AI智慧營銷

孫亞程 李艾珅

自 2016年谷歌DeepMind團隊推出的“圍棋大師”AlphaGO和李世石的五番棋大戰以來，人工智能（AI）的概念得到了大眾和資本的空前關注，包括深度學習、強化學習在內的理論研究和技術應用也隨之迎來了新一輪的蓬勃發展。

對于今天的人們來說，不管愿意與否，AI技術已經滲透到了生活中的方方面面：無處不在的人臉識別，潛移默化的內容推送，真偽難辨的智能語音客服，呼之欲出的自動駕駛AI已經成為了我們日常生活的一部分，生活和消費也不知不覺中變得更加便捷了。從商業邏輯來說，AI技術的迅猛發展，很大程度上得益于人們對應用落地價值的理解和期望的實現，而合適的場景是技術成功落地的必要條件。

市場營銷致力于使用營銷決策（產品、渠道、促銷和定價）為顧客創造價值和為商家獲取價值。它是大多數商業項目的核心價值之一，也是所有公司都極為關心的領域。市場營銷也是AI技術落地的沃土：高質量的營銷決策必須基于對消費者的行為和決策過程的深入理解，而這正是大數據時代的AI模型所擅長的。美國電商巨頭亞馬遜（Amazon.com）和傳媒巨頭奈飛（Netflix）早在90年代，就已經非常重視推薦系統的研發，并傾注了大量資源。大量數據和智能推薦技術的沉淀也為這兩家公司成為行業翹楚打下了堅實的基礎。在將來，營銷場景有望成為AI技術的起飛地。AI賦能的“智慧營銷”，值得我們去思考和暢想。

人工智能之“未來已來”

圖靈獎獲獎者約翰·麥卡錫（John McCarthy）在1956年的達特茅斯會議（Dartmouth Conference）上提出了“人工智能”這一概念。這位AI之父給出的定義是，“人工智能就是要讓機器的行為看起來就象是人所表現出的智能行為一樣”。今天，越來越多的人工智能應用正在用看得見和看不見的方式改變我們的生活，也正在和即將替代很多結構化的工作崗位，不由讓人們感覺，人工智能的“未來已來”，AI似乎在很多方面都正在取代人類。然而，事實果真如此嗎？

從麥卡錫當初描述的人工智能的概念及愿景來看，他構想的人工智能應該叫做“強人工智能”：作為通用性人工智能，它具有形象思維和抽象思維能力，在理論上可以勝任人類所有工作，甚至做的更好。但是，在距人工智能元年60多年后的今天，其技術發展與應用仍然與人們對“強人工智能”的預期相距甚遠。在今天的應用和商業前沿大放異彩的AI技術，只是屬于“弱人工智能”，即專注于且只能解決特定具體領域問題的人工智能。比如，卷積神經網絡（CNN）通過大量有標簽的圖片數據進行訓練，從而可以輕松認出一個花的品種或者一個人的身份（在模型里，這個人只是一個數據分類）。同樣，自然語言處理（NLP）通過隱性馬爾科夫模型和遞歸神經網絡（RNN）技術把一些文字的組合映射到一個意義分類上去，也就是“讀懂了”一句話的含義與情緒。

那么，把現有所有的成熟技術都安裝到一個機器人上，我們就可以稱它為強人工智能了嗎？顯然不是的，因為這些技術的“特長”都是為了完成某一項工作而設定的，它并沒有抽象的思想，且創造力有限。想達到能夠像真人一般，實現邏輯思考和應對復雜環境的強人工智能，我們仍任重而道遠。

人工智能的未來正在到來的過程中，但卻不是每個人想象中的未來。我們現在應該關注的，是利用越來越強的“弱人工智能”來實現更多、更有意義的應用，并以此去創造和提升人工智能這一技術的價值。

發現AI的價值

人工智能大發展的底層支撐有三大支柱，分別是先進的模型算法，以及與之匹配的算力與海量的數據。不過，技術終要落地才能服務到人，人工智能也是要為人服務的。因此，就需要有合適的應用場景。市場營銷的廣闊空間，正是先進技術創造價值的合適場景。這些年來，各類AI應用層出不窮，也更好地促進了市場營銷的快速發展，也讓我們得以從落地層面對AI價值做一些總結。

