人工智能（AI）能帮助市场营销做什么，看了这篇行业白皮书你就知道了

下文是一篇AI如何应用在营销领域的行业白皮书，来自数问社区（dataquestion.com）。总长度快一万字，阅读时间在10-15分钟。全文分为机会，影响，市场概况和前景四大板块。如果您时间有限，可以直接跳转到市场概况这一部分，这部分有大量的具体分析案例介绍。

机会

最近的时间，相信大家总会不断听到大量关于人工智能将会在未来十年中如何深刻的改变我们社会的一些报道，特别是那些来自大公司的承诺。微软雄心勃勃的宣称，通过自然语言处理（Natural language processing，NLP）来实时地分析研究论文，他们将 征服癌症 。谷歌—刚刚宣布了AI先行的战略—也就是打算通过机器学习大量的 人类 声音的录影文件，把电脑的声音打造成和真人说话一样。而Facebook自然更不甘人后，他们正在用 人工智能 分析卫星影像来定位人们的生活轨迹，并且许诺将会给全人类联网。这样的愿景还在不断的增加。

尽管这些野心勃勃的愿景是那么吸引眼球，但在这些世界顶尖的科技巨头公司眼里，AI是一个用来解决某种世界级问题的抽象工具包，而不是直接拿过来用的实用技术。

许多CMO表示，非常希望能够让自己的企业利用起基于AI的技术和解决方案。然而，他们往往对AI的基础原理的缺乏深入了解，以及不知道该如何将AI引入他们公司的业务中去。近期，一份来自美国，英国和中国的 研究 显示，那些公司年收入在5亿美元以上的大企业的CMO们中，三分之二的人认为AI将在未来的市场营销活动中起到非常的作用。然而，与此相对的是，只有不到三分之一的人对于如何将AI应用在他们企业的业务中有到比较深刻的理解。

所以我们有了这篇文章。今天这篇文章的目的就是为数字营销领域中工作的各位同僚，提供一份AI技术入门指南。这些技术都是被市场验证过，并且成熟可用。我们相信，CMO们在今天必须去考虑这些问题，方可能在未来几年为企业持续保持竞争力，基业长青。

影响

在很早以前，大家做营销活动都还比较草率。那时候大家拥有的是海量却不精确的营销信息，而且也不考虑个人信息（如地域，性别，年龄等）以及顾客偏好。如果说这种草率且不精准的营销策略在那个时候还能够接受的话，如今这种日子已经一去不复返了。如今，我们的市场营销活动需要通过高度个性化的信息来吸引潜在客户和留住现有客户。这种个性化的营销沟通是基于多种各种因素的：比如个人行为和偏好；对于顾客接受广告信息时周边环境的考量（context-awareness）：如一天当中的某个时间或某个地理位置；以及从核心用户群数据中提取有用的消费者洞察。

像Spotify，Amazon和Netflix这样的公司在这方面是领头羊，并从某种程度上来说设定了这个行业的玩法。在互联网上抓取到的用户行为，会被这些公司立即被用来优化用户体验和产品推荐，从而产生更个性人化的品牌体验关系，同时提高了用户的忠诚度。

然而，个性化，量身定制的市场营销在依靠人力制定营销策略的情况下会迅速达到天花板 – 人的能力总是有限的。像这种细分顾客的行动需要各种信息：精准的信息传递，针对目标人群投放正确的用户并且投放相应的社交媒体广告，基于用户平时其他的选择做出产品推荐。所有这些都需要大量的人力和时间成本，而这往往远远超出了营销部门的能力。

而如果有了人工智能的帮助，让大规模地进行个性化的市场营销变得可能了。在整个客户服务流程中的所有环节里，营销人员都需要依赖于数据输入和更有效的机器驱动的AI应用程序。当然，这并不一定意味着，基于AI的应用程序可以在没有人参与的情况下自行运行（这样的话那恐怕得先把阿西莫夫机器人三定律应用上）。事实上，基于AI的算法的表现得以改善，都依赖于人类的监督，进行数据清理和确保正确运行。

AI的潜力会让所有现存和新出现的竞争者们以洪荒之力席卷现在的市场，如同当年手机革命一样，; 推迟AI的应用只会让整个市场倒退。非AI公司将不可避免地以不够个性化，客制化和缺乏影响力的方式与客户接触，从而错过提高日常营销任务效率的机会，错过最优的广告预算，以及错过通过直接的数据驱动得到的营销来影响销售量的机会。

