2.2 人工智能

人工智能（Artificial Intelligence，AI）并非新鲜话题，早在计算机技术问世不久，以漫画《铁臂阿童木》为代表的一批作品初步探索了人工智能之于人类的可能性；20世纪90年代《终结者》系列电影的出现，再一次引起人类的恐慌：人工智能能否替代人类。而在Alpha Go接连战胜李世石、柯洁等围棋国手，伴随着新闻自动编写程序、无人机替代快递员等新闻的出现，这一恐慌似乎将成为现实。

2.2.1 人工智能概况

“人工智能”一词是一个概括性的术语，它涵盖一系列在人类帮助下或完全靠自己学习的机器。人工智能技术支持的机器可以阅读和理解文本，看到和识别图像，在障碍物周围移动，听到和理解声音，感知它们的外部环境。例如，Gmail和Google Docs使用人工智能阅读用户正在输入的内容，充分理解，并推荐接下来使用人工智能撰写的内容；自动驾驶汽车使用人工智能来探测障碍物，保证安全行驶；环形摄像头和Nest恒温器等智能家居硬件设备，利用人工智能来观测、感知环境的变化，采取相应的行动；iPhone上的Siri通过人工智能技术来理解用户的语音指令并给予回应。人工智能技术改变了金融、医疗保健、零售等多个行业，改变了我们的工作方式，提供了前所未有的工作机会，并大幅削减成本。

1.人工智能的优势

与传统软件相比，人工智能可以有效地处理大规模的数据集，进行分析、预测。最重要的一点，人工智能可以进行自学以改进自身的工作能力，而传统软件完全按照程序设计来工作，除非依靠软件更新，开发人员用“手动”的方式让系统功能获得提升。

以CRM为例。传统的CRM系统可能会标记任何在企业网站上采取高优先级行动的线索，如下载报告或发起咨询。系统根据这些动作为此销售线索打分。基于手动创建的规则，这些销售线索在网站上采取一些预先规定的行动后，其分数会有所上升。

而一个由人工智能支持的CRM系统，会采纳企业创建的销售线索评分规则，然后根据每个销售线索的分数及各个线索在一段时间内的行动情况，分析其能否转化为客户。如果没有企业的参与，人工智能支持的CRM系统会根据从数据中分析的情况，自动调整销售线索评分或给予新的分数——例如，也许下载一份报告并不是一个明确的销售线索信号，下载报告的人也不太可能转化为客户。人工智能支持的CRM系统会识别出这一点，并相应地改进销售线索的评分。

由于数字营销革命，企业掌握了大量来自CRM系统、营销自动化软件、广告平台等渠道的数据。但营销人员缺乏时间、精力或认知能力来有效处理这些数据，尽管这些数据蕴含着能够显著改善营销活动的深刻洞察。因此，营销行业开始转向人工智能。

人工智能可以根据用户的浏览习惯，来了解其兴趣、购物习惯等。当用户登录某个电商网站，人工智能已经整合了他最感兴趣的内容和优惠商品，并推送提醒用户购买的个性化通知。这样，人工智能起到一个向导的作用，确保用户被指引至正确的方向。

对于庞大的用户行为数据，人工智能可以快速分析完毕，并提供有价值的洞察。借助机器学习等技术，人工智能可以将一群客户分门别类，创建独特的算法，从对购买行为、推荐渠道、现场交互等数据的收集洞察，最终在极短的时间内为营销人员提供一份详细的市场解析。

2018年11月，雷克萨斯为其新款ES轿车的上市发布了一个广告，并且是一个完全由人工智能编写的广告。从需求发布到完成，广告耗时约6个月，其中包括开发这种特定的人工智能，并用数据对其进行训练。这些数据中包括近15年来屡获大奖的营销活动、和消费者连接最紧密的情感共鸣及特别能承载人类直觉的信息。人工智能训练数据还加入了雷克萨斯品牌形象和项目指南等数据，以此来保持脚本的原创性和品牌的排他性。