首先，AI算法的專長就在于數據整合和分析。AI算法可以在海量的數據中發現對人并不顯而易見甚至有悖“常識”的線索，并善于歸類。分析一件事情時，能看到幾個維度的人就可稱之為聰明人。對于模型來說，在合適的特征工程和數據量的配合下，可以將成百上千維度的數據同時納入模型分析，因而能洞察到更多信息，得到更精準的結果。例如，AI對于物品的識別準確率超越人類，這已經是2015年的“舊聞”了。

在營銷場景中，移動技術使消費變得非常便捷，消費者也從按需購買走向了按心情購買，并且養成了“刷”的習慣。所以，用更好的推薦系統去給消費者呈現其感興趣的內容并預測其需求將會促進更多的購買，可以為商家帶來更大的利潤。然而，消費者作為一個人，心智、偏好和決策過程是非常多面而復雜的，需要從海量的行為數據，以及相似群體其他成員的行為數據去估計。而這，恰恰是人工智能的優勢所在：在大數據中做歸納，不停歇地分析新數據，更新之前的判斷，并輔以實地實驗不斷完善營銷決策。基于A/B測試對推送內容進行調整，正是基于人工智能這一技術優勢所實現的一個典型應用。

其次，AI作為機器可以永遠在線。服務好客戶的重要標準之一，就是減少用戶的等待時間，讓用戶隨時隨地享受服務。AI技術的提升讓這些變得非常簡單，因為一套算法（比如智能客服系統）服務更多人的邊際成本非常低，不會受制于人力資源、工作時間和時區等條件的制約，達到更穩定的效果。近年來算力的持續提升（據埃隆·馬斯克的OpenAI估計，2012-2017年間AI算力提升了30萬倍）和芯片小型化技術，也為AI技術的場景廣度和深度的拓展提供了技術支持和更加豐富的想象空間。

再次，AI數據的沉淀能力和自我提升能力，能使其在營銷場景下實現“數據-能力-價值”閉環中的良性循環。AI不但在服務時不會停歇，在自我訓練更新上也永遠不會停止。即使AlphaGo戰勝了柯潔的當晚，它又和自己下了上百萬盤棋。第二天的它，比昨天的冠軍更強了。在當下的營銷世界中，風向不停在改變，數據無時不刻被收集，模型也在不斷更新和進步。AI工具在服務消費者的同時，收集的數據又很快投入升級算法之中。在這個閉環里，數據持續產生并轉換成價值，不僅讓AI能夠更好地服務消費者，也能在這個過程中獲取更多的數據，實現更科學的營銷決策。

AI營銷應用的是與非

在AI賦能的智慧營銷已經初見雛形的今天，我們聚焦智能車、語音助手、智慧教育和新零售這幾個具體應用場景，分析AI技術在短期和長期的落地機會，以及潛在的一些問題。

智能車

自動駕駛，路線規劃，人車互動......路還是原來的路，但是人們出行的體驗卻被AI 技術顛覆性地改變了。對消費者來說，解放雙手和時間帶來的價值是最可觀的，在這些場景下的技術和商業模式革新也是將來的主旋律。從長期的營銷潛力來看，互聯互通的智慧出行無疑給新零售帶來了很大的商機。消費者所處的位置、出行的目的、出行路線周遭的商家都是決定消費行為的重要因素。商家可以借助AI技術更好地去預測消費者的潛在需求，同時，當消費者越來越多的與汽車互動的時候，AI將獲取更多的信息并且有更多的機會向人們推銷“意料之外，情理之中”的產品。

不過，出行是一件關乎生命安全的大事。在技術成熟到一定程度之前，我們還無法做到對AI的完全信任。大眾對智能車的過度關注和過高期待，會無形讓智能車廠商背負不公平的壓力（比較的基準會變成零事故和零死亡率，而不是非智能車的事故和死亡率）。智能車算法對場景決策的完備性和明確性的要求，也意味著智能車廠商在極端情況下必須直面類似電車難題（Trolley Problem）的經典倫理困境和風險。

語音助手

自然語言處理技術已經日漸成熟，消費者已經能直觀感受到智能客服、智能音箱等產品變得越來越好用，有時候甚至難以分辨對方是不是一個真正的人。從短期來看，在更大的范圍使用AI客服、銷售，甚至是智能顧問，不僅為商家節省了大量的人工成本，同時也提高了服務的穩定性和時效性。長期來看，當越來越多的消費者和AI交流互動，商家就可以更加精準地根據實時情況，為消費者提供本次交流的核心訴求之外的產品和服務，而且新的AI語言技術，可以使對話變得柔和、自然且有樂趣（如，年輕的消費者可以選擇與自己偶像語音的AI進行互動）。有溫度的AI營銷顧問，可以減少消費者對生硬推銷的抵觸感，幫助商家識別和兌現交叉售賣的潛在機遇。

