【設計讀本】如何將人工智慧應用於品牌營銷？

如何將人工智慧應用於品牌營銷？

簡介：為什麼人工智慧對品牌營銷人員如此重要

導讀：本文是由 Epsilon Agency 的戰略與發展總監Steven Harries撰寫，本文首先對 AI 相關概念進行了宏觀概述，再著重從消費者參與、品牌策略、創新這三個方面解讀如何將 AI 應用於品牌營銷。適合於 AI 入門讀者及品牌營銷人員。

本文發表在高質量協作型媒體平台 Medium 上的 Machine Learning欄目。

在過去一年，人工智慧和機器學習佔領了話題的風口，它有望改變從媒體廣告到法律和醫療等各行各業。從產業結構上看，世界上最大的兩家公司——谷歌和微軟已圍繞人工智慧的研究、工具和應用重組了團隊。他們的核心平台已服務超過了10億用戶，團隊重組後則專註於將人工智慧應用到平台上所有的產品和服務。緊跟它們之後的是蘋果、臉書、亞馬遜、騰訊以及阿里巴巴，這些公司全都重金投資 AI，以求增強他們整個產品的生態體系。

AI 開啟了下一輪競爭，它會成為消費者參與和交互模式的核心。 幾乎所有人兜里都會有一個口袋大小的 AI 產品（ 想想 ARKit 和 ARCore ）。隨著數百萬感測器愈加智能化，智能系統的未來也更光明。近期對量子計算的研究也有可能實現運算能力的指數級飛躍。

「品牌除了和人工智慧新境況一起演變別無選擇。」

這裡最重要的一個關鍵點是，所有上述公司都擁有消費者參與層。 換句話說，它們構建消費者與技術和品牌進行互動的方式。 所以，作為一個品牌營銷人員，我們別無選擇，只能與他們一起演變，適應這些新興的行為模式。但是我們該如何做呢？品牌如何利用人工智慧、機器學習和大數據，在這個新興人工智慧主導的營銷環境中發展呢？

一、AI 入門指南

第一步是了解 AI 的演變史及不同類型的 AI，品牌可利用這些 AI 來發現隱藏市場並吸引消費者。

人工智慧最初是在1950年被提出，多年來我們已看到許多 AI 在文化領域興起的例子。 在1996年至2011年期間，IBM 的深藍（Deep Blue）戰勝了國際象棋大師，而 IBM 的沃森（Watson）在未連接到互聯網之前，就已經主宰了美國智力問答節目《危險邊緣》(Jeopardy)。 在2016年，谷歌的 Alpha Go 在圍棋競賽中擊敗了世界上最厲害的選手。 每周，我們都會看到 AI 學習新技能的例子：從征服對抗性視頻遊戲，到學習如何在虛擬環境中行走。

1. 驅動這個新黃金時代 AI 的三個領域

（1）圖形處理器（GPU）降低並行計算的成本

（2）結構化和非結構化數據的爆發

（3）演算法的進步

「AI 將影響消費者生活的每一個角落。」

隨著摩爾定律（Moore』s Law）使得計算設備變得愈發便宜且輕便，AI 將影響消費者視野的每一個角落。 初步預測顯示，由 AI 驅動的產品和服務市場將從2020年的360億美元躍升至2025年的1270億美元。（ *資料來源：BofA Merrill Lynch 團隊研究預測—即將來臨2017年：人工智慧；機器崛起。* Source: BofA Merrill Lynch Group Research Estimates?—?2017 the year ahead: artificial intelligence; The rise of the machines. ）

2. 人工智慧的三種類型（參見：想成為 AI 設計師？你也可以！）

類型1：狹義人工智慧 ANI（Artificial Narrow Intelligence）又稱弱 AI——專註於一項任務，例如 AlphaGo。

類型2：通用人工智慧 AGI（Artificial General Intelligence）又稱強 AI——顯示人類智能的計算機，例如電影《她》中的薩曼莎（Samantha）。

類型3：超級人工智慧（Artificial Superintelligence?）—— 在所有可能的領域比任何人類都聰明的智能，例如《復仇者聯盟2》中的反派人物奧創（Ultron）。

我們討論的一切都圍繞著弱人工智慧（ANI）。強人工智慧和超級人工智慧還遠未可及，坦白講，如果我們能夠更進一步到達這些領域，我們的判斷和結論依舊如此。

3. 人工智慧的子集

讓我們進一步了解 AI 的工作原理。 AI 有多個子集和分類，每個適用於不同的案例。

a. 機器學習（ Machine learning ）最為人所知。機器學習使用演算法來分析數據、進行學習並對一個特定的案例進行預測。我們能提供的數據越多，創建的預測引擎則越好。