2.机器学习

机器学习是一门多领域交叉的学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构，使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具备智能的根本途径。高级机器学习技术可以提供优化解决方案的能力，提高转化率、客户参与，完成超个性化传播，减少客户流失率，其功能具体包括以下几点。

深度神经网络（Deep Neural Networks）：人工神经网络能够处理大量的数据，并根据接收的训练数据调整计算，不需要任何手动修正就能适应输入数据的能力，允许在成员级别重复使用相同的模型。

产品嵌入（Product Embedding）：通过分析在密切关联或相似上下文中经常使用的其他词汇来检测词汇的潜在意义，可以通过分析哪些产品经常一起被购买，从而识别出相似或互为补充的产品。

深度协同过滤（Deep Collaborative Filtering）：协同过滤是传统推荐系统常用的方法之一，它基于这样的假设——有相似购买历史的客户在未来很可能会购买相似的产品。

动态时间规整（Dynamic Time Warping）：这是一种用于评估两个不同的时间序列/时间序列之间的距离和相似性的技术，它们可能在速度或频率上有所不同。

关联规则挖掘（Association Rule Mining）：用于识别大数据集中变量之间的关系。

3.人工智能赋能的认知营销

在不久的将来，我们或许会进入一个即便是思考工作也交给软件完成的时代。换句话说，人工智能不只是根据人的指令完成重复性、人工耗时久的工作，而是真正具有了智能，如人工智能对认知营销（Cognitive Marketing）的赋能。

认知营销是一种利用大脑自我思考的能力，与客户建立联系并创造品牌忠诚度和转化率的方法。经由人工智能支持的认知营销，其基础是强大的计算能力、海量的数据、数量激增的联网设备和传感器、基于云的服务能力。例如，IBM的Watson（超级计算机），通过API与云上的操作平台进行通信（这是类似于人脑思考的过程），接收信号并得出结论。

2016年第一届奥运会前后，多芬与认知营销公司Opentopic和IBM合作，推出了名为“我的美丽，我的世界”的活动，旨在解决媒体对女性运动员的描述问题。通过IBM的Waston，Opentopic分析每天超过30万家的媒体提到的内容，并根据5个定义类别对每项提到的内容进行相关性评分：头发、身体、年龄、衣服和样貌。该团队还使用概念扩展和情绪分析，来理解媒体提及的带有负面情绪的女性运动员。

4.人工智能营销平台

一些主流IT企业先后推出了人工智能驱动的营销工具，比较著名的有IBM Watson、Adobe Sensei、Salesforce Einstein等。

IBM Watson是IBM开发的基于人工智能的企业级服务应用和工具。Watson营销解决方案（Watson Marketing Solutions）则是其中针对营销行业的人工智能工具，它包括IBM Watson Campaign Automation（人工智能驱动的多渠道数字营销自动化工具）、Watson Real-Time Personalization（Watson实时个性化）、IBM Watson Customer Experience Analytics（人工智能驱动的客户分析洞察工具）和IBM Watson Content Hub（基于云的内容管理系统，提供人工智能服务和创建数字体验）四个组成部分。

Adobe Sensei是Adobe底层的人工智能工具，利用了Adobe长期积累下来的大量数据和内容，从图片到影像，能够帮助人们解决在媒体素材创意过程中面临的一系列问题。据Adobe官网介绍，Sensei可以实现创意智能（理解图像、插图和动画的语言）、内容智能（深入搜索和理解大量内容，帮助客户在几秒钟内筛选和确定所需的内容）、体验智能（实时提供相关的个性化体验，了解客户需求，识别重大事件并提出建议，以便在正确的时间找到正确的客户），以及开放式框架（作为Adobe Experience Platform的可扩展人工智能和机器学习框架，帮助企业和合作伙伴构建自定义工作流程和应用程序）。

Salesforce Einstein是CRM人工智能平台，可以应用于销售、服务、营销和分析等领域，具体可做的任务包括预测评分（营销人员能够评估客户使用电子邮件、从电子邮件列表中退订或进行网上购买的可能性，更好地预测每个客户的需求）、预测受众（营销人员可以根据预测评分采取行动，建立人群细分，并利用这种洞察力，创造出完美的受众群体，推动客户进入下一个层次的参与或转换）、自动发送时间优化（营销人员能够在客户最可能参与的时间自动发送消息，从而最大限度地提高电子邮件营销的ROI）等。

