从用户全生命周期到AI营销 深度解读AI在营销中的应用

大图2021年02月22日 10:41
cover

营销是理解消费者的行为,进而试图影响消费者行为的学科。用户看到什么东西,注意力在哪里,兴趣在哪里,需求是什么,影响消费者的消费行为的因素是什么,都是营销这门学科关注的重点。

从70年代开始,营销把关注的焦点放在货品上,之后将关注点转向了以交易为目标的营销;从21世纪开始,营销人员开始关注怎么样全面管理消费者的关系;而最近这些年,营销人员更加以人为本,关注如何深刻理解个人、如何理解消费者的情感、如何构建一个忠诚度的维系。

随着消费者全图景的数据成为可能,数据提供给营销人员更有依据的理由采取进一步的动作,营销也从数字化走向自动化和智能化。在“以人为本”的当今营销市场中,智能营销的话题已经成为品牌和企业绕不开的话题。

本文通过梳理Convertlab的智能营销理念,从用户的全生命周期分析AI营销如何在营销中产生作用、现阶段AI营销关注的热点以及我们建立AI Hub的初衷。

1 回归用户全生命周期

消费者的购买行为并不是一个简单决策行为,它受到外因和内因的影响。消费者的购买行为的内因是消费者对自己生活认知的集中体现,消费者的基本属性是怎么样的、生活方式是怎么样、如何产生消费需求,都影响了消费者决策的过程。品牌利用用户画像理解消费者是什么样的人,理解这个人的行为,是通过内因去洞察消费者本身。

消费者行为的外因是品牌施加的一些影响力因素。比如品牌利用商城、短信、邮件、H5……,利用不同的营销方式和营销物料去触达消费者,这些行为是能够影响消费者决策的外因。

最终品牌希望通过对这些内因和外因的洞察,运用营销手段在消费者身上施加特定的影响,让消费者的行为向品牌希望的方向发展。

从品牌方的角度,影响消费者决策的动机反映在品牌与用户的行为关系上。品牌方希望了解消费者是如何评价产品,在各种因素的作用下消费者怎么才会产生购买行为以及理解购买行为的动机……

这些品牌方想要解决的问题,在大数据时代都能找到解决方案。通过分析消费者的各种数据,包含消费者画像、行为数据等,不断引导消费者买单,在通过售后的营销场景,回收更多的消费数据,形成循环,通过这些回流的新数据,进一步再去改进跟用户交互的方式,怎么做多点地触达,形成再次消费(复购),这也一体化营销云Convertlab产品DM Hub一直在提供的解决方案。

从这一个维度切入,任何的一个新产品,品牌如何让用户了解这个产品,怎么做拉新,通过什么方式触达客户,如何提高消费者转化率,怎么促进消费者活跃和下单,怎么促活沉睡的消费者,如何做会员管理维系与消费者的联系……回归“用户全生命周期”是在留量时代黄金十年的每一个品牌需要思考的问题。

2 AI营销如何在用户全生命周期内做到个性化投放的最大效率?

AI营销的优势简单来说,就是通过大数据分析、深度学习、算法模型更深入地挖掘用户的喜好、分析用户的潜在需求、进而转化销售的效果,新技术的赋能进一步打破了营销碎片化的僵局,并将这种“数据洞察”带入秒级甚至微秒级的地步。

我们认为的AI营销有几个阶段:

第一个是自动化,利用机器帮助人,省掉人工重复低效的工作;然后才是智能化,智能和人工的一个结合是机器和人的结合,建立模型让机器拥有人一样学习思考的能力是实现智能营销的关键。

在Convertlab的品牌智慧营销的客户解决方案的实践中,Convertlab PRE(商品推荐系统)的场景应用给品牌客户带了ROI百倍的增长,“联邦建模”和“AI圈群”的应用场景给客户的内容推送转化率带来2.5倍的增长,NBA(Next Best Action)行为触发的达标率提高20倍……

我们认为AI技术能力应该集中在一个平台,是一种依赖营销大数据、贯穿营销全链路的能力。

在自动化营销领域,我们现在能看到很多行业内的运营平台,这些平台的操作性都非常简便。以Convertlab的一体化营销云平台DM Hub为例,标签体系、自动化流程甚至营销物料的制作等,都做到了具有行业标准化的水平。

这些营销自动化平台逻辑涉及到算法规模化,数亿用户在DM Hub这样的平台中已经完成了60亿次以上的客户事件(截止2020年)。在平台内,首先对这些多渠道的用户数据做收集和整理,基于这些数据通过算法、模型等形成文件的策略,指导营销活动。

通过平台的深度分析以及营销结果数据的自动回流,将这些数据反馈给营销运营人员——为什么这样做、营销活动做得好不好,通过反馈,不断去改进品牌的营销行为。这也就是我们常说的数据回收、监测以及敏捷迭代。

怎么样通过机器“大脑”决策指导营销活动跟用户的沟通,是智能化的一个课题。

品牌方想触达什么样的人,用什么方式触达,并完成个性化的投放,提升客户的体验感。例如:可以在APP或者小程序中通过显示不同的东西、推荐不同的东西;用户搜索产品,根据每个人的喜好给不同的消费者看到他们更感兴趣的产品;品牌方还可以主动触达用户,给消费者发一个短信,利用人工智能生成这句话,而通过智能化的手段,根据每个人的标签画像不同推送不同措辞和风格的营销内容。