市场概况

我们不难预想，基于新的AI技术的营销市场平台每天都在涌现。这导致了一个非常混沌，复杂的行业环境。但总得来说，今天的AI相关的市场营销技术应用可以大致分为以下几类：

图片/视频识别的市场营销AI应用

许多新兴的技术进步，如自动驾驶汽车自驾车和早期的癌症检测，都依赖于以图片识别为基础的AI。其背后的机制是，为一个算法提供一个有已知结果的训练数据集，让其识别数据里内含的模式，最后做到对于那些新的，从来没见过的数据可以做出准确的预测。以下是目前市场上准备的三种基于AI的视觉领域的技术：

1. 应用视觉信息的零售分析和精准营销定位。

拥有实体店的公司可以通过视觉零售分析和分析供应商从AI技术获益。基于商店内外的全天24小时摄像头，机器学习算法可以识别出一些和业务相关的关键信息，例如使用面部识别技术去挖掘的商店内顾客的行为模式，或不同商品摆放格局的效率。这些信息因数可用于优化商店的运营工作和设计。然而，AI驱动的视觉零售分析工具不需要局限于店内经验。例如，今天的快餐店能够使用基于视觉的人工智能技术将经过的车辆的牌照读取到就近的连锁店，然后使用公共第三方数据将牌照信息与个人信息相关联。根据这些输入和他们分析出的行为模式，创造超个性化的宣传营销策略行销企划。要注意的是，在应用这些技术时，零售商需要尊重并意识保护客户隐私。

• 应用难度：中等；需要硬件投资和安装
• 供应商：ShopperTrak, RetailNext, OpenAPL
• 效果：提高增加实体场地的销售量和运营效率; 通过超级个性化营销优化营销支出

2. 用户生成内容中的图像和视频识别

各大品牌对于任何在线和离线渠道上关于他们的讨论一般都非常关注，特别是他们的公关团队，无论是积极的还是消极的。随着视频驱动的社交渠道如Snapchat，Instagram，Pinterest和YouTube的广泛应用，许多数字对话和讨论不再以更容易处理的文字方式发生，而是通过用户生成的图像和视频内容的方式。使用基于训练数据的深度学习技术，基于视觉AI的解决方案已经渐渐发展起来了。它允许品牌大规模地监控各种社交媒体渠道，并识别任何相关的视觉模式，如品牌标识或个体个人产品。然后将这些发现提供给社交媒体团队进行审查并用以指导消费者互动。

• 应用难度：低; 大多是独立软件与业界领先的社交媒体管理工具API的集合应用
• 供应商：ClarifAI, Cloudsight, Indico, Dextro
• 效果：增加消费者互动和客户满意度; 提高社交媒体社会营销团队的运营效率

3. 智能数字资产管理 （DAM, Digital Asset Management)

数字资产管理利用与UGC (User-generated content, 用户生成内容）媒体处理类似的技术方法，现代DAM解决方案利用人工智能技术自动将语义元数据应用于营销资产，从而无需进行详尽的手动标签分类。许多大型市场营销组织在数字资产运营中缺乏管理。由于基于机器的标签增加了已经生产和许可的数字化媒体资产的可发现性，因此媒体生产成本和许可成本可以大大降低。
基于AI的自动标记功能能够识别和标记具有高级概念的数字化资产，例如“海滩上的一家人”或“正开心地吃着冰淇淋的小朋友”。

• 应用难度：中等; 可能需要DAM平台或者其扩展功能
• 供应商：Adobe Smart Tags, Asset Bank, Google Cloud Vision API
• 效果：通过减少人工规划资产标签的需要来提高运营效率; 通过减少授权和媒体产品的花销来优化营销支出

语义相关的营销活动的AI应用

语言驱动的AI在学界有最悠久的历史; 研究人员已经研究了几十年（无论是在口头还是书面的语境中）如何准确地理解和语义上处理人类语言（自然语言处理NLP，Natural Language Processing）以及如何产生它（自然语言的生成：文本到语音，Natural Language Generation and Text-to-Speech）。亚马逊的Alexa，苹果的Siri和IBM的Waston，对熟悉技术的消费者来说已经是家喻户晓的名字。他们代表了我们日常生活中能用到的各种支持语音处理的数字产品。随着进来语言理解，处理和生成技术的成熟，新技术已经开辟了与消费者互动的全新渠道。

