人工智慧（AI）能幫助市場營銷做什麼，看了這篇行業白皮書你就知道了

01-24

下文是一篇AI如何應用在營銷領域的行業白皮書，來自數問社區（dataquestion.com）。總長度快一萬字，閱讀時間在10-15分鐘。全文分為機會，影響，市場概況和前景四大板塊。如果您時間有限，可以直接跳轉到市場概況這一部分，這部分有大量的具體分析案例介紹。

機會

最近的時間，相信大家總會不斷聽到大量關於人工智慧將會在未來十年中如何深刻的改變我們社會的一些報道，特別是那些來自大公司的承諾。微軟雄心勃勃的宣稱，通過自然語言處理（Natural language processing，NLP）來實時地分析研究論文，他們將征服癌症。谷歌—剛剛宣布了AI先行的戰略—也就是打算通過機器學習大量的人類聲音的錄影文件，把電腦的聲音打造成和真人說話一樣。而Facebook自然更不甘人後，他們正在用人工智慧分析衛星影像來定位人們的生活軌跡，並且許諾將會給全人類聯網。這樣的願景還在不斷的增加。

儘管這些野心勃勃的願景是那麼吸引眼球，但在這些世界頂尖的科技巨頭公司眼裡，AI是一個用來解決某種世界級問題的抽象工具包，而不是直接拿過來用的實用技術。

許多CMO表示，非常希望能夠讓自己的企業利用起基於AI的技術和解決方案。然而，他們往往對AI的基礎原理的缺乏深入了解，以及不知道該如何將AI引入他們公司的業務中去。近期，一份來自美國，英國和中國的研究顯示，那些公司年收入在5億美元以上的大企業的CMO們中，三分之二的人認為AI將在未來的市場營銷活動中起到非常的作用。然而，與此相對的是，只有不到三分之一的人對於如何將AI應用在他們企業的業務中有到比較深刻的理解。

所以我們有了這篇文章。今天這篇文章的目的就是為數字營銷領域中工作的各位同僚，提供一份AI技術入門指南。這些技術都是被市場驗證過，並且成熟可用。我們相信，CMO們在今天必須去考慮這些問題，方可能在未來幾年為企業持續保持競爭力，基業長青。

影響

在很早以前，大家做營銷活動都還比較草率。那時候大家擁有的是海量卻不精確的營銷信息，而且也不考慮個人信息（如地域，性別，年齡等）以及顧客偏好。如果說這種草率且不精準的營銷策略在那個時候還能夠接受的話，如今這種日子已經一去不復返了。如今，我們的市場營銷活動需要通過高度個性化的信息來吸引潛在客戶和留住現有客戶。這種個性化的營銷溝通是基於多種各種因素的：比如個人行為和偏好；對於顧客接受廣告信息時周邊環境的考量（context-awareness）：如一天當中的某個時間或某個地理位置；以及從核心用戶群數據中提取有用的消費者洞察。

像Spotify，Amazon和Netflix這樣的公司在這方面是領頭羊，並從某種程度上來說設定了這個行業的玩法。在互聯網上抓取到的用戶行為，會被這些公司立即被用來優化用戶體驗和產品推薦，從而產生更個性人化的品牌體驗關係，同時提高了用戶的忠誠度。

然而，個性化，量身定製的市場營銷在依靠人力制定營銷策略的情況下會迅速達到天花板 – 人的能力總是有限的。像這種細分顧客的行動需要各種信息：精準的信息傳遞，針對目標人群投放正確的用戶並且投放相應的社交媒體廣告，基於用戶平時其他的選擇做出產品推薦。所有這些都需要大量的人力和時間成本，而這往往遠遠超出了營銷部門的能力。

而如果有了人工智慧的幫助，讓大規模地進行個性化的市場營銷變得可能了。在整個客戶服務流程中的所有環節里，營銷人員都需要依賴於數據輸入和更有效的機器驅動的AI應用程序。當然，這並不一定意味著，基於AI的應用程序可以在沒有人參與的情況下自行運行（這樣的話那恐怕得先把阿西莫夫機器人三定律應用上）。事實上，基於AI的演算法的表現得以改善，都依賴於人類的監督，進行數據清理和確保正確運行。

AI的潛力會讓所有現存和新出現的競爭者們以洪荒之力席捲現在的市場，如同當年手機革命一樣，; 推遲AI的應用只會讓整個市場倒退。非AI公司將不可避免地以不夠個性化，客制化和缺乏影響力的方式與客戶接觸，從而錯過提高日常營銷任務效率的機會，錯過最優的廣告預算，以及錯過通過直接的數據驅動得到的營銷來影響銷售量的機會。