这些产品并非“单打独斗”，而是互相支持。例如，Salesforce Einstein与IBM Watson在2017年开始合作，Watson的洞察力注入Salesforce的智能客户管理平台，将Einstein的客户关系数据与Watson的结构化和非结构化数据（包括天气、医疗、金融服务和零售）相结合。几乎同时，Adobe和微软联手，将Adobe的Sensei人工智能能力与微软的数据结合起来，为客户提供更加自动化、基于智能的业务反馈。通过接入微软的生态系统，Adobe可以从微软的CRM和数据可视化工具等平台中获得丰富的洞察。

电通安吉斯于2018年10月发布的报告《实战AI：技术赋能，创新营销新时代》显示，以下五个关键的应用领域正在深刻影响中国市场的智能化方向。

精准营销：运用程序化技术与人工智能的机器学习能力，可以极大地提高目标受众定位能力。目前该技术主要被应用于展示广告与购买（需求方平台/数据管理平台），以及CRM系统中。机器学习算法可以计算出哪些客户属于某个特定目标受众群。

智能搜索：如今，搜索具有更高的智能性，并且利用结构化数据、机器学习和深度学习来识别内容，还提供特定客户体验与搜索问题解答。目前，将搜索意图、购买行为模式和实时位置数据结合，搜索引擎可以在特定时间和地点，为客户提供需要的信息。

语音识别：神经语言处理（NLP）方面的人工智能技术进步，为语音识别提供了强大动力。得益于大量结构性数据的整合，神经语言处理应用得到了迅猛发展。

图像识别：深度学习技术确保了图像识别的快速发展。类型和年龄检测，内容图像分类和本地化，产品质量监控和相似产品搜索，都是目前市场营销人员可运用的技术。

创意内容：机器学习同样应用于内容定制、广告和消息推送。营销人员利用机器学习可以将不同的创意元素实时组合在一起，制造出最能打动某类特定消费者的广告。

2.2.2 智能自动化

与AI颇为相似并相关的一个词是IA，即智能自动化（Intelligence Automation），它是人工智能和自动化的结合。IA正在改变经济世界中各个领域的商业运作方式，自动化作为一项任务驱动的命令，其目的仅有一个——让机器从事拥有创造力和自由思维的人类不情愿或必须做的重复性工作。智能自动化系统可以感知和综合大量的信息，并能自动完成整个工作流程，在过程中学习和适应。其应用范围从日常应用到革命性应用，从收集、分析和决定文本信息到引导自动驾驶汽车和先进机器人。

例如，为新一代协作机器人和谷歌的自动驾驶汽车提供动力的技术，可以分析和响应来自传感器的数据流。而IBM Watson会吸收和分析大量的文本信息，以快速响应复杂的查询，如对医疗计划的请求。智能自动化有时被用来简化业务流程，更快地做出复杂的决策，包括基于客户档案和市场分析向客户提供报价的营销系统、识别和阻止欺诈交易的信用卡处理系统等。IA已经在帮助企业超越传统的绩效交易，达到前所未有的效率和质量水平。

目前，IA已经被纳入营销技术栈的范畴，具体可以实现以下功能。

邮件营销自动化：这是邮件营销的基础。通过自动化，营销人员能管理更多联系人，实现邮件的大批量发送和定时发送，创建和管理邮件模板，并可基于前期洞察向特定订阅人群发送定制化信息，极大地提高了营销人员的效率。而更为智能的自动化能实现更为精细的个性化——面向每个人的个性化。智能自动化的技术能分析每个订阅人的习惯来决定单独发送邮件的最佳时间。此外，营销人员还能基于从多渠道收集到的个人搜索和交易历史数据，定位不同促销邮件的特定接收人群。

