上海2021年5月18日 /美通社/ -- 以往的營銷效果洞察，往往滯后且營銷人員很難判斷到底哪里出了問題？為什么消費者會反應消極？只有在當消費者抱怨品牌在線消費體驗，跟品牌做售后投訴或提交低滿意度調研的時候，品牌主才明白營銷過程中出現了問題。
網頁日志會記錄每一個鼠標的移動和點擊，并快速顯示用戶不滿或網站出錯的地方。有很多網絡工具能捕捉并分析記錄網站的訪問，用熱力圖和漏斗報告來揭露這些問題區域，得出本來由人工分析的結果。
隨著消費者全圖景的數據成為可能，數據提供給營銷人員更多依據去了解營銷到底哪個部分出現了問題，告訴營銷人員如何采取進一步的動作，營銷也從數字化走向自動化和智能化。
本文通過分析消費者在消費旅程中會遇到的一些場景，以及Convertlab品牌客戶的智慧營銷解決方案經驗，解讀大數據下，AI 技術如何幫助品牌方實現增長、為消費者提供更優質服務體驗。
1. 全生命周期智能化營銷 -- 凈增ROI百倍增長
Convertlab PRE商品推薦系統(Product Recommendation Engine)的場景應用
很多大型電子商務平臺已經廣泛使用在線推薦系統，并且消費者已經習慣了一鍵式按鈕的線上平臺。一鍵越過放入購物車、付款、填寫發貨地址等所有步驟的功能，給消費者帶來突破性的便捷。
推薦1.0 是通過簡單直接的追蹤實現的，例如：
這種協作性的交叉銷售/升級銷售對品牌電商是很有幫助的。以Convertlab PRE商品推薦系統(Product Recommendation Engine)為例，在已經實踐的某全球著名快餐品牌的消費場景中。以PRE系統為基礎，為消費者推薦基于搜索某一商品數據的同一類或相關類產品，對產品的銷售有積極的作用。
一旦消費者選擇或者在一款“漢堡”頁面停留或篩選時間過長，甚至輸入了喜歡的“漢堡”的某一細節，比如“雞肉”。PRE系統是不會建議，在這個消費者商品頁面的顯要位置，放置過多例如牛肉漢堡或者豬肉漢堡的商品信息。
與此對應的是，PRE系統會在商品物料池中，通過多策略初篩、物品過濾、模型排序、規則調整（規則干預、多樣性穿插、新穎性等）等策略篩選出三款相關的“雞肉漢堡套餐”。并通過協作性的交叉銷售/升級銷售的推薦方式，展示更多相關的產品，例如雞肉類小食、佐餐飲料等產品。
另外，人們在購物車里放了什么？什么商品會被一起加購？不同的購物車里，商品是按照什么順序被一一購買的？哪些商品被移出了購物車？哪些商品在最后一刻被放棄了？
在一個或多個場景中構建模型，對于那些在購物車中還有未購買的商品就離開在線商店的消費者，通過相關數據的分析可以用來計算他們最終返回購買這些商品的概率。
基于這種計算，商家可以設定不同的廣告片段，這些廣告片段對應著不同的營銷策略。這使得利用模型針對后續客戶的營銷活動的效果是可控的。
A/B測試顯示，Convertlab 的PRE商品推薦系統給某全球著名快餐品牌的客單價帶來了將近20%的提升。另外，Convertlab利用在品牌客戶生命周期旅程，以及電商觸發重定向旅程（包含：搜索未下單、新產品推廣、下單未支付、下次購買推薦等執行策略）的營銷，為某服飾品牌的ROI帶來了將近百倍的增長。
2．個性化溝通 -- 推送轉化率提升2.5倍
Convertlab AI圈群（客戶畫像標簽和人群聚類）的場景應用
在營銷中，品牌若是想要進行高回報率的營銷活動，便需要對營銷受眾進行針對性活動投放，節約不必要的成本投入。受眾分群，即把具有相似屬性的受眾集中到一起，是進行精準營銷重要的一步操作。