1. 聊天界面与聊天机器人

年轻一代在线时间的大部分时间花在基于文本信息的通信渠道中，例如Facebook Messenger，Whatsapp或短信app。通过SDK和API集成，这些通信平台把自身向其他各大品牌开放开发，并逐渐发展成为全面的生态系统。例如，利用Facebook平台，汉堡王正在测试一款聊天机器人，可以让用户从附近的一个分店订购食物，并在Facebook Messenger应用程序内支付。聊天界面让客户和平台即服务提供商进行更直接和自然的对话，允许这种对话的应用程序正在快速发展。由于这类应用的大范围成熟，对于一个组织来说，一个成功的策略是从采用一个普通但是非常细化的服务应用开始，特别是使用那种投资回报率比较高的应用，即小服务，大产出。比如，可以先把聊天机器人应用在呼叫中心，这一类实践往往有很好的成功先例验证，而且能够产出比较好的效果。在这个之后，可以在进行迭代，把聊天机器人使用到更广泛的企业应用中去。

• 应用难度：初始的具体实施门槛较低，但高级应用的难度高。需要建立SDKs和APIs以采用市场进入策略（go-to-market）
• 供应商：Facebook Messenger, Alexa Skills API, Converse.AI, IBM Watson
• 效果：通过可以快速获取的类人模拟人类的客服支持来改善客户关系; 通过减少人力需求来提高运营效率

2. 营销信息生成

另一项AI在市场营销中的成熟应用是机器驱动的语言生成。该技术提供了以真正个性化的方式与每一位客户和潜在客户进行沟通的承诺，其目的是建立完全相关的和情感上的联系以触发特定行为。使用连续的测试和测量方法，人造内容生成平台能够自主地学习交流策略，为每个消费者客户生成最个性化和最有利于其转化转换优化的营销信息。基于一般词汇，营销传播模板以及客户已知的偏好和观察到的行为，这些系统整合在一起，通过机器学习优化您的营销传播策略，以便在正确的时间，通过正确的渠道与正确的语气，用最相关的内容，和每一位用户互动。

• 应用难度：中等; 通常需要与驱动直接消费者通信（如ESP，Email service provider，电子邮件服务供应商）的系统进行多种集成
• 供应商：Persado, IPSoft, Automated Insights
• 效果：通过更个性化的信息改善客户关系; 通过与直接消费者直接沟通的渠道来优化转换率，以增加销售额

3. 情绪分析

大范围自动检测客户交流中的情绪是非常强力的一种营销工具，不论是在文字还是口头语言交流中。自然语言处理技术已经发展到可以准确地识别客户声音中的情绪，例如沮丧程度。像这样通过基于AI的系统进行分类的方法可以在呼叫中心中得到利用。例如，当侦测到客户方面的情绪越来越强烈紧张时，这项技术可以自动把交互式语音系统切换到人工服务，以确保客户的满意度。类似地，对于一些社交渠道例如Facebook，Twitter，论坛评论中用户产生的文字内容，自然语言技术也能大规模的侦测到其中的情绪波动。这样的工具可以评估和校准在营销活动中，以及UGC（用户生成内容，user-generated content）中的品牌认知度。

• 应用难度：低; 主要是独立技术
• 供应商：Lexalytics, Sysomos, Crimson Hexagon
• 效果：提高客户意识和见解，并与之建立关系; 通过减少人工社交媒体监控或用户生成内容审核的需求来提高运营效率

营销分析中的AI应用程序

AI技术的应用，特别是机器学习的应用一直在挖掘大量数据，并从中获得可行的见解; 其中系统大多运用从数据中获得的指导人类去做一些的营销活动的决策和优化策略。在自主的无人监督的环境说法中，AI系统直接利用其机器驱动的洞察来优化某些机器驱动行为。下面我们介绍在市场营销学的世界里，最为常见的三种方法。