市場概況

我們不難預想，基於新的AI技術的營銷市場平台每天都在湧現。這導致了一個非常混沌，複雜的行業環境。但總得來說，今天的AI相關的市場營銷技術應用可以大致分為以下幾類：

圖片/視頻識別的市場營銷AI應用

許多新興的技術進步，如自動駕駛汽車自駕車和早期的癌症檢測，都依賴於以圖片識別為基礎的AI。其背後的機制是，為一個演算法提供一個有已知結果的訓練數據集，讓其識別數據里內含的模式，最後做到對於那些新的，從來沒見過的數據可以做出準確的預測。以下是目前市場上準備的三種基於AI的視覺領域的技術：

1. 應用視覺信息的零售分析和精準營銷定位。

擁有實體店的公司可以通過視覺零售分析和分析供應商從AI技術獲益。基於商店內外的全天24小時攝像頭，機器學習演算法可以識別出一些和業務相關的關鍵信息，例如使用面部識別技術去挖掘的商店內顧客的行為模式，或不同商品擺放格局的效率。這些信息因數可用於優化商店的運營工作和設計。然而，AI驅動的視覺零售分析工具不需要局限於店內經驗。例如，今天的快餐店能夠使用基於視覺的人工智慧技術將經過的車輛的牌照讀取到就近的連鎖店，然後使用公共第三方數據將牌照信息與個人信息相關聯。根據這些輸入和他們分析出的行為模式，創造超個性化的宣傳營銷策略行銷企劃。要注意的是，在應用這些技術時，零售商需要尊重並意識保護客戶隱私。

應用難度：中等；需要硬體投資和安裝
供應商：ShopperTrak, RetailNext, OpenAPL
效果：提高增加實體場地的銷售量和運營效率; 通過超級個性化營銷優化營銷支出

2. 用戶生成內容中的圖像和視頻識別

各大品牌對於任何在線和離線渠道上關於他們的討論一般都非常關注，特別是他們的公關團隊，無論是積極的還是消極的。隨著視頻驅動的社交渠道如Snapchat，Instagram，Pinterest和YouTube的廣泛應用，許多數字對話和討論不再以更容易處理的文字方式發生，而是通過用戶生成的圖像和視頻內容的方式。使用基於訓練數據的深度學習技術，基於視覺AI的解決方案已經漸漸發展起來了。它允許品牌大規模地監控各種社交媒體渠道，並識別任何相關的視覺模式，如品牌標識或個體個人產品。然後將這些發現提供給社交媒體團隊進行審查並用以指導消費者互動。

應用難度：低; 大多是獨立軟體與業界領先的社交媒體管理工具API的集合應用
供應商：ClarifAI, Cloudsight, Indico, Dextro
效果：增加消費者互動和客戶滿意度; 提高社交媒體社會營銷團隊的運營效率

3. 智能數字資產管理（DAM, Digital Asset Management)

數字資產管理利用與UGC (User-generated content, 用戶生成內容）媒體處理類似的技術方法，現代DAM解決方案利用人工智慧技術自動將語義元數據應用於營銷資產，從而無需進行詳盡的手動標籤分類。許多大型市場營銷組織在數字資產運營中缺乏管理。由於基於機器的標籤增加了已經生產和許可的數字化媒體資產的可發現性，因此媒體生產成本和許可成本可以大大降低。

基於AI的自動標記功能能夠識別和標記具有高級概念的數字化資產，例如「海灘上的一家人」或「正開心地吃著冰淇淋的小朋友」。

應用難度：中等; 可能需要DAM平台或者其擴展功能
供應商：Adobe Smart Tags, Asset Bank, Google Cloud Vision API
效果：通過減少人工規劃資產標籤的需要來提高運營效率; 通過減少授權和媒體產品的花銷來優化營銷支出

語義相關的營銷活動的AI應用

語言驅動的AI在學界有最悠久的歷史; 研究人員已經研究了幾十年（無論是在口頭還是書面的語境中）如何準確地理解和語義上處理人類語言（自然語言處理NLP，Natural Language Processing）以及如何產生它（自然語言的生成：文本到語音，Natural Language Generation and Text-to-Speech）。亞馬遜的Alexa，蘋果的Siri和IBM的Waston，對熟悉技術的消費者來說已經是家喻戶曉的名字。他們代表了我們日常生活中能用到的各種支持語音處理的數字產品。隨著進來語言理解，處理和生成技術的成熟，新技術已經開闢了與消費者互動的全新渠道。