營銷人員很清楚如果品牌想要擴大受眾群體，可以基于現有的人群，通過數據分析，找到類似于現有人群的并且最有可能轉換的人群，去擴大投放范圍。通常的做法是在DMP平臺提供一套算法，將一方數據輸入，通過DMP的算法規則，輸出制定類型的相關數據。盡管從理論上講，機器算法的維度有利于提高圈群的準確性，但現實生活中人群的某些特征有時是主動選擇的結果，有時是由于客觀條件而被動選擇的結果。因此需要預先或者通過效果反饋手動調整算法，以此達到更準確地圈群效果。
智慧營銷，或者具體說AI圈群的能力，源于人工智能、大數據分析等新技術。憑“機器學習的基礎算法”對用戶進行分類，程序編程對用戶進行精確分層，根據圈群的效果自動反饋，甚至“自我調整”。
Convertlab AI機器學習的回歸模型和聚類模型,將決定哪些變量最能預測銷售轉化，并自動剔除、修正客戶檔案中的干擾數據，產出客戶回復消息或參與活動的概率，將數據洞察帶入秒級甚至微妙級的地步。通過目標人群與受眾管理系統整合讓客戶可以根據分析模型來形成人群包，以及根據特征權重來制定畫像標簽，在意想不到的方向精準區分不同的消費人群。
在Convertlab客戶畫像標簽和人群聚類分析的AI模型實踐中，AI圈群的推送轉化率，比人工篩選、手動圈群高2.5倍。該功能系統在“短信喚醒沉睡客戶”的場景中同樣表現優秀。Convertlab 的某智能電器品牌客戶，對60天以上未訪問過小程序的會員，推送新權益上線通知短信的點擊率提升將近80%。
3. “推銷” -- 達標率提高20倍
Convertlab NBA行為觸發(Next Best Action)的場景應用
在約翰.沃納梅克的時代之前，就開始有人研究如何將商店里的商品銷售出去，而今在線推銷任務則交給了算法。根據近期行為和往期溝通，提供下一步溝通策略。
Convertlab AI NBA行為觸發能力所做的就是：當“輸入”客戶屬性、行為數據、溝通歷史、訂單記錄等數據，通過生命周期模型來判斷客戶處于什么狀態，通過“時機預測分類模型”來預測客戶下一個旅程的時間點，最后通過“溝通策略回歸模型”推薦消息文章庫中的“商品推薦、活動引流、戰敗挽回……”等行為策略。
在某零售銀行代發的場景中，Convertlab AI 行為觸發通過“做活動、贏權益”來刺激代發客戶資產留存。以往人工設計活動任務、運營權益投放，被AI助力“實時感知+實時營銷”技術，讓點擊率提高16倍，達標率提高20倍。
AI行為觸發能力判斷不同的消費者的登錄頁面上應該有哪些內容？它們應該如何展示出來？首先應該出現哪個顏色選擇？什么時候應該給予獎勵刺激？AI Marketing采用動態展示，為每一個消費者定制，所以它更接近于一對一的說服。
AI Marketing所有的能力讓有足夠多的人會因為這些營銷而購買產品，這使得品牌主實現超級增長。同時，通過AI Marketing消費者也往往能獲得良好的購物體驗以及拿到欲購商品的折扣。
Convertlab認為智慧營銷中的AI技術不存在單點突破，AI技術能力應該集中在一個平臺，是一種依賴營銷大數據、貫穿營銷全鏈路的能力。智慧營銷能夠實現品牌方和顧客的雙贏：品牌方達到了降本增效的營銷業績，而顧客也獲得了去偽存真的愉悅體驗。Convertlab AI Hub項目的落地，將賦能營銷讓更多企業用好智慧營銷，讓更多消費者享受智慧營銷帶來了便利。