在機器學習中，有超過15種不同的技術，從關聯規則學習（association rule learning），決策樹（decisions trees），隨機森林（random forests），貝葉斯網路（Bayesian networks），強化學習（reinforcement learning）到遺傳演算法（genetic algorithms）等等。

但是 AI 領域最近興起的一體機學習技術是深度學習。

b. 深度學習（ Deep learning ）使用神經網路（Neural Networks?）—— 以人腦為模型的多層次數據結構和演算法，採用「 數據上升（data up）」（即收集大量數據的方式）進行學習和預測。與其他機器學習技術不同，深度學習不需要研究人員來定義特徵或權衡數據，這些工作將由神經網路完成。這是深度學習最優越於其他機器學習技術的地方：它是可擴展的。研究人員不需將數據分類後再輸入系統，而是將大量數據直接輸入。這使得情緒分析、圖像處理和語音翻譯等方面都有相應進步，且它們已為消費者提供了如谷歌鏡頭（Google_Lens）等強大的服務和谷歌助手（Google Assistant ），蘋果 Siri 和亞馬遜 Alexa 等產品。

即使深度學習有自己不同類型的神經網路子集，如卷積神經網路（CNN, convolutional neural nets） ，循環神經網路（RNN, recurrent neural nets），門控反覆單元（gated recurrent units），自動編碼器（auto encoders）等。但在這裡，我們不會詳細介紹它們是什麼、做什麼，重要的是知道它們都有特定的應用情景。對於你想提供的服務，在構建數據時，你應該了解什麼是最佳選擇。

二、營銷應用

我已經給出了 AI 及其技術類型的宏觀概述，以及深度學習改變AI的原因，我們現在具體來看看如何將 AI 應用於營銷。

將營銷分解為三個核心領域：消費者參與（Consumer Engagement）、品牌策略（Brand Strategy）、創新（Innovation）。

1. 消費者參與

a. 消費者洞察力（Consumer insights）

AI 不受硬碟容積或內存容量的限制，可被訓練來學習幾乎無限數量的不同類型的結構化和非結構化數據集。結構化數據集可以是第一、二、三方提供的高組織可搜索的關係型資料庫。非結構化數據是來自開放網路的無限數據。當數據來自社會平台和物聯網設備時，它可以深入揭示對消費者行為的文化洞察。使用正確的結構化和非結構化數據集的機器學習原始能量（raw power），就可讓營銷人員以幾乎無限的方式分割目標受眾，發現其微觀層的行為、感知、態度和情境。

機器學習不僅能夠處理大規模的非結構化數據集，其優勢更體現在，能夠幫助發現未公開的、非主流的消費者需求。使用預測演算法，研究人員可將發現與用戶行為結果相聯繫。這裡的關鍵是開發正確的流程框架，為非結構化數據提供結構化分類，並確定與受眾觸發點和行為相關聯的個性特徵。因為有無數的分類方法，所以正確的計劃和創造性的匹配至關重要。

b. 創造力（Creativity）

如前所述，深度學習和不同類型神經網路的到來，使圖像處理和語音翻譯有了突破性發展。 這開啟了新案例使用的大門，並為品牌提供創造力和設計感提升的權衡方法。通過對目標用戶的洞察，品牌可以利用機器學習來分析和歸類大量外部非結構化數據，以了解什麼類型的消息和創意元素吸引了用戶的注意。這將有助於形成包含擁有和付費內容的設計元素。

例如，Mondelez 使用了 AI 創意總監為他們的 Clorets Mint Tab 品牌創建了一個廣告，他們與代理合作方一起，用來自獲獎作品解構廣告的資料庫，教機器學習獲獎作品。 AI 未來為具體類別學習及想法創造的趨勢是基於人造演算法的。

c. 體驗設計（Experience design）

為了解析非結構化數據，需引入新的數據接收器，來提供內容策略（content strategy）、層次結構（hierarchy）、設計布局（design layout）。它的關鍵在於，識別你所控範圍內的正確體驗，來解析和確認相關內容和結構。另一個關鍵因素是，使用正確的圖像處理器 API ，來識別正確的圖像和設計美學，從設計的角度來提供經驗洞察。

例如：加拿大航空公司通過對客戶在電子郵件上的行為分析，利用機器學習，來對客戶每日交易工作中的副本和圖像進行個性化設計。儘管渠道只是具體的一個電子郵件，但很容易擴展到多頻道實現，並且方便於網站的內容設計。

d. 品牌宣傳（Brand advocacy）

另一個機器學習和自然語言處理的關鍵優勢是：它能識別並結合創意機會與關鍵影響者。 通過非結構化的社交數據，品牌營銷人員可以確定市場增長領域的關鍵影響者，並了解追隨者產生共鳴的內容。這將有助於品牌用合適的內容，來應對這些關鍵影響者，以提升品牌的意識和傳播。