广告定向：自动化的到来与发展不断重塑着广告交易流程。广告交易流程的自动化也催生并促进了程序化广告行业的兴起与繁荣。如今，程序化广告行业正积极引入IA技术用于分析第一方和第三方数据，制定营销活动优化决策以提升其效果。在接下来几年，IA技术将在管理源自多个输入渠道、跨设备及广告网络的大规模数据方面发挥关键作用。

内容营销：数字化渠道的增加，使得品牌管理这些渠道成为一道难题。而人工智能可以学习内容模式，并创作出更多相同类型的内容，还能在短时间内完成数量惊人的相关内容工作。一些企业已经开始使用IA技术驱动的智能内容系统来创建和管理内容。基于大量数据点和客户实时线索，机器学习将具备创建、测试、优化和再创造适合各个交互场景的个性化内容的能力。

社交媒体营销：除潜力巨大的社交广告定向外，IA还能构建较以往更为深层次、更有意义的品牌和消费者关系。基于内容互动分析与洞察，IA能撰写社交内容并向客户分发其中最吸引人、最具互动性的内容。此外，IA还能获取客户的在线时间并洞悉客户乐于接收品牌信息的时间。IA能迅速准确地定位网络红人并与其建立联系，开展实时互动并优化分享内容。随着社交聆听自动化程度的加深，营销技术能更为智能地进行决策，确定应在内部分发的互动和输入，助力品牌做出更为明智的业务决策。

SEO：尽管SEO目前在某些方面已经实现了自动化，但仍需投入大量人力进行创意输出和持续管理，IA能在SEO当前的自动化流程之上提出优化建议并最终进行优化，如根据排名变化实时优化元描述，或基于算法对全网其他类似图片的理解制作图片以替代文本。SEO审计因其过程繁杂耗时，一直令众多企业头疼不已，但IA能完美解决这一难题，使其作为后台程序常规进行。全新的网站开发组件能基于实时数据进行优化，无须参考最佳时间和月度推荐。在未来几年，智能SEO软件将更好地帮助营销人员分析大量数据，进行优化决策并评估其效果。

2.2.3 预测性分析

1.什么是预测性分析

预测性分析是基于历史数据和分析技术（如统计建模和机器学习等）对未来的结果进行预测的数据分析技术。在营销领域，预测性分析也被看作行为分析。在行为分析中，企业跟踪客户的购物历史、个人数据（偏好、兴趣、爱好、生日、朋友推荐等）、行为信号及搜索历史等。行为分析可以帮助企业创建有助于识别/预测潜在客户需求的预测模型，为企业提供创造个性化客户体验的机会。

具体来说，预测性分析可以完成以下任务。

改善消费者的参与度和个性化：零售商在商品化行业面临的最大挑战之一就是如何将一次性购物者转变为品牌忠诚者。如今，单次销售产生的数据也有助于企业获得如何将客户转化为粉丝的洞察。不只是电商巨头使用这些数据，对规模较小的零售商而言，将洞察力与预测性分析相结合，可以揭示新的潜在销售机会，展现新兴趋势，甚至可以了解潜在客户可能想要的新产品。通过将零售分析纳入预测模型，品牌可以更容易地预测客户的需求，并鼓励购物者复购以获得个性化体验。

有针对性的促销活动：越来越多的消费者受到个性化活动的影响。零售商可以收集一系列个人数据，包括偏好、搜索或查询历史、购物模式、消费习惯，以及过去的销售数据为未来促销的营销决策提供信息。这可以帮助企业进一步细分营销，并确保只向数据库发送密切相关的促销信息。企业可以通过利用预测性营销和个性化来增加在线销售，以提高ROI和效率，同时创建更好的客户生命周期并建立忠诚度。美容零售商可通过眼妆、唇妆等来细分客户，以确保特定产品的促销只针对特定的细分市场。每两三个月购买一次口红的人比那些只购买眼影的人更有可能购买更多的口红，即使他们都购买化妆品。