智慧營銷圖景下的幾個其他場景展望
廣告投放
經典的轉化漏斗模型想象漏斗頂端站著很多人，這些人顯示出對產品的興趣，當他們向下進入漏斗，就越來越被吸引至漏斗底部，直到成為商品的消費者。
市場營銷人員必須決定如何進行營銷資源分配。當漏斗中部（說服）或漏斗的底部（購買）很明顯地需要改進的時候，營銷部門還一味增加廣告的投入，就顯得不那么明智了。 智能營銷需要做的就是使用機器學習來分析和篩這些分散在互聯網中的消費者“營銷大數據”，以確定哪些數據最有可能創造銷售轉化。這信息都賦予一個價值，高價值的信息將被翻譯成“潛在客戶”的有效數據。
通過消費者的搜索和其他行為分析，只要消費者“表達了購買意圖”，AI Marketing能力會通過廣告的形式，用熱情的攻勢影響消費者。這種廣告會在互聯網上緊緊跟隨消費者，它會在手機上新聞推送上看到商品的目錄，直到消費者再次進入營銷的世界。AI Marketing 某種角度證明了廣告是有價值的。
聯邦建模
對所有消費者一對一精準營銷一直可望而不可即。如果消費者注冊成為品牌的客戶，品牌會記住消費者所有的基礎屬性，甚至，更豐富的數據。但對匿名訪問者提供個性化服務，則有點棘手。 智慧營銷下的AI技術可以從經典的人群分類開始，并通過關系數據庫的嘗試進行實現。傳統的人群分類是有用的，但是對于精準營銷來說，關系數據庫的數據顆粒度還不夠。即使功能強大，但它的擴展性并不好。
在智能營銷背景下，品牌主需要亞秒級的反應實踐。Convertlab 未來基于與騰訊以及其他平臺的合作關系，通過AI“聯邦建模”實現“橫跨集團間品牌客戶，品牌間打通公私域”，解決“匿名訪問者”個性化溝通問題。人工智能在這里發揮了它的優勢：尋找最具預測性的屬性，而忽略其余部分；基于實際數據而非人類猜想做決定并不斷更新對消費者的“洞察”……
Convertlab 智能營銷中的客戶畫像標簽和人群聚類分析，匯集了品牌客戶“活躍人群”和“非活躍人”的用戶數據，其中包括可抓取的屬性、行為數據以及“聯邦”數據組成“訓練集”，一定程度上將解決“匿名訪問者”個性化溝通問題。
風控以及定價
風控也是未來AI營銷提供的應用場景。如何判斷當前的APP是否被劫持？APP運行環境是否為真？當前設備是否有 VPN/代理？APP是否在被非法調試？用戶是否存在“薅羊毛”的嫌疑？通過機器人控制腳本批量執行掃號、登錄、刷流量等操作。AI能力提供了很好的解決方案，這些場景都是可以通過AI功能的DVID設備指紋、規則引擎以及相關的聚類算法邏輯來實現。
另外一個常見的應用場景便是輔助商家定價。雖然某旅游網站曾經因為給使用蘋果ios系統和安卓系統的訪問用戶顯示不同的酒店價格而陷入了麻煩，某購物平臺也被曝出給先后購買同一個產品的用戶報不同的價格，而陷入品牌危機。商家動態定價的嘗試讓消費者感到不安，運用不當也會給品牌帶來危機，但也有積極的一面。
在幾個獨立的市場嘗試制定不同的價格，這可能是一個非常復雜的任務。當涉及單個產品時，動態價格優化是極其苛刻的，因為產品的價格彈性不同。品牌采用的算法是一種自我學習的方法，它根據不同產品的歷史購買來改變當前的報價，采用最先進的數據挖掘方法，以價格彈性為基礎設定定價策。
通過價格優化，完全可能出現在某個品類銷售總量下降的情況下總利潤仍然增長的情況。價格規劃和優化解決方案的使用，將這些策略中定價的元素可以映射到特定的定價方法并自動應用。玩弄人們對產品價值的認知是不可取的，但使用今天的技術來幫助設定價格是明智的。
