿到信息后，我们会发送一封“我们很想念你，期待您再来。这是一张X Naira的收据”。总是有超过50%的客户会再次光顾。
这种方法要比花钱在Google和Facebook上做广告更有效率。我们还用这种方法宣传过新闻刊物。我写了SQL，检查里面的内容，然后给这些人发送了相关的营销邮件。
我的意思是说，我们为什么要发信给一个刚买了一双运动鞋的男人向他推销吸奶器呢？这毫无意义。大多数营销邮件的阅读率只有7-10%。但是如果我们认真做好这项工作，就可以得到25-30%的阅读率。
这相当于行业标准的3倍。另一种很好的处理这些邮件的方式是：在信中写明客户的名字。不要用亲爱的客户。应该写明亲爱的王小姐，尊敬的李先生，等等。这种做法可以真正打动客户。
另一个与SQL脚本同样重要的定期工作是：提醒客户他们的购物车内的东西超过了48小时。只需选择状态不为空，且最后一次活跃时间超过48小时的购物车……
我们需要每天定时做这项工作，比如每天早上两点，在客户活跃度和访问量较低的时段。客户早起的时候就会看到邮件提醒他们清空购物车。然后你就坐等好消息吧。这些工作根本不需要AI或机器学习。SQL+Bash就能轻松搞定。
由于货到付款风险很高但依然是很重要的付款途径，这里SQL又能派上用场了。你可以把那些连续三次取消订单的客户放入红色警告区。下次如果他们再下单子，你需要打电话确认他们是否真的想买这些东西……
并且，你可以禁止他们使用货到付款，让他们用卡或钱包支付。快递的费用很高，你必须要用在真正的客户上。这种情况下，你也不需要机器学习。你所需要的只是正确的SQL语句。
虽然Sift Science（一家利用机器学习实现电子商务防欺诈技术的公司）的技术对防止欺诈很管用，但是SQL也可以做到同样的事。如果有人尝试三张不同的信用卡并均验证失败，就很有意思了。你可以暂时封掉他们的账号。
这等于给这些卡背后真正的主人帮了大忙。你不需要存储卡的详细信息，只需要存特定订单的结算信息就可以了。这是很容易实现的，根本不需要机器学习，我们用SQL就能搞定……
有订单晚了？这时也可以使用SQL结果。选择状态处于未送达且订单日期>=7的订单。7天是标准的送货日期。有了查询结果后，定期地向客户发送邮件和SMS。
虽然客户不会马上跳起来为你鼓掌，但是至少他们知道有人在想法解决他们的问题。毕竟送货晚了是最糟糕的情况。
这一点对口碑有非常大的影响。重申一次，好的SQL+Bash就可以很好地完成我们的工作。
以上即为作者 Celestine Omin 的观点。对于他的这一看法，Hacker News上也有很多网友进行了点评。
评论一：
有一次一家风险投资公司找到我的创业公司说希望做战略投资。出席会议的包括公司的很多高管，所以我觉得应该有戏。我们的技术是让屏幕阅读更容易，他们对此很感兴趣，但当听说我们没采用任何机器学习时，他们感到很惊讶。
我表示，即使没有机器学习，这个方案也很有效，而且用这种方式更容易向用户说明。结果他们就反复谈论机器学习云云，说我们用机器学习也能完成同样的事。
一周后他们表示没兴趣投资了，因为虽然他们喜欢我们的成果，但并不满足他们的投资期望——没错，必须是机器学习。
我老婆说，你应该随便编点什么，说第二版可以用机器学习做……也许她是对的。
评论二：
很有可能他们认为应该搭上AI的船，于是想投资人工智能或机器学习方面的创业公司。估计他们内部有人说你的公司很适合人工智能的领域，但如果你对机器学习给出否定的答案，那门就关上了。
对于那些以大宗交易为日常工作的人，我的经验是“永远不要说不”（在谈判过程中）。绝大多数情况下，外交手段更合适些，所以或许这样回答更好：
“目前我们没有使用机器学习就取得了很不错的成果，但我们还在尝试各种方式来改进我们的技术，其中包括利用机器学习进行优化。”
这样虽然你说的是“我们不用机器学习”，而他们听到的只是“利用机器学习进行优化”。
评论三：
这篇为文章说的是所谓的“专家系统”，就是以前企业中的AI的样子。基本上，你得捕捉优秀销售的直觉，并转换为计算机的逻辑。
通常情况下就像文章所说的这些规则一样。
它运行得很好，但也有局限性。人类的精确判断通常很难表达，人并不知道为什么会这样做决定，这就导致这些决策很难捕捉。而且人类也有局限性。太多的变量、太多噪音、太多数据会导致人类无法做出最佳的预测和决策。
这就是机器学习发挥作用的地方。机器学习不是要替代专家的直觉，而是要让机器发现自己的直觉，通过训练让机器自己成为专家。
缺点就是转换机器的直觉也越来越困难。机器的直觉也难说明原因。
我认为专家系统依然有存在的价值，特别是当没有足够的数据集去训练机器的时候。
评论四：
没错，这就是实现AI的两个主要方式——专家系统是“旧的”AI，而机器学习是“现代”AI。在旧的方式下，你精确地知道你的目标，而且经常需要想出比较清晰的实现途径，其难点就是要手工实现。在新的方式下，基本上不用太担心如何实现，反正也需要利用数据集进行训练。但结果就不是那么容易预测了，你甚至没法理解机器作出判断的原因。其错误或误判的数量可能会比较高。
当然，我认为这些方法距离真正的AI还十分遥远。真正的AI应该能够从旧的知识中学到新东西。我认为，只有在深入理解了什么是“理解”之后，AI才可能有真正的进步。
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------