CMO必读：AI来了，哪些营销人要下岗？（内附白皮书）

2018年9月17日-19日，以【人工智能赋能新时代】为主题的世界人工智能大会在上海西岸隆重举行。

很多CMO都意识到，AI的时代已经到来，并且AI在未来的市场营销活动中将起到非常的作用。他们也表示，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。所以靠谱君为大家准备了一份营销方面的AI技术入门指南。

大家可以拿小本本记下来哦。

🌟划重点！！文末为大家准备了一份《AI赋能营销白皮书》，记得来免费领取哦！

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

• 应用难度：中等；需要硬件投资和安装

• 供应商：ShopperTrak, RetailNext, OpenAPLR

• 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

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。并且，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。 

2. 用户生成内容中的图像和视频识别 

• 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 

各大品牌对于在线和离线渠道都非常关注，特别是他们的公关团队。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。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。 

3. 智能数字资产管理 

（DAM, Digital Asset Management）

• 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

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。

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”。 

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。例如，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

• 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 

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。

2. 营销信息生成

• 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 

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。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。 

3. 情绪分析

• 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 

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，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。 

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

• 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

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。

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

• 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 

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。

3. 基于算法的实时个性化推荐

• 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 

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。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。

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。然后不断探索替代动作，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。

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 

• 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：可以为新客户提供产品高质量推荐和相关产品建议，甚至增加销售; 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。

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。传统推荐引擎是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。比如，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。 

2. 预测分析

• 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 

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。

这种预测既考虑一般市场趋势的宏观大环境数据，也考虑个人微观数据。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。

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。