示例：起亞（Kia）汽車集團用機器學習，識別哪些社會媒體影響者為2016超級碗（Super Bowl）工作。AI 被用於了解與影響者匹配的具體個性類型。一旦確定，汽車公司就啟動一個影響力戰略，以促進活動的傳播。

e. 匿名個性化（Anonymous Personalization）

事實1：個性化功能只能結合現有的客戶和正確的實時動態創意引擎，來提供個性化信息。 但是，如何在客戶瀏覽你的品牌時，為其提供個性化信息呢？ 結合機器學習和專有數據，可以幫助你識別出訪問過公司網站的匿名用戶的行為模式。通過這些洞察，你就可以用正確的信息來面向匿名用戶，並將這些用戶信息帶入你的資料庫中。

2. 品牌戰略

品牌策略是說在你所競爭的行業中，開發能使你保持領先地位的品牌平台。發展一個強大的平台有很多需要考量的因素，其中包括強大的品牌號召、目的、承諾、屬性、訊息語音，但也許最重要的是價值主張。另外更重要的是，品牌需保持領先於來自新興玩家市場的力量和干擾。在人工智慧和機器學習之前，不斷發展和重塑定位會受限於你專有的數據和市場智能資料庫，以及用戶發布數據的速度。

AI 和機器學習的優點是，你可以添加非結構化數據源，使得在一個特定時間範圍內，能將你的同類競爭對手映射到你的位置，以此來識別彼此的差距和機會。其關鍵是要創建一個類別驅動的分類法，來了解你領域中的消費者如何看待你的品牌及價值，以及它們是否符合你傳達的信息。這也適用於產品層。正如你所尋求的，了解你的產品如何能隨著時間的推移而被認可，以確定增長和發展機會。

用 AI 和機器學習的另一個品牌策略的案例，是源於自然語言處理（NLP, Natural Language Processing）的進步以及語音激活設備（voice activated devices）和會話機器人（conversational bots）的爆發。這種組合已經導致品牌解介質（brand disintermediation ），其中 AI 系統逐漸涉入品牌個性，並可以促進客戶交互和行為。例如，達美樂（Dominos）披薩使用 Amazon Alexa 的語音交互平台技術，客戶可以下單、支付（帳戶鏈接）、以及跟蹤訂單。Dominos 通過 AI 系統成功地整合了整個用戶體驗。然而，其中關鍵在於明確哪些需要被優化的行為能夠讓機器助理處理，哪些行為又需要人的交互。

讓 Alexa，Siri 或 Google Assistant 這樣的助手掌握用戶體驗，缺點是它們也掌握了信息交換。關鍵的一種變通方法，儘管存在可擴展性的問題，是將機器學習應用於你現有的屬性，或創建可執行相同任務並捕獲數據的新智能體驗。例如，美國銀行創建了自己的 Erica 機器人，這些機器人位於他們的應用程序中，並使用預測分析來幫助客戶節省資金。（也就是一個 Chatbot ）

3. 企業戰略

類似於 AI 可以轉變品牌平台，公司也可利用 AI 來投資，征服新市場，拓展渠道，甚至轉變文化。

a.自動化（Automation）

AI 是企業最高管理層（CXO）將大量核心業務流程實現自動化的關鍵，這些核心業務流程由常規和重複的工作組成。 AI 系統會嘗試識別可能的模式，以降低成本並增加產量。

其目標是確定自動化模版，例如為人類分辨出低需求但高重複性的任務。一個智能系統的理想自動化目標是在決策樹（decision tree）上完成進程構建。

對大多數組織而言，通過人工智慧實現自動化將成為其進入 AI 的初始橋樑。 隨著自動化和生產力的提高，組織將開始研究如何增強 B2B 和 B2C 的消費者體驗，以及如何利用智能系統來驅動最終用戶體驗。

示例：通用電氣公司（GE）已經使用 AI 整合供應商數據來縮減無效成本，將業務部門的同一產品的價格進行比較。 品牌可以利用類似的方法來幫助降低成本和減選供應商。

b. 兼并收購（Mergers and acquisition）

通過對數據和分類的正確把控，公司用歷史及現狀的績效數據輔助決策，來確定進入哪些新興或跨界的市場，並基於具體狀況來確定獲取哪些公司的信息。 這裡的關鍵是確定正確的數據源，明確該演算法是否能正確預測機會，以及是否符合你的商業模式且能否有呈現正增長的潛力。

c. 產品組合增強（Product Portfolio Enhancement）

公司可以利用人工智慧系統，來識別其產品組合內的產品升級和擴張的機會。 通過在消費者對話間創造分類，你可以了解新產品，或確定你未來方向的特點，以及確定現有產品組合中的產品功能和設計的發展方向。 另一種途徑是將機器學習應用於你自己專有的第一方數據，以了解自己的客戶如何談論你的產品，來確定新的實用案例和/或升級的機會。

d. 人才招聘（Talent Acquisition）

尋找和招聘人才是任何公司、任何經理或領導者最困難的任務。AI 通過強化學習的能力來識別特定模式，可以幫助管理人員了解新人才將如何發揮效能的績效預測指標，並制定人才在特定環境壓力下學習和發展的正確計劃。

