原创 AI聪慧营销

图灵奖获奖者约翰·麦卡锡（John McCarthy）在1956年的达特茅斯会议（Dartmouth Conference）上提出了“人工智能”这一观点。
这位AI之父给出的定义是，“人工智能便是要让机器的行为看起来就象是人所表现出的智能行为一样”。
本日，越来越多的人工智能运用正在用看得见和看不见的办法改变我们的生活，也正在和即将替代很多构造化的事情岗位，不由让人们觉得，人工智能的“未来已来”，AI彷佛在很多方面都正在取代人类。
然而，事实果真如此吗？

从麦卡锡当初描述的人工智能的观点及愿景来看，他构想的人工智能该当叫做“强人工智能”：作为通用性人工智能，它具有形象思维和抽象思维能力，在理论上可以胜任人类所有事情，乃至做的更好。
但是，在距人工智能元年60多年后的本日，其技能发展与运用仍旧与人们对“强人工智能”的预期相距甚远。
在本日的运用和商业前沿大放异彩的AI技能，只是属于“弱人工智能”，即专注于且只能办理特定详细领域问题的人工智能。
比如，卷积神经网络（CNN）通过大量有标签的图片数据进行演习，从而可以轻松认出一个花的品种或者一个人的身份（在模型里，这个人只是一个数据分类）。
同样，自然措辞处理（NLP）通过隐性马尔科夫模型和递归神经网络（RNN）技能把一些笔墨的组合映射到一个意义分类上去，也便是“读懂了”一句话的含义与感情。

那么，把现有所有的成熟技能都安装到一个机器人上，我们就可以称它为强人工智能了吗？显然不是的，由于这些技能的“特长”都是为了完成某一项事情而设定的，它并没有抽象的思想，且创造力有限。
想达到能够像真人一样平常，实现逻辑思考和应对繁芜环境的强人工智能，我们仍任重而道远。

人工智能的未来正在到来的过程中，但却不是每个人想象中的未来。
我们现在该当关注的，是利用越来越强的“弱人工智能”来实现更多、更故意义的运用，并以此去创造和提升人工智能这一技能的代价。

人工智能大发展的底层支撑有三大支柱，分别是前辈的模型算法，以及与之匹配的算力与海量的数据。
不过，技能终要落地才能做事到人，人工智能也是要为人做事的。
因此，就须要有得当的运用处景。
市场营销的广阔空间，正是前辈技能创造代价的得当场景。
这些年来，各种AI运用层出不穷，也更好地促进了市场营销的快速发展，也让我们得以从落地层面对AI代价做一些总结。

首先，AI算法的专长就在于数据整合和剖析。
AI算法可以在海量的数据中创造对人并不显而易见乃至有悖“知识”的线索，并长于归类。
剖析一件事情时，能看到几个维度的人就可称之为聪明人。
对付模型来说，在得当的特色工程和数据量的合营下，可以将成百上千维度的数据同时纳入模型剖析，因而能洞察到更多信息，得到更精准的结果。
例如，AI对付物品的识别准确率超越人类，这已经是2015年的“旧闻”了。

在营销场景中，移动技能使消费变得非常便捷，消费者也从按需购买走向了按心情购买，并且养成了“刷”的习气。
以是，用更好的推举系统去给消费者呈现其感兴趣的内容并预测其需求将会促进更多的购买，可以为商家带来更大的利润。
然而，消费者作为一个人，心智、偏好和决策过程是非常多面而繁芜的，须要从海量的行为数据，以及相似群体其他成员的行为数据去估计。
而这，正好是人工智能的上风所在：在大数据中做归纳，一直歇地剖析新数据，更新之前的判断，并辅以实地实验不断完善营销决策。
基于A/B测试对推送内容进行调度，正是基于人工智能这一技能上风所实现的一个范例运用。

