编辑导语：算法工程师就是操作算法处理惩罚事物的人，输入相应的指令将会获得相应的输出；可是算法工程师的要求也很是高，在实体行业，他们还要会数据阐明，才气在实体行业中计较出精准需求；本文作者阐明白算法工程师的近况，我们一起来看一下。

“我们的算法工程师程度太差了，完全办理不了问题！”作为一个常常和传统企业打交道的乙方，这种诉苦我听得太多了，雷同凄惨画面也见得太多了。本日我们系统说说。

模子锋利不锋利，锋利！你看阿尔法大狗子都把天才少年柯洁咬哭了，能不锋利吗。

于是，许多企业咬牙顿脚，出高薪，礼聘来自互联网大厂的算法工程师、数据挖掘工程师、数据建模师，期望他能做出超锋利模子；“只要你能预测精准了，那我必定能如鱼得水”是他们的口头禅。

又恰好，一批2017年阁下混入所谓互联网大厂的算法工程师们，被裁人了，觉得本身可以打着“前头腾阿高级算法工程师”旗号收割一波传统企业，以后乌鸡变凤凰，走上人生顶峰。

两者一拍即合。悲剧就从这里开始……

一、不思量业务，背锅死

阵亡案例1：某传统企业，想成立产物推荐模子，精准匹配用户需求；功效才半年，招来的算法就被炒了——炒人来由：推荐不精准，反而滋扰了正常销售。

甲方市场部的头头还不屑的说：阿里的推荐算法也不咋样啊。

仔细研究业务场景就发明：亲，不是阿里有问题，是你这公司不是阿里呀！阿里是平台方，在平台上有无数商品等着推。

但详细到你这个企业，就会发明：

有的产物是安居乐业的爆款，不推也好卖。

有的产物是业务的心头肉，只要出一点问题，那就是千刀万剐。

有的产物先天短腿，成果不可、订价不公道，基础干不外竞品，推荐算法有毛用。

有些产物品质还行，只是在内部政治职位不高，拿不到资源，可能订价不公道，导致后天短腿。

上一任算法小哥哥，不思量这些业务上明争冷战，就直接上模子了；所有产物一锅炖了做推荐（照旧用协同过滤，完全没思量企业的用户粘性，用户行为数据量问题）；功效，主打产物呈现下滑环境，销售部、市场部联手，一起把锅往他身上甩。

了局，不单被赶滚开，并且搞得臭名远扬。

当真阐明白这些配景今后，一个优化方案出炉（如下图）：

先做好产物阐明，选好后天短腿的小品类，找到背书的部分，这时候可以开干了；公然，之一波推广顿时收效；于是甲方开开心心接办，本身归去优化迭代去了。

二、不细化场景，贫苦死

阵亡案例2：某连锁店，但愿能成立模子，精准预测每个店肆的鱼蛋、肠粉、饭团、面包……详细到每一个SKU的销量，这样门店既不会因为积存挥霍食材，又不会因为缺货错过销售；功效七个建模的小哥折腾了半年也不足精准，去职了4个，剩下仨低头丧气。

到底如何100%精准呢！

当真思考这个问题场景，就会以为很搞笑：真有100%精准预测鱼蛋香肠的才干，这七个小哥还打个屁工啊，直接去炒期货呀。

仔细研究今后发明：所谓的“缺货错过销售”，基础就是一句话废话；因为没有一个正式的缺货挂号系统（许多企业有，但这家没有）；可是积存导致的损耗率，却是结坚贞实的高。

于是，一个优化方案出炉（如下图）：

这样运行了俩月，损耗率明明下降，实实在在地看到了本钱的淘汰；同时，固然也有人诉苦：“诶呀，有些店缺货了呀”。

可证据呢？证据呢？证据呢！没有数据，空口白话，说了鬼信！于是顺利扭转排场；也不出意外地，甲方本身接办继承优化了（是滴，甲方就是不喜欢签二期、三期，都觉得本身能搞掂后边的，虽然这是后话了，哈哈）。

三、不该对变革，抱屈死

阵亡案例3：某大型渠道商，但愿能成立模子，精准预测手机、平板销量，制止积存；先后换个5个做模子的，都不满足！业务给的反馈是：预测不足精准，导致决定失误。

仔细研究今后发明，问题基础不在预测上，而是业务方的重复横跳。