4.創新

我們之前提到品牌利用機器學習來識別在同行競爭中的差距和機會。但是，如何使用機器學習來創新或突破現狀呢？通過正確的數據策略和技術，機器學習能夠在待發展方向，告訴你品牌未來發展方向以及品牌如何創新。機器學習，自然語言處理和圖像處理可以深入揭示三個關鍵的消費者參與領域，從而創造出新產品、新服務和收入流。

首先是通過非結構化類別數據來分析消費者痛點（identify consumer obstacles），以確定消費者不愉快的地方或他們未得到滿足的需求。

下一個領域是強化類別機會（category opportunity enhancement），你可以使用NLP 來識別情緒和功能領域（參見：在演算法時代的設計)，這可以讓消費者感到興奮以及發現在創新領域中最可能中斷的地方。

最後一個方面，是了解你的品牌可能涉及的跨界領域，也就是在跨界的領域中識別阻礙以及發展機會。其關鍵是使用機器學習，通過確定相關行為，來了解你的品牌可以自然延伸到的領域。

除了識別出強化和跨界的機會（enhancement and disruption）之外，與非結構化和結構化數據配合的機器學習中，最多的使用案例是確定新興趨勢的速度和影響。這裡的關鍵是權衡社會和搜索數據，在其中你可以發現新的對話，觀察其發展速度，並通過一段時間內對其狀態的觀察，來預測其是否將成為一種新的趨勢。

另外，關於消費狀態。

最好的技術也抵不過消費者的需求，技術只有在有需求時才發揮作用。AI 將通過與其他設備的智能連接，以確定實時的技術、數據、內容，使該狀況發生轉變。這意味著消費者會將不太重要的補救性決策和任務，委託交給其個人助理，而消費者自身則將重點放在更重要的決策或活動上，比如創建內容或通過混合現實來體驗新環境或場所。

在不久的將來，消費者將擁有智能系統，該智能系統將作為其代理與其他智能系統互動。Facebook 和 Google 都用機器人整合推出了群組消息傳遞技術（Group messaging ），來促進任務進程。像 x.ai 和 Clara 這樣的初創公司推出了虛擬的幫助，它可以自動安排人與其他機器人之間的會議。使用谷歌鏡頭（Google Lens），谷歌助手（Google Assistant）能將實時環境轉化為動作，並與其他機器人一起實時地促進任務完成。這將使相機成為搜索引擎，自動處理關於品牌（brand）、品類（category）、親和詞（affinity phrases）等索引以及誤導摩擦，使用戶能找到物品。

對於品牌營銷人員來說，這意味著需識別出相關機會。一是權衡數據和技術來影響個人助理的機會，二是確定可直接讓消費者參與來創造和增強現有活動的機會，或是通過身臨其境的體驗來激發消費者情緒的機會。

這非常強調建立以消費者為中心的體驗。這裡的關鍵是制定一個策略，確定消費者安排給機器人的任務，以及權衡機器人的反應數據來實現環境感知。

三、結論

無論未來如何發展，AI 將成為推動消費者參與的基礎層。 我們將看到這樣的一個未來：AI 系統成為消費者的代理，驅動消費者決策的制定及促進消費者任務的完成。 所有這些元素，都將高度依賴於 AI 的智能系統的數據和決策。

人工智慧的各種子集將繼續彼此關聯，重新定義品牌如何與消費者接軌。 AI 通過擴展對消費者微觀行為和態度的無限數據集和細分的能力，能夠比以往更好地了解消費者。使用正確的方法，公司將看到他們業績的增長。

原文作者：Steven Harries

原文地址：https://machinelearnings.co/how-to-apply-ai-to-marketing-31f45e517dcf

翻譯：鮑壹方

審閱：李想 曾泓銘

相關推薦：

在演算法時代的設計DESIGN IN THE ERA OF THE ALGORITHM

【行業觀察】百度語音輸入，開啟語音交互新紀元

【設計讀本】媒體實驗室主任Joi Ito文章《設計與科學》，看設計科學和科學設計之間反學科的糾纏與共同進步

尼葛洛龐帝為什麼創立媒體實驗室？

過去的未來：富勒、亞歷山大和尼葛洛龐帝

設計與AI的未來Ⅰ：機器會搶走你的工作嗎？

推薦閱讀：