從另一個方面來說，就如同在數字化的今天，手寫的信件讓人覺得彌足珍貴一樣，當消費者面對越來越多的人機交流時，缺少人與人之間的溫暖，會使人產生對機器的不信任和抵觸感，人們會覺得自己不過是它處理的一條數據。在AI語音技術真正走出高度程序化和結構化的服務場景之前，企業需要思考的是，真人服務的輔助會不會對某些顧客群體更有價值，而去撼動智慧語言助手呢？

智慧教育

“因材施教”是教育的最高境界，但在現實中很難實現。傳統教育的瓶頸在于優質教育資源是有限的，從古到今，效果最好的方式是教育家（孔子，蘇格拉底）對學生言傳身教，并以一對一的方式進行價值塑造、知識傳授和能力培養。與此相反，效率最高的方式是教育家反復琢磨，總結出一套教育方法，以文字方式傳遞給大量的學生。然而，每個人的理解力、邏輯習慣等都是特殊的，教育家總結出的方法是普適的，但對每個人單獨來說都不是最佳的。最優的教育方法需要針對性制定，要求每個學生都獲得足夠了解和關注。然而，“一對一”教學自古以來都是富人甚至王孫貴族才能享受到的服務。大多數情況下，教育工作者在面對一個班級的學生時，做到公平對待就已經很難了。

今天，人工智能可以在很大程度上幫助解決這個問題。首先，學生們對教育工作者需求最大的地方在于回答問題。得益于技術進步，現在學生已經可以隨時隨地把問題提給AI老師了。對于結構化的問題和知識點，AI的回答已經能解決大部分學生的疑惑。這種AI 技術的落地無疑等于給每個學生配備了一位隨時在線，并能敏銳捕捉學生短板的輔導老師，很大程度上降低了教育行業的人工成本，提高了教育質量。長遠來看，隨著越來越多的學習和練習過程在智能設備上完成，收集到的數據使AI可以盡情發揮它的個性化專長。AI可以針對學生的學習習慣、練習情況，甚至基于其捕捉的學生的眼部運動和肢體信息，來為每個學生制定個性化的學習和練習計劃，實現“因材施教”。

不過，我們也應該意識到，人文關懷和創造力的培養還不是AI所擅長的。同時，如同上面提到的AI算法底層邏輯，是在數學上達成對目標值的優化。這種情況不禁讓人擔心，即使精心設計的AI老師，也難以避免標準化的教學要求，從而引導學生思維走向固化。這對于培養學生的創新性而言，無疑是一種損害。

新零售

2017年落地的無人超市在當時引起了社會熱議，這讓人們意識到，AI已經覆蓋到了他們生活中最常見的零售場景。事實上，AI在零售終端以上供應鏈的應用才是智慧新零售的主力——預測需求采購，智能物流，自動補貨，分倉。AI利用其穩定、準確和全鏈路的特長，可以貫穿價值鏈的每一個環節，幫助消費者實現個性化的需求，并賦能企業降本、增效。同時，隨著個性化制造的興起，AI對偏好的預測可以在產業鏈的源頭開始，無疑會給消費者帶來新的體驗。

AI技術的落地，也使其在新零售終端的應用呈現出爆發的趨勢。無人快遞已經走出了實驗室，在武漢封城期間，大量的機器人走上街頭，給疫情隔離下的人們送快遞，讓人們在特殊時期，加深對AI價值的理解。同樣，電商平臺推出的增強現實（AR）與虛擬現實（VR）購物功能，讓消費者在家里就能得到接近線下門店的瀏覽和購物體驗。這些AI技術正在慢慢打破傳統零售的壁壘，將生產物流到各個消費場景各環節打通互聯，為人們描繪出智慧新零售的美好未來。