其次，AI作为机器可以永久在线。
做事好客户的主要标准之一，便是减少用户的等待韶光，让用户随时随地享受做事。
AI技能的提升让这些变得非常大略，由于一套算法（比如智能客服系统）做事更多人的边际本钱非常低，不会受制于人力资源、事情韶光和时区等条件的制约，达到更稳定的效果。
近年来算力的持续提升（据埃隆·马斯克的OpenAI估计，2012-2017年间AI算力提升了30万倍）和芯片小型化技能，也为AI技能的场景广度和深度的拓展供应了技能支持和更加丰富的想象空间。

再次，AI数据的沉淀能力和自我提升能力，能使其在营销场景下实现“数据-能力-代价”闭环中的良性循环。
AI不但在做事时不会停歇，在自我演习更新上也永久不会停滞。
纵然AlphaGo降服了柯洁确当晚，它又和自己下了上百万盘棋。
第二天的它，比昨天的冠军更强了。
在当下的营销天下中，风向一直在改变，数据无时不刻被网络，模型也在不断更新和进步。
AI工具在做事消费者的同时，网络的数据又很快投入升级算法之中。
在这个闭环里，数据持续产生并转换成代价，不仅让AI能够更好地做事消费者，也能在这个过程中获取更多的数据，实现更科学的营销决策。

在AI赋能的聪慧营销已经初见雏形的本日，我们聚焦智能车、语音助手、聪慧教诲和新零售这几个详细运用处景，剖析AI技能在短期和长期的落地机会，以及潜在的一些问题。

自动驾驶，路线方案，人车互动......路还是原来的路，但是人们出行的体验却被AI 技能颠覆性地改变了。
对消费者来说，解放双手和韶光带来的代价是最可不雅观的，在这些场景下的技能和商业模式改造也是将来的主旋律。
从长期的营销潜力来看，互联互通的聪慧出行无疑给新零售带来了很大的商机。
消费者所处的位置、出行的目的、出行路线周遭的商家都是决定消费行为的主要成分。
商家可以借助AI技能更好地去预测消费者的潜在需求，同时，当消费者越来越多的与汽车互动的时候，AI将获取更多的信息并且有更多的机会向人们推销“猜想之外，情理之中”的产品。

不过，出行是一件关乎生命安全的大事。
在技能成熟到一定程度之前，我们还无法做到对AI的完备信赖。
大众对智能车的过度关注和过高期待，会无形让智能车厂商背负不公正的压力（比较的基准会变成零事件和零去世亡率，而不是非智能车的事件和去世亡率）。
智能车算法对场景决策的完备性和明确性的哀求，也意味着智能车厂商在极度情形下必须直面类似电车难题（Trolley Problem）的经典伦理困境和风险。

自然措辞处理技能已经日渐成熟，消费者已经能直不雅观感想熏染到智能客服、智能音箱等产品变得越来越好用，有时候乃至难以分辨对方是不是一个真正的人。
从短期来看，在更大的范围利用AI客服、发卖，乃至是智能顾问，不仅为商家节省了大量的人工本钱，同时也提高了做事的稳定性和时效性。
长期来看，当越来越多的消费者和AI互换互动，商家就可以更加精准地根据实时情形，为消费者供应本次互换的核心诉求之外的产品和做事，而且新的AI措辞技能，可以使对话变得柔和、自然且有乐趣（如，年轻的消费者可以选择与自己偶像语音的AI进行互动）。
有温度的AI营销顾问，可以减少消费者对生硬推销的抵触感，帮助商家识别和兑现交叉售卖的潜在机遇。

从另一个方面来说，就犹如在数字化的本日，手写的信件让人以为弥足宝贵一样，当消费者面对越来越多的人机互换时，短缺人与人之间的温暖，会使人产生对机器的不信赖和抵触感，人们会以为自己不过是它处理的一条数据。
在AI语音技能真正走出高度程序化和构造化的做事场景之前，企业须要思考的是，真人做事的赞助会不会对某些顾客群体更有代价，而去撼动聪慧措辞助手呢？

