以AI为核心。 掌舵人。

任何营销人员都会告诉您，将AI应用于营销是当前的热门趋势，并且有可能破坏整个行业。 就在上周，甲骨文宣布将在其客户体验云中交付人工智能。 甲骨文的宣布是继主要市场营销云（如Salesforce，IBM和Adobe）发布了很长的新闻稿之后。 实际上，这个空间是如此炙手可热，以至于似乎有一场争夺AI最佳名字的竞赛，像爱因斯坦，沃森和Sensei这样的公司经常争夺最高收入。

但是，如果您不看这些可爱的名字，就会发现有真正的技术在起作用。 人工智能营销解决方案不仅仅是描述最近十年流行的协作过滤推荐引擎（例如Certona，MyBuys和Baynote）的一种新方式。 它们也不是本十年初发展起来的A / B / N或多变量测试工具（例如，Optimizely，Maxymizer和Monetate）。 毫无疑问，他们将利用AI技术的先进优势，例如图像/面部识别，自然语言处理/生成和机器学习，从根本上改变现代营销的方式。

当今的营销云不足

传统的营销自动化解决方案所面临的挑战是，它们只能像运行它们的营销人员一样具有可伸缩性或智能性。 尽管此类解决方案已经显示出针对特定的“如果/那么”场景自动执行营销的能力，但由于以下三个主要原因，当试图在大型B2C企业中广泛应用这些解决方案时，这些解决方案却远远不够：

1.为了获得所需的定位粒度，营销人员必须在数百甚至数千个广告系列中编写和维护数十个“如果/那么”规则

2.必须在进行广告系列投放之前就设置所有定位规则，因此初始成功仅取决于配置广告系列的营销人员的经验和“最佳猜测”能力

3.进行A / B / N测试以优化运动效果仍然是一个非常手动的，劳动密集型的过程，通常需要数据科学家参与进来并花数周时间进行提升或倾向建模，才提出改进建议，虽然有帮助，但只会对营销人员总受众的一小部分产生积极影响。

这些挑战的结果是，营销人员将时间花在制定活动规则，管理保留组和分析测试结果上，而不是具有战略或创意意义。 尽管对于当今的营销人员来说，“数据驱动”很重要，但摆锤的摆幅太高了：自动化和程序化广告系列已经非常注重改善短期开放和点击，以至于错过了优化长期ARPU（平均每位用户收入）和保留KPI（关键绩效指标），这些指标直接影响收入。

人工智能营销的初期-仅适用于工程师和数学家

多年来，颠覆性的B2C品牌已经意识到AI在吸引客户和增加收入方面可以发挥的作用。 可以说，亚马逊已经开发了世界上最著名的推荐引擎，依靠项目间协作过滤来驱动产品建议已有十多年了。 像Netflix和Spotify这样的娱乐和媒体公司也纷纷效仿，它们严重依赖于个性化，以保持客户持续参与。 像Stitch Fix或Trunk Club这样的零售零售商将自然语言处理和服装推荐等技术与人类造型师的输入相结合，来决定将哪些商品发送给哪个消费者。

但是，直到最近，要使用人工智能来推动市场营销和客户体验，就需要组建一支由数百名工程师和数据科学家组成的团队，以花费数年的时间为手边的特定用例构建和完善优化模型。 随着Amazon和Microsoft等主要云提供商的崛起以及大数据工具和基础架构的发展，机器学习功能比以往任何时候都更容易获得，而TensorFlow，Azure ML和Spark MLlib等现成的产品就可以提供。

从开发人员到营销人员都可以使用AI

使用现成的ML工具消除了从头开始完全编码AI的需要。 但是，它们仍然需要大量的自定义，并且必须是核心工程师或高级数学家（或两者）才能充分利用这些工具。 但是，随着越来越多的参与者希望为营销人员提供与他们当前的营销解决方案无缝配合的工具，这种情况正在改变。

在主要市场营销云的新闻稿中，最容易看到这种提供对市场营销者友好的AI工具的演变。 仅在4月份，Salesforce就有70次不同的新闻报道，谈论爱因斯坦如何帮助推动其Marketing Cloud。 移动营销公司Kahuna最近重新定位从移动营销公司转移到通宵转变为AI驱动的跨渠道营销平台的过程中见证了点解决方案也正在进入游戏。