1. 聊天界面與聊天機器人

年輕一代在線時間的大部分時間花在基於文本信息的通信渠道中，例如Facebook Messenger，Whatsapp或簡訊app。通過SDK和API集成，這些通信平台把自身向其他各大品牌開放開發，並逐漸發展成為全面的生態系統。例如，利用Facebook平台，漢堡王正在測試一款聊天機器人，可以讓用戶從附近的一個分店訂購食物，並在Facebook Messenger應用程序內支付。聊天界面讓客戶和平台即服務提供商進行更直接和自然的對話，允許這種對話的應用程序正在快速發展。由於這類應用的大範圍成熟，對於一個組織來說，一個成功的策略是從採用一個普通但是非常細化的服務應用開始，特別是使用那種投資回報率比較高的應用，即小服務，大產出。比如，可以先把聊天機器人應用在呼叫中心，這一類實踐往往有很好的成功先例驗證，而且能夠產出比較好的效果。在這個之後，可以在進行迭代，把聊天機器人使用到更廣泛的企業應用中去。

應用難度：初始的具體實施門檻較低，但高級應用的難度高。需要建立SDKs和APIs以採用市場進入策略（go-to-market）
供應商：Facebook Messenger, Alexa Skills API, Converse.AI, IBM Watson
效果：通過可以快速獲取的類人模擬人類的客服支持來改善客戶關係; 通過減少人力需求來提高運營效率

2. 營銷信息生成

另一項AI在市場營銷中的成熟應用是機器驅動的語言生成。該技術提供了以真正個性化的方式與每一位客戶和潛在客戶進行溝通的承諾，其目的是建立完全相關的和情感上的聯繫以觸發特定行為。使用連續的測試和測量方法，人造內容生成平台能夠自主地學習交流策略，為每個消費者客戶生成最個性化和最有利於其轉化轉換優化的營銷信息。基於一般辭彙，營銷傳播模板以及客戶已知的偏好和觀察到的行為，這些系統整合在一起，通過機器學習優化您的營銷傳播策略，以便在正確的時間，通過正確的渠道與正確的語氣，用最相關的內容，和每一位用戶互動。

應用難度：中等; 通常需要與驅動直接消費者通信（如ESP，Email service provider，電子郵件服務供應商）的系統進行多種集成
供應商：Persado, IPSoft, Automated Insights
效果：通過更個性化的信息改善客戶關係; 通過與直接消費者直接溝通的渠道來優化轉換率，以增加銷售額

3. 情緒分析

大範圍自動檢測客戶交流中的情緒是非常強力的一種營銷工具，不論是在文字還是口頭語言交流中。自然語言處理技術已經發展到可以準確地識別客戶聲音中的情緒，例如沮喪程度。像這樣通過基於AI的系統進行分類的方法可以在呼叫中心中得到利用。例如，當偵測到客戶方面的情緒越來越強烈緊張時，這項技術可以自動把互動式語音系統切換到人工服務，以確保客戶的滿意度。類似地，對於一些社交渠道例如Facebook，Twitter，論壇評論中用戶產生的文字內容，自然語言技術也能大規模的偵測到其中的情緒波動。這樣的工具可以評估和校準在營銷活動中，以及UGC（用戶生成內容，user-generated content）中的品牌認知度。

應用難度：低; 主要是獨立技術
供應商：Lexalytics, Sysomos, Crimson Hexagon
效果：提高客戶意識和見解，並與之建立關係; 通過減少人工社交媒體監控或用戶生成內容審核的需求來提高運營效率

營銷分析中的AI應用程序

AI技術的應用，特別是機器學習的應用一直在挖掘大量數據，並從中獲得可行的見解; 其中系統大多運用從數據中獲得的指導人類去做一些的營銷活動的決策和優化策略。在自主的無人監督的環境說法中，AI系統直接利用其機器驅動的洞察來優化某些機器驅動行為。下面我們介紹在市場營銷學的世界裡，最為常見的三種方法。

1. 程序化廣告購買

程序化廣告是今天大量使用AI的最常用和最成熟的數字營銷技術之一。基於機器學習演算法，程序化廣告工具能夠學習一種優化的決策策略，用於廣告的程序化購買。因為程序化購買，往往會考慮涉及到哪些受眾，消費者的個人信息和關鍵字以及價格。基於行業領先的付費廣告平台的實時競價投標和實時銷售機制，複雜媒體購買的精細的媒體程序化購買方法通常遠勝於傳統的媒介購買策略。因此，程式化廣告是很有必要的，不論是還是什麼類型的公司，如果你希望優化在線媒體支出並提高其廣告系列效果，這幾乎會是你一定要做的事情。