1. 程序化广告购买

程序化广告是今天大量使用AI的最常用和最成熟的数字营销技术之一。基于机器学习算法，程序化广告工具能够学习一种优化的决策策略，用于广告的程序化购买。因为程序化购买，往往会考虑涉及到哪些受众，消费者的个人信息和关键字以及价格。基于行业领先的付费广告平台的实时竞价投标和实时销售机制，复杂媒体购买的精细的媒体程序化购买方法通常远胜于传统的媒介购买策略。因此，程式化广告是很有必要的，不论是还是什么类型的公司，如果你希望优化在线媒体支出并提高其广告系列效果，这几乎会是你一定要做的事情。

• 应用难度：低; 主要是独立技术
• 供应商：Adobe Media Optimizer, Rocket Fuel, Kenshoo
• 效果：通过学习和不断改进的购买策略优化营销支出; 通过减少付费媒体运营的人力管理成本需求来提高运营效率; 通过增加转换增加直销

2. 相似用户模型（Lookalike audience modeling）

相似用户扩展模型是正在被迅速采用的营销技术中的另一个趋势。通常，这种技术被集合成所谓的数据管理平台（DMP，Data Management Platform），允许公司整合第一，第二和第三方数据，以确定和管理目标客户群段并整合他们用户的个人信息。相似用户扩展模型的功能基于机器学习算法，并根据现有客户的特征重叠重大重叠自动发现新的目标客户群细分。例如，零售商的学习算法可能会发现，最近转换的购买冬季夹克的客户的特征与访问美国滑雪门户网站的用户个人的人口特征（比如，住在哪儿，收入多少，性别以及年龄等等）有明显的重叠。那么后面的这个客户群就可以被精准定位：后来的细分市场现在可以是 具体目标如 通过在滑雪门户网站上的投放展示广告，来扩大客户群，从而提高了营销投资回报率。

• 应用难度：低到中等; 通常是独立平台; 需要与拥有重要用户数据的系统集成; 需要开发企业范围的数据模型
• 供应商：Oracle Bluekai, Adobe Audience Manager, DoubleClick by Google
• 效果：通过高度针对性的广告优化营销支出; 通过发现具有高概率转换的新细分市场来增加销售

3. 基于算法的实时个性化推荐

目前在市面上使用的大多数个性化推荐，大多是有人为策划的规则驱动的，这些规则通过中查找某些上下文中的某些数据点，例如用户的位置，客户状态或预计的家庭收入。然后基于这些信息对用户的作者对相关性的进行评估从而传送不同的内容和消息。
基于算法的个性化旨在使用机器学习技术在用户浏览窗口时的浏览会话中可以实时动态地个性化调整网站。在应用中，基于已经建立的概率模型，当计算出某个用户放弃购物车的概率，或者关于浏览窗口的概率达到某个阈值时，就会驱动某个规则，从而动态地向该用户提供折扣来挽留客户。这些提供者使用的机器学习技术通常基于称为强化学习的无监督学习方法。在该方法中，该算法针对固定的奖励函数功能优化其行为动作，例如， 用户转换的购物车大小。每次获得积极的结果（例如客户购买一组产品），AI系统会回顾其以前的决定 – 在什么情况下对其进行奖励。在相反的情况下，如果用户购买窗口会话在没有结帐的情况下被放弃，那么它将减小未来购买界面采用的个性化推荐的概率。该算法会不断探索替代动作，因此可以适应购买环境变化，如节日期间的购物行为。这被称为剥削的平衡 – 利用过去的个性化行为表现良好的数据，去不断尝试新的行动并观察是否有效。

• 应用难度：中至高; 通常需要与现有的商业或内容平台的深度整合
• 供应商：NeoWize, Bloomreach, Sentinent
• 效果：通过提供相关的产品优惠产品来增加销售量，减少购物车弃置率; 通过更个性化和相关的体验改善用户关系

营销预测以及行动决的AI应用

AI在营销中的最后一个应用类别是作为专注于预测用户行为的工具。虽然与基于洞察的应用有某种程度上的重叠，但这一类系统通常会预测未来的行为，并尝试做一些相应地用户体验优化。