智慧營銷的案例觀察

汽車之家

作為汽車內容垂直領域的綜合服務商，汽車之家將AI技術在智慧營銷上用得爐火純青。營銷的核心在于了解用戶的需求，汽車之家正運用其大數據平臺“車智云”去挖掘市場動向，預測需求。利用自身新聞、看車、論壇與4S店交流等巨大的流量，汽車之家擁有線上汽車媒體高達73%的數據，包括文字、圖片、視頻在內的海量用戶產生內容（UGC），職業產生內容（OGC）和專業產生內容（PGC）以及用戶（“車友”）對這些內容詳細的訪問數據，這些數據允許他們開發出了精準的消費者分析營銷模型。

汽車之家的UVN用戶分群模型，通過用戶（U）、價值（V） 、需求（N） 三個維度對“車友”進行分類分析，幫助車企對消費者進行精準營銷，提高轉化率。同時，模型也借助用戶大數據，預測潛在汽車消費者的需求方向，也就是對未來用車的趨勢有一個精準的判斷。這樣，不但可以對地區銷量進行預測，幫助車企調整庫存，更重要的是，通過分析輿論，洞察趨勢，讓車企發現核心客戶群的變化，以及對手的潛在威脅，為車企在營銷活動策劃甚至新車設計上提供有力參考。相比傳統的客戶經理式打法，這樣的智慧營銷為商家節省了更多成本，還大大提高了效率和精準度，促進更多的邀約到店，甚至線上銷售。同時，對于車友動態的實時分析，也幫助維修、保險等下游高附加值的行業商家找到合適的客戶，從而實現轉化。

汽車之家充分利用了流量帶來的紅利，在消費者的行為數據里挖掘價值，服務了整個垂直行業，創造了很大的收益。

TalkingData

不同于汽車之家，TalkingData作為AI技術底層服務商，打造了一個相對通用的智慧營銷方案框架，并應用到了各行各業，在我們常用的數字化服務背后，或多或少都有他的影子。

對于擁有大量客戶基礎、面向消費者（to C）的移動應用來說，將用戶數據轉化為價值是一個巨大需求。而TalkingData的數據分析平臺，就幫助滴滴打車、去哪網、e代駕等企業實現了精準營銷、渠道評價等核心營銷價值，同時對接100余家廣告平臺對 APP 用戶投放。通過行為數據去給一個人畫像很難，但價值也是巨大的。TalkingData不論是在數據的儲存處理，還是應用的開發調試，如漏斗模型、行為預測、多維挖掘等，都做到了極致。像TalkingData這樣專注于AI技術，促進落地，給移動互聯網商家帶來收益。在這樣的生態里，APP服務商可以專注于自身的業務，把收集數據與轉換價值的事情委托給更加專一于AI 技術的TalkingData，并且通過實時反饋的分析結果快速對產品進行更新迭代。TalkingData的高速發展，正在印證一個數據高速流轉，價值最大化的健康AI營銷生態。

AI應用的短板何在

盡管AI算法在營銷場景下的優勢非常明顯，我們仍然發現AI技術在應用過程中暴露出了一些短板、爭議和新的問題。

高昂的研發成本

AI應用在服務上雖然邊際成本很低，但是初期的研發成本卻非常高，不僅需要大量專業的人才，其硬件和能耗的成本也是不小的支出。

在商業化的起步階段，AI服務的規模效益無法體現，甚至沒有任何短期的商業回報。以我國的人工智能巨頭企業——商湯科技為例。在成立早期，商湯招攬了大量的深度學習領域博士，并且搭建超級計算中心，購買了數千塊價值不菲的英偉達圖形處理器（GPU）。在消耗大量研究費用的同時，公司產品卻沒有大規模商用創造足夠的收益。這樣的“燒錢”模式，并不是所有商業項目能負擔得起的。

許多人將商湯最終突破，歸功于資本的支持。誠然，商湯還在沒走出實驗室的時候就被IDG投資千萬美元，在各個競賽上打出名氣以后又收獲了諸多機構總值達數十億美元的融資，造就了這一獨角獸公司。然而，這背后也同樣離不開來自中國政府的大力扶持。商湯不僅在業務上承接了大量的政府、央企項目，在政策上也獲得了多方面的支持。所以，早期的人工智能研究，不但要大量的資本支撐，也需要政府的大力支持，不然難以熬到成熟的應用落地創造收益的階段。當然，AI服務最終驅動力還是來自市場和用戶的認可，在AI基建過程中應特別避免政府形象工程、重復建設和浪費。

