本周旁听了若干场围绕能源主题的探讨,内容很丰富,不过在信息量巨大的情况下,毕竟是让人有些疲惫。
同一宏观,差异叙事
几场会议的场合和受众不同,但其中不少内容雷同,毕竟当前头条新闻下,最易博得流量的话题显而易见。其实也不仅仅是这一周,在过去的三个月里,各种机构对类似话题、反复修正的交流已经汗牛充栋。大部分听众仍然关注,但也有一些,往往是那些真的在认真思考的观众,提出过类似内容太多、又没有太多新意的反馈,也有表示当前情况并无太大变化,高频的对同一事件的分析其实意义不大,还有表示市场分享过于泛泛,缺乏和自身业务直接关联,云云。
千人千面,众口难调。但这些反馈亦有可鉴道理。确实,全球能源行业目前面临的是同一种大的宏观环境、也不可能不关注霍尔木兹海峡局势,不过在信息大爆炸的当下,有许多分析其实也已经为普罗大众所知;更重要的是,每个细分行业、每家企业,不可能具有完全一样的业务模式和规模分布,也决定了每一家企业在面临同一种局面下,有着不同的经营风险暴露程度,他们所想听的、或是能够吸引注意力的,即使针对同一个主题,也会有各自侧重。例如,贸易商关注的是短期的价格和分地区的供需;油轮船公司则关注湾外船舶流向,稍远一些的市场(比如大洋洲)只关注有多少汽柴煤会被限制出口,他们不会每天去数船;而一些大的财团,可能已经把目光转向了对往后整体布局的思考。等等。
固然,最容易的是用同一个catch all 宏大的叙事来概括,中规中矩,但也的确缺乏对任何一个点的深入。不是说没有提到,而且让人觉得,缺了一点“生动”和地气。
Demo的意义:决定性瞬间
自然,在大型会议上去做如此毛细血管的分析会有难度。那其实便落到了在presentation (呈现)中的具体内容;以及甚至是往日售前售后的的Demo(演示)和培训。在同一个大背景下,如何快速捕捉受众的注意力,与其说是一种演讲技巧,不如称之为“备课”功底。了解你的听众,了解你要讲的内容,了解资料的深度和最及时的信息,才能有的放矢、何处停留何处带过、并用最新鲜的内容点亮其实是预制的PPT。
曾经写过数据是科学,有时也是一种艺术。前者代表了它的客观和真实属性,后者代表了使用数据的人的创造力。在摄影领域,有个著名的概念叫做“决定性瞬间”(布列松),其定义是指摄影者在特定时刻,通过抓拍手段,将具有决定性意义的事物加以概括,并用强有力的视觉构图表达出来。这一概念由布列松在1952年出版的摄影作品集《决定性瞬间》中提出,强调在极短的时间内捕捉事物的表象和内涵,使其成为永恒。布列松认为,摄影不仅是技术的运用,更是对人类命运和社会责任的深刻思考,摄影师应尊重被摄者,捕捉平凡人生的瞬间,以赋予影像意义。
在我看来,Demo亦是如此,除去功能性的介绍,它的精华在于,用最有代表性的数据案例呈现最有冲击力的信号、代表性的现象甚至是关联性,引发受众思考并感知数据的力量。这并非易事,而是建立在对数据本身的把握之上,通过长期的凝视,往往在茫茫大海般的数据和多次验证失败之后的偶然所得。
但正是这个过程,让demo的工作的意义,从销售转向了探索。
信息服务的价值:数据采集或是洞见分析
这种表达的质量和效率,其实与信息服务的能力和价值直接相关,也正是本周某个会上的参会嘉宾直截了当提的,“在如今人工智能普遍应用的背景下,信息服务公司的价值,究竟在于数据采集,还是分析和洞察?”