这种方式是针对用户感兴趣的东西、帮助用户接触和理解产品,从而提高营销的转化率产生最大的投放效率。

在AI营销以前的时代,大多数关于行为洞察的问题,或多或少都需要运营人员参与,而在现在,营销过程中的每个方面,都可以由机器大脑来进行决策;进行决策以后,再把这些东西触达到用户身上;在交互过程中,“大脑”实时反馈、实时更新,不断调整营销策略、不断改进,让大脑不断演进,未来的AI营销基本是这样的过程。

成功的营销策略至少要做到个性化投放的最大化效率

成功的营销一定是多次触达,跟多个用户、不同地方的个性化交互;另外任何的营销都涉及到成本问题,怎么控制营销的成本同时可灵活调整目标是实现最大化效率的关键。

AI营销系统需要“自我调整”,AI营销强化学习形成一体化的解决方案,实时预测在线应该怎么投放、怎么触达用户,跟踪用户的生命周期以及多目标融合。这是通过跟用户交互来学习、建模,不断改进AI营销系统的算法,最后完成AI营销系统的“自我调整”。

3 营销中的AI应用的几个热点:可解释性和边缘计算

“以前的算法都是离线,比如每天更新一次,但现在随着计算能力越来越强,我们技术越来越发展,我们是要走向实时化。”深度学习是这些年已经最流行的一个算法,以下稍微解释一下可解释性和边缘计算。

什么叫可解释性?我们构建一个机器学习模型,人是不能理解的。因为一个模型可能有上亿的参数,通过建立模型做出的一个决定——这个人喜不喜欢这个产品,这个结论大多数情况下是很难跟“个人”解释的。比如神经网络深度学习模型,它不能告诉你这个事情的具体逻辑。

所有的机器学习在特定的方面是很强的,但是它在其他方面很弱。这好比一个数学天才,它也许可以解开复杂的方程,但是它的交流能力、沟通能力也许特别差。它能力非常强,但是你没法跟它交流,你不知道他为什么做了这个决定,很多时候它也没法主动跟你交流说理解这个业务。

毕竟做任何一个营销活动,品牌还是希望能够理解为什么我们做了这件事情,我们需要从中产生一些洞察,哪怕先训练一个黑盒模型,也会基于此尝试去产生一个白盒的人群洞察。有了这个人群洞察以后,我们会尝试分析和理解它,能帮助我们更好作出这个营销的决策。这个过程就是人和机器的结合,这也是在近些年机器领域很热门的一个点——可解释性。

边缘计算,也是这几年AI营销热点之一。

数据都要把它发到一个数据中心去做很复杂的处理,然后再把这个决策从云端发到手机上去执行,这叫云计算。边缘计算是什么?很多计算很多是在用户手机上完成的,它不需要上到云,为什么呢?

具体来说,有调查显示,到2020年每人每天平均将产生1.5GB的数据量,这个数据量非常大,不是说所有数据都值得或者都应该把它上载到云端的,因为在云端的存储也需要很多开销。

所以这些数据不一定非要上载云端,但这些数据有没有用呢?其实很有用,因为每一个跟手机上APP的交互都蕴含了里面的信息量,都是可以帮助品牌理解用户。还有很多很细微的数据,这些数据是不是都会上载到云端?其实不会!但它会不会影响决策?其实是会的。

我们现在的终端——手机,计算能力非常强。它远远大于十年前一台PC机,它已经可以执行一些模型的推理甚至是模型的构建,它完全是有这个能力的,所以就会有边缘计算这个概念。

我们很多决策,大的决策是在云端做出的,这个决策到了手机端,根据手机上实时产生的数据再做调整,这个调整是在手机上完成的,当然手机只是一个代表,其实还有很多其他终端设备都可以做这个边缘计算,这也是这些年的热点之一。

4 我们理解的“工具化”:智能敏捷模型快速复制,既为己用更对外开放

我们理解的工具化即最终我们是希望能够有一套智能应用的框架,使之非常容易地应用到各个不同的场景。

比如说蚂蚁金服的服务,有花呗、借呗、余额宝、理财等,各种各样的。需要把(一套智能应用框架)快速复制到这些业务里,哪怕不断产生新业务,需要有一套框架能被快速复制到所有新场景,这就需要把这些东西非常好的工具化。

所以我们会有一套智能应用的体系,这里面底层是以数据为基础的,上面就有智能决策的引擎,里面包括各种各样的办法,最终做成一个数据产品。这个数据产品会支撑内部应用、外部应用,比如外部应用是跟很多第三方合作的一些机构、平台,他们最终会触达用户。当把这套智能应用的体系做好以后,能在满足自己使用之外,快速的把我们的能力复给别人、快速复制到不同场景里。

Convertlab对产品矩阵中AI Hub的理解,也基于我们对“工具化”的理解,AI Hub是一套智能应用的框架,我们希望这个平台更敏捷、更智能、更开放,能够快速复制的智能化,同时开放给我们的合作伙伴。

如何把人的神经元和机器神经元结合起来,一起做出一个决策,这是需要不断被探讨和深入研究的。有了AI Hub(两者相结合的)神经元以后,我们还要快速执行,这样才能把智能营销做出来。它是持续不断的过程,这也需要我们深入理解这个产品形态,把前中后结合起来才能更好做出决策。


AI营销顾问:Convertlab AI Hub 产品经理 吴奕旻

参考:蚂蚁金服数字金融智能运营彭业飞主题演讲

《数字金融AI智能运营实例》

[美]吉姆·斯特恩《人工智能营销》

让营销变得简单,让增长自然而然