隱私和數據真實性

一個優秀人工智能模型是被海量的數據訓練出來的，尤其是在營銷領域，更需要大量真實消費者的行為數據。而這其中的隱私邊界問題一直很模糊，未來將是最大的難題。

早些年間，我國相比歐美國家在個人數據隱私監管上比較寬松，這也為我國人工智能產業提供了“原油”，促進了一個高速發展的時代，中國的互聯網企業在很多應用領域已經超越了很多歐美同行與此不無關系。例如，阿里巴巴的“OneID”數據銀行融通了來自淘寶、直播網站和餓了么等多方的數據，可以對個體消費者進行非常立體的畫像。

然而，機會和風險往往共存。多源數據的融合也顯著提高了數據的可識別性（identifiability），對保護隱私提高了難度。隨著消費者隱私意識的覺醒，保護消費者數據的呼聲也越來越高，工信部也開始大量點名下架違規收集個人數據的應用。類似的，杭州十一中學在2018年引入的以人臉識別為基礎的所謂“智慧課堂”，也因為對學生權利的忽視受到了諸多網友和媒體的批評。

合理的數據獲取邊界在哪里？隨著獲取數據的難度逐漸增大，人工智能模型是否能保持曾經的發展速度？商業模式是否會改變，能否再創造出更吸引人的應用？

另外一個值得注意的趨勢是，由于對抗神經網絡等數據生成技術的出現，使得偽造數據變得非常容易。也許未來的消費者將很難區分一條新聞或者評論是真人寫的，還是算法生成的。這也為對真實數據的甄別和數據分析，帶來了巨大的挑戰。

人性關懷的缺失

人工智能算法普遍的底層邏輯是，確定了模型架構以后去定義一個目標函數（Objective Function），通過反復的循環訓練不斷優化目標數值，直到滿意為止。此時模型的參數被反復打磨，可以應用到實際場景中去。這樣的底層原理，決定了算法只是一個沒有感情的數學機器，所做的決定根本上都是為了最大化或最小化既定的目標數值。

比如，外賣平臺算法的核心目標函數，就是在固定時間內完成更多的訂單，并且最小化客人的等待時間。所以，算法就會對每個騎手的路線進行規劃以達到全局最優。不過，在上面的例子中，執行算法指派的卻并不是機器，而是一個個鮮活的人。在一個非封閉的、不斷變化的環境中，人往往無法保證像機器一樣準確地執行指令。算法給騎手的指令只是在多長時間以內從A趕到B，卻無法全面考慮到各種其他因素對完成指令造成的影響以及騎手的感覺。而平臺為了履行對消費者的時間承諾，或是獲取更多的利潤，則會把騎手的收入與其對算法指令的完成情況掛鉤。在這樣的設定下，算法用一個容易的量化指標去決定騎手的收入。騎手在受到某些外因的影響的時候，會為了完成任務鋌而走險，釀造了很多悲劇。

科技公司過度關注、重視和監督可量化的核心指標，而忽視難以量化的方面，如安全性、人性關懷，導致“內卷”和其他類的員工事故，招來了社會上大量的爭議，及對“AI控制人類”這種行為的批判，和對AI技術本身的反感。

期望越高 落差越大

隨著人工智能應用走進了消費者生活的方方面面，人們對AI的期望也越來越高。十年前，人臉識別驗證身份的創新讓人們驚嘆不已。而今天，人們已經開始對查看身份證等“古老”行為感到詫異或者麻煩。消費者對于科技巨頭新品發布會的激情與AI時代剛剛開始時已經相距甚遠，甚至不斷地批評科技公司“炒冷飯”，缺乏創新。隨著媒體近年來對人工智能技術的宣傳和暢想，人們對AI技術也有了更多的誤解以及不切實際的期望。消費者往往用“強人工智能”的標準去看待“弱人工智能”的應用，這樣的期望落差會造成消費者對技術的一種厭惡感，并加深對AI技術的負面刻板印象。

小結

人工智能給了我們很多美好的遐想，在大數據爆發的今天，AI技術的更新迭代會更快。在潛在價值巨大的營銷領域，對AI在細分領域的清楚認識，應用分析以及價值鏈思考，能幫助市場營銷的管理者更好地找到落地的場景，從而讓AI創造出更多的價值，造福于消費者，并最終形成數據驅動的智慧市場與智能社會。同時，我們也認識到現有AI技術的短板和不足。我們認為，AI和營銷的結合還有巨大的創新空間，智能營銷未來的發展應該在技術進步、商業應用和隱私保護之間獲得平衡。