“因材施教”是教诲的最高境界，但在现实中很难实现。
传统教诲的瓶颈在于优质教诲资源是有限的，从古到今，效果最好的办法是教诲家（孔子，苏格拉底）对学生言传身教，并以一对一的办法进行代价塑造、知识传授和能力培养。
与此相反，效率最高的办法是教诲家反复琢磨，总结出一套教诲方法，以笔墨办法通报给大量的学生。
然而，每个人的理解力、逻辑习气等都是分外的，教诲家总结出的方法是普适的，但对每个人单独来说都不是最佳的。
最优的教诲方法须要针对性制订，哀求每个学生都得到足够理解和关注。
然而，“一对一”传授教化自古以来都是富人乃至王孙贵族才能享受到的做事。
大多数情形下，教诲事情者在面对一个班级的学生时，做到公正对待就已经很难了。

本日，人工智能可以在很大程度上帮助办理这个问题。
首先，学生们对教诲事情者需求最大的地方在于回答问题。
得益于技能进步，现在学生已经可以随时随地把问题提给AI老师了。
对付构造化的问题和知识点，AI的回答已经能办理大部分学生的迷惑。
这种AI 技能的落地无疑即是给每个学生配备了一位随时在线，并能敏锐捕捉学生短板的辅导老师，很大程度上降落了教诲行业的人工本钱，提高了教诲质量。
长远来看，随着越来越多的学习和练习过程在智能设备上完成，网络到的数据使AI可以尽情发挥它的个性化专长。
AI可以针对学生的学习习气、练习情形，乃至基于其捕捉的学生的眼部运动和肢体信息，来为每个学生制订个性化的学习和练习操持，实现“因材施教”。

不过，我们也该当意识到，人文关怀和创造力的培养还不是AI所善于的。
同时，犹如上面提到的AI算法底层逻辑，是在数学上达成对目标值的优化。
这种情形不禁让人担心，纵然精心设计的AI老师，也难以避免标准化的传授教化哀求，从而勾引学生思维走向固化。
这对付培养学生的创新性而言，无疑是一种危害。

2017年落地的无人超市在当时引起了社会热议，这让人们意识到，AI已经覆盖到了他们生活中最常见的零售场景。
事实上，AI在零售终端以上供应链的运用才是聪慧新零售的主力——预测需求采购，智能物流，自动补货，分仓。
AI利用其稳定、准确和全链路的特长，可以贯穿代价链的每一个环节，帮助消费者实现个性化的需求，并赋能企业降本、增效。
同时，随着个性化制造的兴起，AI对偏好的预测可以在家当链的源头开始，无疑会给消费者带来新的体验。

AI技能的落地，也使其在新零售终真个运用呈现出爆发的趋势。
无人快递已经走出了实验室，在武汉封城期间，大量的机器人走上街头，给疫情隔离下的人们送快递，让人们在分外期间，加深对AI代价的理解。
同样，电商平台推出的增强现实（AR）与虚拟现实（VR）购物功能，让消费者在家里就能得到靠近线下门店的浏览和购物体验。
这些AI技能正在逐步冲破传统零售的壁垒，将生产物流到各个消费场景各环节打通互联，为人们描述出聪慧新零售的美好未来。

作为汽车内容垂直领域的综合做事商，汽车之家将AI技能在聪慧营销上用得出神入化。
营销的核心在于理解用户的需求，汽车之家正利用其大数据平台“车智云”去挖掘市场动向，预测需求。
利用自身新闻、看车、论坛与4S店互换等巨大的流量，汽车之家拥有线上汽车媒体高达73%的数据，包括笔墨、图片、视频在内的海量用户产生内容（UGC），职业产生内容（OGC）和专业产生内容（PGC）以及用户（“车友”）对这些内容详细的访问数据，这些数据许可他们开拓出了精准的消费者剖析营销模型。

