从北海油田到零售巨头：Anirudh 谈 Palantir 如何驱动零售运营

摘要

Palantir 架构师 Chad West 与商业及零售业务负责人 Anirudh 对话，探讨 Palantir 如何驱动零售运营。Anirudh 七年前以应届生身份加入 Palantir 成为前向部署工程师（FDE），第一项任务是被派往英国北海的 BP 油田独自解决维护问题。这段经历塑造了他此后所有工作的方式：像创业者一样搞清楚什么值得解决、如何建立杠杆、如何反复交付价值——这正是所谓"Palantir 黑帮"文化的根源。

对话的核心是 Palantir 的零售方法论：不是什么都做，而是放大让一家零售企业独特的竞争优势。通过训练营（boot camp）或试点，先找到阻碍公司下一步增长的那块"最大的石头"，把数据、模型与流程图景编码进初始本体论（Ontology），再向相邻问题空间扩张——一年后，试点就变成了企业转型项目。

在门店运营与人力排班、客户服务引擎、价值链连接等具体场景中，Anirudh 展示了"决策中心"而非"KPI 中心"的区别：同时优化员工满意度、客户满意度与人力效率，让店长看到可执行建议而非报表；通过本体论把前线的声音反馈回中央预测，形成双向的决策回路。他引用澳大利亚一家大型杂货商的案例：超过 1000 家门店、一万多名活跃用户在用平台管理日常排班。

正文

一、从北海油田到创业者心态

Anirudh 七年前大学毕业加入 Palantir 成为前向部署工程师（Forward Deployed Engineer，FDE），第一项任务是被派到英国北海——BP 的大型油田区。两周入职培训后，他就成了解决某个维护问题的一人小队。对新毕业生来说这并不容易，但这段经历成为他此后所有经历的缩影：如何成为创业者——先弄清楚什么值得解决、哪些是你真正有能力攻克的最难问题，然后寻找帮助、建立杠杆，最后交付价值，并一遍遍重复。Chad 指出这正是"Palantir 黑帮"（Palantir Mafia）现象的原因：那种对结果极度负责的文化——"我必须想办法解决，会很痛苦，但我会撑过去"——是这一切的基础。Anirudh 补充说，如今团队里管理更大组合的同事、甚至实习生都在经历同样的过程：在自己负责的语境里找出最有价值的问题，再把学到的经验产品化、复制到整个客户群。

二、找出"最大的石头"

面对客户常问"你们到底是软件公司还是咨询公司"，Anirudh 的回答是：我们不是什么都做（尽管结果看起来如此），我们做的是放大让一家零售企业在行业中独特且有竞争力的东西。找到那个东西的过程，是合作最初几个月的重点——通过训练营（boot camp）或试点，我们说要解决最难的问题，实际上是在发现阻碍这家公司实现下一步增长的"最大的石头"。

这件事产生两个效果：一是让我们看清它的数据、模型与流程图景，并全部编码进初始本体论（Ontology）；二是让我们看到受那块大石头影响、或导致那块大石头发生的相邻问题空间，然后从这里向外扩张。因此到了第一年或第二年，试点项目看起来就像企业转型项目——这就是为什么很多人说"Palantir 什么都做"。实际上，一切都始于：找到最难的问题，找到让你独特或有价值的东西，或者阻碍你到达那里的东西。至于谁是最佳合作伙伴，Anirudh 说：是"建设者"——愿意卷起袖子、用批判的眼光看待过去为什么没做成的人。如果你在三个不同平台建了三个一模一样的数据仓库，显然有什么东西坏了；我们要找的是愿意"吞下红药丸"的人。

三、门店运营与排班优化

跨零售商、跨国家，Anirudh 看到的共同主题是：这些企业都很成功、持续增长（通过收购与有机增长），但支撑增长的方式只是给核心部门加人。他们真正需要的是超越报表、超越"支持角色"的技术底座。随着漏斗变宽、买卖变多，人驱动的运营承受更大压力，危机与中断时出现更大的缺口——疫情、去年的商品成本危机、港口罢工威胁、飓风季，都暴露了这些脆弱的系统。正是在这些"清醒时刻"，领导层意识到"我们需要数据仓库系统与运营之间的东西"，我们的电话就响了。

关于门店运营与人力管理，Anirudh 称之为"难题"：店长每天给 10 到 100 甚至几百人排班，传统上要在员工满意度、客户满意度、人力效率三者中"选一个"；Palantir 三者同时优化。背后是一系列优化模型：以门店、部门、每 15 分钟为粒度的需求；员工偏好（期望班次、可工作日、偏好的部门、个人成长目标）；客户之声（什么时候进店、直接反馈）。平台消化所有数据，向店长呈现非常简单的可执行洞察："这是系统在你店里发现的反复出现的机会，点击这些按钮"——背后自动编排，本质上是系统集成问题。Chad 强调这种自动化不是"取代人"，而是"帮人完成更多事"。

四、客户服务引擎与价值链回路

Anirudh 指出 AI 客户服务的真正价值在于"颗粒度"：它可以做到"每个客户一个礼宾"——一个微缩版的整个业务，交给客户交互。它认识客户（购买历史、所有交互记录），认识业务（供应链、采购单走到哪一步），还能访问流程资产、状态机、回写能力与执行业务的 ERP 系统——因此它能代表客户运行业务。与客户聊天只是第一天的问题（怎么建聊天机器人），真正的问题是第二天的问题：如何通过 AI 实际运转业务，尽可能减少人工干预。

"运营"与"报表分析"的区别，Anirudh 用直觉解释：零售是每个人每天都接触的行业，走进一家店，你能看到店员正在做的运营决策。排班就是运营决策，数据与后台智能可以把它提升许多倍。而零售价值链——采购、商品、供应链、营销、客户运营——处处是相互关联的运营决策，一个决定对上下游有"蝴蝶效应"。他举了澳大利亚一家大型杂货商的例子：推广到 1000 多家门店、超过 10000 名活跃用户，日常排班与中央计划团队都在平台上；中央团队因此能看到店长实际如何分配人力、哪些岗位配置不足需要招聘或培训。这种"联邦式决策模型"让中央既基于信号做出更好的决策，又用边缘的声音改进喂给前线的模型——比如这家客户过去只用需求预测模型做全球人力分配，现在店长的反馈形成回路，回到预测里。Chad 总结关键差异：本体论的目标是做出决策，而不是给出 KPI 或指标；涉及几千家门店、几十万商品、数百万人时，颗粒度与细微差别才是真正的差异化所在。