非常好的问题,其实二者都很重要,前者是后者必不可少的基础,后者则是讲数据形成价值、产生差异化的关键。目前两者都不容易。从数据源采集来看,随着“数据”被每个国家都视作关键要素、重要资产,对数据安全和数据隐私的法律法规逐一完善,对涉及跨境服务的主体而言,其实数据收集并不容易;另一方面,数据产生方式和载体的多样化是数据量爆发式增长的主要来源,“智能化设备”无时不刻在记录过去并未有的信息、越来越实时、越来越高颗粒度,但获取和处理这些数据需要投入,是在任何其他绣花工夫之前的“脏活累活”。
而分析洞察,前一周便有客户提到,一些跨行业的关联性分析,最简单的场景是天气、农业产出、出口量和船运市场的相关性。虽然“简单”,但实际跨越了很多的领域和更多维度的结构化数据,天气本身涉及温湿度、气压、降雨等等,以及由其引发的江河湖海水位等等,农业产出则跨越各类农产品的特性、对天气的敏感度、土壤条件、施肥情况等等,到了船运则又会和航道需求、区域性供需等等更多因素有关。而时间更是无法忽视的因素。所有这一切,拆解开来看都不难理解,如果有专家做,可以做Demo,但大批量的历史数据,跨多个行业的研究,并没有捷径。
我无法代替公司去回答。但从个人观点来说,不远的未来信息服务的差距将体现在能否快速调用全行业、相关性的数据和知识库,产生负责任的关联性分析和前瞻洞察。
AI:文本与结构化数据;跨领域、技术上的跨数据库
AI自然是绕不开的热点。或许有些不合时宜,但真实的反馈却并不那么梦幻。如今,AI已经如同一个符号,而非技术名词。但当我们回到它当前的应用本身。尽管AI是这个阶段最火热的“工具”,但如今的大语言模型所生产的资料,与其说是“洞察”,不如说是归纳。它的优点在于能够在大量现有的文章、信息中提取针对性的内容,生成并排版,精致可爱,并让对某个领域陌生的小白能够快速有框架学习知识,补充盲区。但缺陷在于,它无法用靠谱的方式生成不存在的东西;但更在于,大语言模型不是用来处理结构化数据的。
w说,客户要的是基于真实数据但更多的洞察。仔细品一下,他所说的“真实的数据”,正是那些第一手的、来自实际物体、事件、流程中产生的“元数据”,或许是制造业设备的传感器,或许是销售合同,或许是气压计,等等等等,但无论格式和载体是什么,他们都共用一种特点,——是客观的存在,而未经任何人类的诠释。只有当这些真实的数据从技术角度去归一、结构化,让他们互相直接能够跨越数据库调用、分析、结合上下文的背景去理解分析,才是智能。
重大事件、趋势下的视角:“数”学家的底线
难得也是听了一下电力市场的分享,学习了不少。其中印象最深刻之一、或许也是最基础的需求假设,便是部分国家未来电力需求增量中来自数据中心用电的比例达到了16%。市场分析师基于此给出了许多的预测和能源转型的洞见,等等。或许一个更上游却很无力的问题是,是否真的需要那么多的数据中心。如果能源转型的初衷来自可持续发展目标,但事实上“可持续发展”SDG的目标有17个,并不仅仅是减少温室气体排放。
另一方面,冲突、混乱确实是这几年的主旋律,为分析师创造了许多话题;而航运行业在这一波接着一波的不安稳中更仿佛是“获益方”。甚至在我表达对厄尔尼诺的担忧时,有分析师告诉我”all the disruptions are keeping us relevant” (正因为有这些干扰,让我们这些分析师有存在感)。但是大部分分析师,或许只能做解释,而非真的面对冲突做出什么预判。也不能永远带着事不关己高高挂起的心态去保住饭碗。
而信息咨询、数据行业,在价值主张自身产品服务的时候,不是一直以“优化optimise”为标榜,而不是吃瓜看戏。但现实中,却落入了依靠短平快、夺眼球的漩涡。
即使世界风平浪静,仍有太多未知和需要解读的事情。对信息和数据的利用,远远没有到尽头。如同阿西莫夫最后问题里的答案:there is yet enough data for a meaningful answer。
我想良知和天真才是决定从业者天花板的张力所在。