汽车之家的UVN用户分群模型，通过用户(U)、代价(V) 、需求(N) 三个维度对“车友”进行分类剖析，帮助车企对消费者进行精准营销，提高转化率。
同时，模型也借助用户大数据，预测潜在汽车消费者的需求方向，也便是对未来用车的趋势有一个精准的判断。
这样，不但可以对地区销量进行预测，帮助车企调度库存，更主要的是，通过剖析舆论，洞察趋势，让车企创造核心客户群的变革，以及对手的潜在威胁，为车企在营销活动策划乃至新车设计上供应有力参考。
比较传统的客户经理式打法，这样的聪慧营销为商家节省了更多本钱，还大大提高了效率和精准度，促进更多的邀约到店，乃至线上发卖。
同时，对付车友动态的实时剖析，也帮助维修、保险等下贱高附加值的行业商家找到得当的客户，从而实现转化。

汽车之家充分利用了流量带来的红利，在消费者的行为数据里挖掘代价，做事了全体垂直行业，创造了很大的收益。

不同于汽车之家，TalkingData作为AI技能底层做事商，打造了一个相对通用的聪慧营销方案框架，并运用到了各行各业，在我们常用的数字化做事背后，或多或少都有他的影子。

对付拥有大量客户根本、面向消费者（to C）的移动运用来说，将用户数据转化为代价是一个巨大需求。
而TalkingData的数据剖析平台，就帮助滴滴打车、去哪网、e代驾等企业实现了精准营销、渠道评价等核心营销代价，同时对接100余家广告平台对 APP 用户投放。
通过行为数据去给一个人画像很难，但代价也是巨大的。
TalkingData不论是在数据的储存处理，还是运用的开拓调试，如漏斗模型、行为预测、多维挖掘等，都做到了极致。
像TalkingData这样专注于AI技能，促进落地，给移动互联网商家带来收益。
在这样的生态里，APP做事商可以专注于自身的业务，把网络数据与转换代价的事情委托给更加专一于AI 技能的TalkingData，并且通过实时反馈的剖析结果快速对产品进行更新迭代。
TalkingData的高速发展，正在印证一个数据高速流转，代价最大化的康健AI营销生态。

只管AI算法在营销场景下的上风非常明显，我们仍旧创造AI技能在运用过程中暴露出了一些短板、争媾和新的问题。

AI运用在做事上虽然边际本钱很低，但是初期的研发本钱却非常高，不仅须要大量专业的人才，其硬件和能耗的本钱也是不小的支出。

在商业化的起步阶段，AI做事的规模效益无法表示，乃至没有任何短期的商业回报。
以我国的人工智能巨子企业——商汤科技为例。
在成立早期，商汤招揽了大量的深度学习领域博士，并且搭建超级打算中央，购买了数千块代价不菲的英伟达图形处理器（GPU）。
在花费大量研究用度的同时，公司产品却没有大规模商用创造足够的收益。
这样的“烧钱”模式，并不是所有商业项目能包袱得起的。

许多人将商汤终极打破，归功于成本的支持。
诚然，商汤还在没走出实验室的时候就被IDG投资千万美元，在各个竞赛上打出名气往后又收成了诸多机构总值达数十亿美元的融资，造就了这一独角兽公司。
然而，这背后也同样离不开来自中国政府的大力扶持。
商汤不仅在业务上承接了大量确当局、央企项目，在政策上也得到了多方面的支持。
以是，早期的人工智能研究，不但要大量的成本支撑，也须要政府的大力支持，不然难以熬到成熟的运用落地创造收益的阶段。
当然，AI做事终极驱动力还是来自市场和用户的认可，在AI基建过程中应特殊避免政府形象工程、重复培植和摧残浪费蹂躏。

一个精良人工智能模型是被海量的数据演习出来的，尤其是在营销领域，更须要大量真实消费者的行为数据。
而这个中的隐私边界问题一贯很模糊，未来将是最大的难题。

早些年间，我国比较欧美国家在个人数据隐私监管上比较宽松，这也为我国人工智能家当供应了“原油”，促进了一个高速发展的时期，中国的互联网企业在很多运用领域已经超越了很多欧美同行与此不无关系。
例如，阿里巴巴的“OneID”数据银行融通了来自淘宝、直播网站和饿了么等多方的数据，可以对个体消费者进行非常立体的画像。