應用難度：低; 主要是獨立技術
供應商：Adobe Media Optimizer, Rocket Fuel, Kenshoo
效果：通過學習和不斷改進的購買策略優化營銷支出; 通過減少付費媒體運營的人力管理成本需求來提高運營效率; 通過增加轉換增加直銷

2. 相似用戶模型（Lookalike audience modeling）

相似用戶擴展模型是正在被迅速採用的營銷技術中的另一個趨勢。通常，這種技術被集合成所謂的數據管理平台（DMP，Data Management Platform），允許公司整合第一，第二和第三方數據，以確定和管理目標客戶群段並整合他們用戶的個人信息。相似用戶擴展模型的功能基於機器學習演算法，並根據現有客戶的特徵重疊重大重疊自動發現新的目標客戶群細分。例如，零售商的學習演算法可能會發現，最近轉換的購買冬季夾克的客戶的特徵與訪問美國滑雪門戶網站的用戶個人的人口特徵（比如，住在哪兒，收入多少，性別以及年齡等等）有明顯的重疊。那麼後面的這個客戶群就可以被精準定位：後來的細分市場現在可以是具體目標如通過在滑雪門戶網站上的投放展示廣告，來擴大客戶群，從而提高了營銷投資回報率。

應用難度：低到中等; 通常是獨立平台; 需要與擁有重要用戶數據的系統集成; 需要開發企業範圍的數據模型
供應商：Oracle Bluekai, Adobe Audience Manager, DoubleClick by Google
效果：通過高度針對性的廣告優化營銷支出; 通過發現具有高概率轉換的新細分市場來增加銷售

3. 基於演算法的實時個性化推薦

目前在市面上使用的大多數個性化推薦，大多是有人為策劃的規則驅動的，這些規則通過中查找某些上下文中的某些數據點，例如用戶的位置，客戶狀態或預計的家庭收入。然後基於這些信息對用戶的作者對相關性的進行評估從而傳送不同的內容和消息。

基於演算法的個性化旨在使用機器學習技術在用戶瀏覽窗口時的瀏覽會話中可以實時動態地個性化調整網站。在應用中，基於已經建立的概率模型，當計算出某個用戶放棄購物車的概率，或者關於瀏覽窗口的概率達到某個閾值時，就會驅動某個規則，從而動態地向該用戶提供折扣來挽留客戶。這些提供者使用的機器學習技術通常基於稱為強化學習的無監督學習方法。在該方法中，該演算法針對固定的獎勵函數功能優化其行為動作，例如，用戶轉換的購物車大小。每次獲得積極的結果（例如客戶購買一組產品），AI系統會回顧其以前的決定 – 在什麼情況下對其進行獎勵。在相反的情況下，如果用戶購買窗口會話在沒有結帳的情況下被放棄，那麼它將減小未來購買界面採用的個性化推薦的概率。該演算法會不斷探索替代動作，因此可以適應購買環境變化，如節日期間的購物行為。這被稱為剝削的平衡 – 利用過去的個性化行為表現良好的數據，去不斷嘗試新的行動並觀察是否有效。

應用難度：中至高; 通常需要與現有的商業或內容平台的深度整合
供應商：NeoWize, Bloomreach, Sentinent
效果：通過提供相關的產品優惠產品來增加銷售量，減少購物車棄置率; 通過更個性化和相關的體驗改善用戶關係

營銷預測以及行動決的AI應用

AI在營銷中的最後一個應用類別是作為專註於預測用戶行為的工具。雖然與基於洞察的應用有某種程度上的重疊，但這一類系統通常會預測未來的行為，並嘗試做一些相應地用戶體驗優化。

1. AI驅動的產品推薦引擎

雖然電子商務中的產品推薦引擎已經存在了很長時間，但由AI大力驅動的新一代工具其實最近才剛剛出現。傳統推薦引擎主要使用稱為協同過濾的技術，其基於客戶之間的購買行為的重疊來推薦給出產品建議。然而，這些方法容易出現冷啟動（cold start) 問題，即對於沒有歷史購買數據的新客戶很難做出推薦。不知道新客戶的購買數據的情況。較新的AI驅動的大數據方法考慮了更廣泛的數據集，包括諸如使用的設備，時間或通過第三方提供商提供的線下（off-site) 活動等數據。例如，服裝零售商Under Armour使用IBM Watson通過分析客戶購買數據以及健身和營養的第三方信息來給給出更精準的產品推薦建議。類似的方法也通包括過讓客戶參與關於自身偏好的調查小問卷，圍繞自己的喜好進行測驗，從而為營銷人提供更多的數據。這種方法的一個例子是??Northface的「找到完美的夾克」??經驗，通過互動對話縮小了其產品推薦的範圍。