增强库存和商店管理：使用预测性分析可以帮助企业减少库存费用，并确保购买的商品转化为销售而非沉没成本。采用预测性分析的零售商将精力集中于那些重点关注的领域，快速了解新兴销售趋势，优化物流以确保合适的商品进入合适的商店。预测性分析可以帮助企业简化供应链管理并减少库存支出，扩大利润。

适时营销：预测性分析还可用于跟踪购买以外的客户行为和模式。什么类型的行为表明某人正在失去兴趣？如何判断哪些客户有潜力成为超级客户？这是预测营销可以助力的另一个领域。汇总客户数据，将正确的内容放在客户面前，与在正确的时间传递内容给他们同样重要。这意味着促销活动不但要个性化且相关，而且要及时，这是营销的关键。比如，夏季和音乐节是时尚营销的黄金时间。

设定和调整价格：对许多零售商而言，为产品设定价格看起来更像艺术而非科学。尽管近年来电商领域的创新有助于简化这一点，但仍然难以确定新产品的价格点。值得庆幸的是，数据分析可以起作用。使用过去客户的分析和定价，可以为未来的决策提供信息，特别是在拥有大量定价数据的前提下。

2.预测广告

近年来，预测性分析在市场营销行业中应用广泛，极大地改变了数字营销的格局。相关数据表明，全球预测性分析市场到2022年将达到109.5亿美元。预测性分析已经成为一种生产工具，它可以帮助营销人员做出实时决策，其中最有价值的部分是预测广告。

预测广告被企业用来分析消费者行为数据，再利用获得的洞察预测未来的趋势，进而优化营销和销售策略。与任何基于机器学习的系统一样，预测广告需要大量的数据，以保持训练和学习。机器学习系统可以共享的数据越多，可以训练和学习得就越快、越好。预测广告可以完成以下任务。

受众定向：预测广告通过访问客户数据和第三方数据来识别潜在客户，并根据对企业现有客户的了解来投放广告。预测广告可以得出人口统计和行为因素之间的相关性，利用相关的工具和技术，在不同的人口统计数据和行为数据之间建立关联，从而识别新的目标受众。例如，假设预测性分析发现当前客户群的成员可能会阅读某篇网络文章，就可以瞄准那些读过相似文章的人。

内容发布的自动化与优化：人工智能可以观察消费者的购买行为，并利用这些数据预测未来的购买模式。营销人员可以进行受众细分，并传递相关的内容。人工智能提供技术支持的内容自动化系统，可以帮助广告主或代理商生产针对特定受众或角色类型的高质量内容。

虽然机器并没有取代真正的创意，但可以优化广告，使其更有效，更贴近目标受众。企业也可以通过预测广告，根据各种行为、人口统计和情景因素（如设备ID、位置、购买历史或兴趣）制作自动化的个性化广告，一旦受众数据匹配，广告就可以自动发布。亚马逊就在使用预测广告来投放相关广告，实现交叉销售^[1]（Cross Selling）。例如，如果发现最近在网站上购买了蛋白质粉的客户正在阅读某微信公众号的一篇文章，亚马逊就可以向其推销相关的保健产品。

优化广告支出：每年，数以亿计的网络营销资金被浪费在针对错误受众的广告上，或者在错误的时间将广告投放给目标受众。乐天营销（Rakuten Marketing）的一份报告显示，由于使用了错误的营销渠道或策略，营销人员平均浪费了26%的营销预算。那些专注于减少广告支出的企业，能够将节省下来的预算用于其他营销活动。通过细致入微的受众定向和价格调整，预测广告可以帮助营销人员提高营销活动的ROI。例如，谷歌的自动投标平台允许企业选择一个营销目标，如网站访问或转化，并使用受众数据和竞争对手的数据，自动实时调整出价。

Quantcast的一幅图展示了该公司是如何调整其系统以实现实时预测竞价的。

在上图中，数以万计的模型可以从“模型商店”中实时获得。实时行为数据提取器收集实时行为数据，并将数据转换成机器可读的格式。Quantcast的“Keebler”就像一个Cookie数据仓库，所有的匿名用户ID都可以从这里快速获取。实时访问模型和行为数据使系统能够识别相关受众，并根据用户对特定产品或服务的预期兴趣做出实时竞价决策。