1. AI驱动的产品推荐引擎

虽然电子商务中的产品推荐引擎已经存在了很长时间，但由AI大力驱动的新一代工具其实最近才刚刚出现。传统推荐引擎主要使用称为协同过滤的技术，其基于客户之间的购买行为的重叠来推荐给出产品建议。然而，这些方法容易出现冷启动（cold start) 问题，即对于没有历史购买数据的新客户很难做出推荐。不知道新客户的购买数据的情况。较新的AI驱动的大数据方法考虑了更广泛的数据集，包括诸如使用的设备，时间或通过第三方提供商提供的线下 （off-site) 活动等数据。例如，服装零售商Under Armour使用IBM Watson通过分析客户购买数据以及健身和营养的第三方信息来给给出更精准的产品推荐建议。类似的方法也通包括过让客户参与关于自身偏好的调查小问卷，围绕自己的喜好进行测验，从而为营销人提供更多的数据。这种方法的一个例子是Northface的“找到完美的夹克”经验，通过互动对话缩小了其产品推荐的范围。

• 应用难度：中等; 通常需要产品领域的建模和外部数据的整合
• 供应商：Amazon DSSTNE, LiftIgniter, IBM Watson
• 效果：通过甚至可以为新客户提供产品推荐的高质量推荐系统强大的相关产品建议甚至为新客户来增加销售; 从一开始就建立起良好的客户关系，给予客户理解和被服务的感觉。

2. 预测分析

简单来讲，预测分析就是提供未来预测的平台。预测分析延展了传统的分析方法，往往更加专注于日志级别数据Log Level Data(如访问网站，平均访问时间等)。其预测分析在营销中应用最广泛的是客户关系管理（CRM）应用。使用机器学习和相关技术，例如像Salesforce的产品Einstein旨在预测和警告市场营销人员可能需要重点关注的消费者行为，例如一个客户开始频繁的联系售后服务，或者 一个现有的订阅客户可能快要到期，而他之前使用产品的行为可能预示着他不会再续订你的产品。这种预测既考虑一般市场趋势这种宏观大环境数据，也会考虑个人微观数据等等无数个数据点。然而，预测分析不仅仅应用于是销售业务。该技术还可以通过预测用户的下一个行为和选择来改善客户体验。使用这些预测经验，设计人员可以减少他们的工作量。这种设计方法通常被称为预前设计。

• 应用难度：中至高; 通常需要跨系统的数据集成和用于预测引擎的定制算法
• 供应商：Salesforce Einstein, IBM Predictive Analytics, Marketo
• 效果：通过机器驱动的预测来增加销售; 通过改进的个性化用户体验来提高消费者满意度和客户关系

前景

那些还没开始将AI平台利用到日常工作中的市场营销人需要开始关注这些了。根据自身企业的需要，列出项目优先级。

上面说的仅仅只是提供了一个使用AI技术的入门，和一些个人建议。我会建议营销团队根据包括预期的用户价值，自身公司的商业影响力，运营的准备情况，实施所需要的工作量等各个方面的因素，制定属于自己的营销部AI路线图。

我们也会建议市场营销部门IT部门紧密合作，因为通常AI解决方案不仅仅依赖于现有的公司数据，还需要整合现有的市场技术应用。此外，通常，特定类别的AI解决方案提供商具有类似的功能产品，但是与公司现有技术足迹的兼容性可能会有所不同，这可能是一个企业用还是不用某个AI技术的关键原因，所以，一定要和你的IT部门好好合作。

在投入并推出人工智能解决方案之前，公司应确定使用新技术关键指标（KPI）。这是任何项目开始前需要去衡量的关键。鉴于大多数AI技术供应商都提供基于SaaS（Software as a Service）的服务模式，并且大多数供应商都会让你免费试用一段时间，你可以好好利用这段免费试用来看下这个服务到底对自己有没有帮助。而且你还需要考虑的是，许多机器学习算法需要经过一段时间的受监督或无监督的方式进行训练，才能真正显示其全部潜力，所谓路遥知马力。因此，你可能需要耐心一些，给你的AI应用充足的时间，喂饱它足够大量数据，最终才可以拿到有意义的结果和预测。

总之，人工智能技术正与其字面含义一样：复制人的思想，在理想状态下可以甚至提升人类智商智力的计算算法。放在市场营销的语境中，这可以解释为营销人员通过计算机和算法的帮助去更好地了解消费者。就像在现实生活中一样，这是一个基于过去经验的学习过程。最终，客户将不断地与品牌个性化的关联所吸引，真正感受到独一无二的服务，感受到来自于品牌对于他们的理解。这才是AI对于营销的真正意义所在。

___________

白皮书来自数问数据科学社区（dataquestion.com）人工智能（AI）能帮助市场营销做什么

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