Salesforce Einstein应用AI模型来解决各种云**定的狭窄用例。 图片由Salesforce.com提供。

在绝大多数情况下，现有的营销技术提供商（主要的营销云和点解决方案）都遵循类似的路径。 他们正在收购庞大的数据科学家团队，他们将建立和部署模型以针对狭窄的用例，以提高营销参与度和有效性。 要了解这一点，只需看看Salesforce及其与爱因斯坦的关系即可。 Salesforce已收购了至少10家AI公司，组成了由175多名数据科学家组成的团队。 反过来，这些数据科学家将AI模型固定在现有的旧版营销云基础架构上，以帮助解决整个营销领域的一些关键难题，例如优化在适当的时间向消费者发送电子邮件或预测客户的可能性打开或单击特定的电子邮件。

如Salesforce在其公司博客中指出的那样，内置的AI解决方案可以在当前的日常业务营销基础上增加增值。

“营销云Einstein已经处于测试阶段将近一年了，我们已经看到了一些巨大的成果。 我最喜欢的例子之一是电子商务和优惠券公司ShopAtHome。 通过根据预测性分数重新定义客户参与度，该公司的电子邮件点击量增加了23％，电子邮件打开量增加了30％。 ”

—由Salesforce博客文章“欢迎来到智能营销世界”提供

但是，在当今拥有联系客户的世界中，仅优化打开和点击是不够的。 当今的关联客户期望与品牌建立长期的，增值的关系，因此企业必须针对长期的KPI（例如，每位用户45天的平均收入或60天的保留时间）进行优化。

出于充分的原因，基于传统基础架构构建的AI附加解决方案无法支持这种方法。 B2C企业的平均水平在角色数据（名称，地址等），行为/使用数据（例如游戏数据，语音消费数据）和营销互动数据中为其每个客户平均拥有100多个属性。 通过组合这些属性，有超过2 ¹⁰⁰种不同的排列组合数据用于测试和目标定位。 当在这样的文章中写时，这看起来似乎是一个很小的数目，但是当您考虑以秒为单位的Universe的长度为2 ^44的事实时，很明显，将AI连接到现有的传统基础架构上来解决狭窄的用例并不是一件容易的事。在当今连接客户的世界中已经足够了。

将AI应用于营销堆栈的核心

为了针对客户生命周期价值指标（例如收入和保留率）优化长期KPI优化，需要重新构想以AI为核心的现代营销云。

在当今的营销云架构老化的世界中，将AI应用于现代营销云的核心可能会造成干扰。 例如，Amplero自己的人工智能营销（AIM）平台将机器学习和多臂匪盗实验作为核心，创建了营销自动化和优化工具，可快速运行数千个递归测试，以不断优化每个客户的互动并适应快速发展的需求。几乎所有营销渠道上的消费者行为，其规模都是人为不可能的。

应用于核心的AI能够推动自主营销和持续优化：

• 自动机器学习营销可以快速集成并激活不同的数据环境，并将营销解决方案指向创收活动。
• 通过多臂土匪实验进行的连续测试在不断探索新可能性的同时，通过利用KPI提升量（值）的口袋在数学上优化了KPI提升。
• 自适应优化可确保及时响应客户或市场动态的变化，而无需人工干预。

除了推动改善的营销活动执行和优化之外，以人工智能为核心的营销云还产生了有关营销活动，客户和环境的大量见解，可以通过警报主动将其反馈给营销人员，以帮助指导未来的营销策略和创意。 这些学习将自动应用回AIM平台，以不断优化KPI性能。

Amplero人工智能营销平台。 在上图中，带有深紫色横条的行显示，特定活动比浅紫色活动更频繁地进行，因为它们对KPI提升具有积极影响。

尽管Amplero是将AI应用于营销堆栈核心的早期领导者，但其他采用类似方法的公司包括Optimove，Advorithms和Motiva。 总的来说，以AI为核心的公司正在使用机器学习来计划，个性化和优化客户旅程中的每个交互。

显然，我们正在进入营销云的新时代-人工智能竞争的时代。 以人类为主导，以人工智能为核心，无限的可能性是无限的。