优化“微时刻（Micro-Moments）”的广告：预测广告使营销人员有可能在有限的时间内获取有价值的洞察。换句话说，企业可以使用实时数据优化广告投放策略，在“微时刻”投放合适的广告并获利。根据Google的说法，“微时刻”指的是客户开始使用转向智能手机等设备学习、做事、看视频、寻找或购买商品的动机很明显的时刻。在这一时刻，客户的偏好容易形成，或更容易根据需要采取行动。因为客户决心找到他们想要的东西，并对帮助他们实现这一目标的品牌十分感兴趣。

但是，如果不使用某种自动化技术，那么要想成功地将广告投放到“微时刻”几乎不可能。预测广告可以利用客户在线行为的历史数据和人口统计信息，在客户开始表现出强烈的购买意愿之前预测他们的需求。当然，有些“微时刻”是广告主无法预料到的。例如，有人的车在路边抛锚了，正在寻找汽车维修服务。当这些新的“兴趣”突然出现时，广告主如何定向发布广告呢？对此，预测广告技术可以实时分析大量数据。机器学习可以从搜索查询、位置和其他因素中推断客户意图，然后自动提供相关广告。

案例：

塔吉特的预测模型

塔吉特（Target）是美国仅次于沃尔玛的第二大零售百货集团。几年前，一名来自明尼阿波利斯的男子走进塔吉特的一家分店，向经理表示愤怒，原因是他还在上高中的女儿收到了塔吉特的婴儿用品优惠券。经理完全不知道塔吉特的数据分析团队在后台做了什么，赶紧向他道歉。几天后，经理再次打电话向那位男子道歉，但这次，那位男子也向经理道歉，原来他完全没有意识到，他的女儿马上就要生产了。塔吉特甚至比父亲更早知道女儿怀孕的事。

2002年，既是统计学家也是程序员的Andrew Pole加入塔吉特。迎接他的是关于市场部的独特的问题，如能预测一个人的怀孕情况吗，即使顾客不愿意透露她怀孕了？这个案例将购物行为、顾客旅程和数据分析结合在了一起。

如何在一开始就预测一个人是否怀孕？这必须首先检查购物习惯是如何随着人们从生活的一个阶段转移到一个新的阶段的。学生的购物习惯与没有孩子的已婚人士不同，已婚人士在即将为人父母时其购物习惯又会发生变化。大多数时候，消费者自己并没有意识到自身行为的转变，但市场营销人员注意到了这一切。

Pole获取了一些关于孕妇在不同的月份的行为变化信息——这些记录是孕妇自愿透露的。Pole和他的团队缩小购物特征的范围，并将这些行为与孕妇特有的行为区分开来，例如：

· 购买无香味的乳液——怀孕4个月的时候，孕妇开始购买无香味的乳液。她们认为有香味的乳液对胎儿的健康有影响，所以很多准妈妈会自动选择无香味的乳液。

· 购买补品——怀孕5个月的时候，孕妇开始储备钙、铁、锌等矿物质。

· 其他信号——购买更大包装的待产包是孕妇即将生产的信号。

通过分析已经缩小范围的产品，他们可以给消费者分配一个怀孕可能性评分。得分越高，顾客怀孕的可能性越大。事实上，他们甚至可以缩小到以周为单位来送货。

大多数消费者会从不同的商店购买不同的用品，现在塔吉特有很多顾客数据，它已经掌握了主动权，可以提供优惠来吸引孕妇，这些孕妇会发现在塔吉特商店更容易买到所有东西。最重要的是，在怀孕期间过多地活动是有一定风险的，塔吉特可以为孕妇们提供“一站式”购物服务。

当然，虽然塔吉特收集了大量的数据，但公开做广告是有风险的。塔吉特选择发送婴儿用品和用品的优惠券目录。每个目录都是定制的，并有一个独特的优惠券代码，这样当它被使用时，Pole和他的团队可以验证他们的努力成果。