然而，机会和风险每每共存。
多源数据的领悟也显著提高了数据的可识别性（identifiability），对保护隐私提高了难度。
随着消费者隐私意识的觉醒，保护消费者数据的呼声也越来越高，工信部也开始大量点名下架违规网络个人数据的运用。
类似的，杭州十一中学在2018年引入的以人脸识别为根本的所谓“聪慧教室”，也由于对学生权利的忽略受到了诸多网友和媒体的批评。

合理的数据获取边界在哪里？随着获取数据的难度逐渐增大，人工智能模型是否能保持曾经的发展速率？商业模式是否会改变，能否再创造出更吸引人的运用？

其余一个值得把稳的趋势是，由于对抗神经网络等数据天生技能的涌现，使得假造数据变得非常随意马虎。
大概未来的消费者将很难区分一条新闻或者评论是真人写的，还是算法天生的。
这也为对真实数据的甄别和数据剖析，带来了巨大的寻衅。

人工智能算法普遍的底层逻辑是，确定了模型架构往后去定义一个目标函数（Objective Function），通过反复的循环演习不断优化目标数值，直到满意为止。
此时模型的参数被反复打磨，可以运用到实际场景中去。
这样的底层事理,决定了算法只是一个没有感情的数学机器，所做的决定根本上都是为了最大化或最小化既定的目标数值。

比如，外卖平台算法的核心目标函数，便是在固定时间内完成更多的订单，并且最小化客人的等待韶光。
以是，算法就会对每个骑手的路线进行方案以达到全局最优。
不过，在上面的例子中，实行算法指派的却并不是机器，而是一个个鲜活的人。
在一个非封闭的、不断变革的环境中，人每每无法担保像机器一样准确地实行指令。
算法给骑手的指令只是在多永劫光以内从A赶到B，却无法全面考虑到各种其他成分对完成指令造成的影响以及骑手的觉得。
而平台为了履行对消费者的韶光承诺，或是获取更多的利润，则会把骑手的收入与其对算法指令的完成情形挂钩。
在这样的设定下，算法用一个随意马虎的量化指标去决定骑手的收入。
骑手在受到某些外因的影响的时候，会为了完成任务铤而走险，酿造了很多悲剧。

科技公司过度关注、重视和监督可量化的核心指标，而忽略难以量化的方面，如安全性、人性关怀，导致“内卷”和其他类的员工事件，招来了社会上大量的争议，及对“AI 掌握人类”这种行为的批驳，和对AI技能本身的反感。

随着人工智能运用走进了消费者生活的方方面面，人们对AI的期望也越来越高。
十年前，人脸识别验证身份的创新让人们惊叹不已。
而本日，人们已经开始对查看身份证等“古老”行为感到诧异或者麻烦。
消费者对付科技巨子新品发布会的激情与AI时期刚刚开始时已经相距甚远，乃至不断地批评科技公司“炒冷饭”，缺少创新。
随着媒体近年来对人工智能技能的宣扬和畅想，人们对AI技能也有了更多的误解以及不切实际的期望。
消费者每每用“强人工智能”的标准去看待“弱人工智能”的运用，这样的期望落差会造成消费者对技能的一种厌恶感，并加深对AI技能的负面刻板印象。

人工智能给了我们很多美好的遐想，在大数据爆发的本日，AI技能的更新迭代会更快。
在潜在代价巨大的营销领域，对AI在细分领域的清楚认识，运用剖析以及代价链思考，能帮助市场营销的管理者更好地找到落地的场景，从而让AI创造出更多的代价，造福于消费者，并终极形成数据驱动的聪慧市场与智能社会。
同时，我们也认识到现有AI技能的短板和不敷。
我们认为，AI和营销的结合还有巨大的创新空间，智能营销未来的发展该当在技能进步、商业运用和隐私保护之间得到平衡。

关于作者 | 孙亚程：清华大学经济管理学院市场营销系教授，系主任；

李艾珅：清华大学经济管理学院市场营销系博士生。

任务编辑 | 高菁阳（gaojy@sem.tsinghua.edu.cn）