應用難度：中等; 通常需要產品領域的建模和外部數據的整合
供應商：Amazon DSSTNE, LiftIgniter, IBM Watson
效果：通過甚至可以為新客戶提供產品推薦的高質量推薦系統強大的相關產品建議甚至為新客戶來增加銷售; 從一開始就建立起良好的客戶關係，給予客戶理解和被服務的感覺。

2. 預測分析

簡單來講，預測分析就是提供未來預測的平台。預測分析延展了傳統的分析方法，往往更加專註於日誌級別數據Log Level Data(如訪問網站，平均訪問時間等)。其預測分析在營銷中應用最廣泛的是客戶關係管理（CRM）應用。使用機器學習和相關技術，??例如像Salesforce的產品Einstein旨在預測和警告市場營銷人員可能需要重點關注的消費者行為，例如一個客戶開始頻繁的聯繫售後服務，或者一個現有的訂閱客戶可能快要到期，而他之前使用產品的行為可能預示著他不會再續訂你的產品。這種預測既考慮一般市場趨勢這種宏觀大環境數據，也會考慮個人微觀數據等等無數個數據點。然而，預測分析不僅僅應用於是銷售業務。該技術還可以通過預測用戶的下一個行為和選擇來改善客戶體驗。使用這些預測經驗，設計人員可以減少他們的工作量。這種設計方法通常被稱為預前設計。

應用難度：中至高; 通常需要跨系統的數據集成和用於預測引擎的定製演算法
供應商：Salesforce Einstein, IBM Predictive Analytics, Marketo
效果：通過機器驅動的預測來增加銷售; 通過改進的個性化用戶體驗來提高消費者滿意度和客戶關係

前景

那些還沒開始將AI平台利用到日常工作中的市場營銷人需要開始關注這些了。根據自身企業的需要，列出項目優先順序。

上面說的僅僅只是提供了一個使用AI技術的入門，和一些個人建議。我會建議營銷團隊根據包括預期的用戶價值，自身公司的商業影響力，運營的準備情況，實施所需要的工作量等各個方面的因素，制定屬於自己的營銷部AI路線圖。

我們也會建議市場營銷部門IT部門緊密合作，因為通常AI解決方案不僅僅依賴於現有的公司數據，還需要整合現有的市場技術應用。此外，通常，特定類別的AI解決方案提供商具有類似的功能產品，但是與公司現有技術足跡的兼容性可能會有所不同，這可能是一個企業用還是不用某個AI技術的關鍵原因，所以，一定要和你的IT部門好好合作。

在投入並推出人工智慧解決方案之前，公司應確定使用新技術關鍵指標（KPI）。這是任何項目開始前需要去衡量的關鍵。鑒於大多數AI技術供應商都提供基於SaaS（Software as a Service）的服務模式，並且大多數供應商都會讓你免費試用一段時間，你可以好好利用這段免費試用來看下這個服務到底對自己有沒有幫助。而且你還需要考慮的是，許多機器學習演算法需要經過一段時間的受監督或無監督的方式進行訓練，才能真正顯示其全部潛力，所謂路遙知馬力。因此，你可能需要耐心一些，給你的AI應用充足的時間，餵飽它足夠大量數據，最終才可以拿到有意義的結果和預測。

總之，人工智慧技術正與其字面含義一樣：複製人的思想，在理想狀態下可以甚至提升人類智商智力的計算演算法。放在市場營銷的語境中，這可以解釋為營銷人員通過計算機和演算法的幫助去更好地了解消費者。就像在現實生活中一樣，這是一個基於過去經驗的學習過程。最終，客戶將不斷地與品牌個性化的關聯所吸引，真正感受到獨一無二的服務，感受到來自於品牌對於他們的理解。這才是AI對於營銷的真正意義所在。

___________

白皮書來自數問數據科學社區（dataquestion.com）人工智慧（AI）能幫助市場營銷做什麼

原作者Thomas Prommer @ Huge Inc. A Starter Guide to AI in Marketing.