你的心思TA来猜 | AI营销一二事

2018 年 8 月 9 日 线性资本
小线菌

在这个数据流动的时代,“智能推荐”早已不是什么难事,“猜你喜欢”更是销售应用的必备法宝。可以肯定的是,AI与营销的结合在备受关注的同时也引起争议。人与智能技术的结合可以为企业提供先发制人的营销策略,通过建立数据模型提供策略建议,大大节省企业的时间,提高营销的效率。但同时,数据隐私问题牵动着人们的心弦,企业的一个无心之举可能随时面临着被推上风口浪尖的危险。

今天这篇文章,小线菌将带你走进这个商机与争议并存的矛盾体,了解AI营销的一二事。



早些时候,大家做营销活动都还比较草率。那时候人们拥有的是海量却不精确的营销信息,而且也不考虑个人信息(如地域,性别,年龄等)以及顾客偏好。如果说这种草率且不精准的营销策略在那个时候还能够接受的话,这种日子现在已经一去不复返了。


如今,市场营销活动需要通过高度个性化的信息来吸引潜在客户和留住现有客户。这种个性化的营销沟通是基于多种各种因素的:比如个人行为和偏好;对于顾客接受广告信息时周边环境的考量(context-awareness)——如一天当中的某个时间或某个地理位置;提取核心用户群数据信息等等。




像Spotify,Amazon和Netflix这样的公司在这方面是领头羊,并从某种程度上来说设定了这个行业的玩法。在互联网上抓取到的用户行为,会被这些公司立即被用来优化用户体验和产品推荐,从而产生更个性人化的品牌体验关系,同时提高了用户的忠诚度。


然而,个性化、量身定制的市场营销在依靠人力制定营销策略的情况下会迅速达到天花板——毕竟人的能力总是有限的。像这种细分顾客的行动需要各种信息:精准的信息传递,针对目标人群投放正确的用户并且投放相应的社交媒体广告,基于用户平时其他的选择做出产品推荐。所有这些都需要大量的人力和时间成本,而这往往远远超出了营销部门的能力。


但是,如果有了人工智能的帮助,大规模地进行个性化的市场营销变得可能。在服务流程中的所有环节里,营销人员都需要依赖于数据输入和更有效的机器驱动的AI应用程序。当然,这并不一定意味着,基于AI的应用程序可以在没有人参与的情况下自行运行(这样的话那恐怕得先把阿西莫夫机器人三定律应用上)。事实上,基于AI的算法的表现得以改善,都依赖于人类的监督,进行数据清理和确保正确运行。



视觉领域的市场营销AI应用


许多新兴的技术进步,如自动驾驶汽车自驾车和早期的癌症检测,都依赖于以图片识别为基础的AI。其背后的机制是,为一个算法提供一个有已知结果的训练数据集,让其识别数据里内含的模式,最后做到对于那些新的,从来没见过的数据可以做出准确的预测。以下是目前市场上准备的三种基于AI的视觉领域的技术:


1.应用视觉信息的零售分析和精准营销定位


拥有实体店的公司可以通过视觉零售分析和分析供应商从AI技术中获益。基于商店内外的全天24小时摄像头,机器学习算法可以识别出一些和业务相关的关键信息,例如使用面部识别技术去挖掘的商店内顾客的行为模式,或不同商品摆放格局的效率。这些信息因数可用于优化商店的运营工作和设计。



然而,AI驱动的视觉零售分析工具不需要局限于店内经验。例如,今天的快餐店能够使用基于视觉的人工智能技术将经过的车辆的牌照读取到就近的连锁店,然后使用公共第三方数据将牌照信息与个人信息相关联。根据这些输入和他们分析出的行为模式,创造超个性化的宣传营销策略行销企划。要注意的是,在应用这些技术时,零售商需要尊重并意识保护客户隐私。


2.用户生成内容中的图像和视频识别


各大品牌对于任何在线和离线渠道上关于他们的讨论一般都非常关注,特别是他们的公关团队,无论是积极的还是消极的。随着视频驱动的社交渠道如Snapchat,Instagram,Pinterest和YouTube的广泛应用,许多数字对话和讨论不再以更容易处理的文字方式发生,而是通过用户生成的图像和视频内容的方式。



使用基于训练数据的深度学习技术,基于视觉AI的解决方案已渐渐发展起来。它依托于品牌大规模地监控各种社交媒体渠道,并识别任何相关的视觉模式,如品牌标识或个体个人产品,然后将这些发现提供给社交媒体团队进行审查并用以指导消费者互动。


3.智能数字资产管理


数字资产管理利用与UGC(User-generated content, 用户生成内容)媒体处理类似的技术方法,现代DAM(Digital Asset Management解决方案利用人工智能技术自动将语义元数据应用于营销资产,从而无需进行详尽的手动标签分类。许多大型市场营销组织在数字资产运营中缺乏管理。由于基于机器的标签增加了已经生产和许可的数字化媒体资产的可发现性,因此媒体生产成本和许可成本可以大大降低。



那么,除了图片和视频识别,AI市场营销应用还有什么方式?AI会成为市场营销的万能药吗?这些问题小线菌会在今后的推送中一一为你揭晓。


小小剧透一下,下一期小线菌将和你聊聊语义相关的AI营销应用,敬请关注!




文章来源:数问数据科学社区(有删改)

作者:Thomas Prommer



五分钟,你可以掌握一个科学知识。

五分钟,你可以了解一个科技热点。

五分钟,你可以近观一个极客故事。

精确解构科技知识,个性表达投融观点。

欢迎关注线性资本。

Linear Path, Nonlinear Growth。



登录查看更多
0

相关内容

营销/市场营销Marketing),港台地区译为行销/市场行销。根据美国营销学会(AMA) 2008年的定义,市场营销是创造、传播、交付和交换那些对顾客、客户、合作伙伴和社会有价值的市场供应物的活动、制度和过程(2012年《营销管理·第14版》,科特勒等著)。 氢网:关注市场营销策略的经验分享平台
商业数据分析,39页ppt
专知会员服务
159+阅读 · 2020年6月2日
【SIGMOD2020-腾讯】Web规模本体可扩展构建
专知会员服务
29+阅读 · 2020年4月12日
【WWW2020-微软】理解用户行为用于文档推荐
专知会员服务
35+阅读 · 2020年4月5日
专知会员服务
123+阅读 · 2020年3月26日
《人工智能2020:落地挑战与应对 》56页pdf
专知会员服务
195+阅读 · 2020年3月8日
【德勤】中国人工智能产业白皮书,68页pdf
专知会员服务
299+阅读 · 2019年12月23日
用户研究:如何做用户画像分析
产品100干货速递
44+阅读 · 2019年5月9日
Python数据分析案例实战
炼数成金订阅号
5+阅读 · 2019年5月9日
深度 | 推荐系统如何冷启动?
AI100
17+阅读 · 2019年4月7日
【干货】电商数据中台如何构建?
AliData
11+阅读 · 2019年4月4日
推荐系统
炼数成金订阅号
28+阅读 · 2019年1月17日
从代码到300优质客户,用户画像在销售的实战应用
R语言中文社区
5+阅读 · 2018年6月16日
新闻客户端AI推荐系统解析
产品经理读书会
9+阅读 · 2018年1月12日
【大数据】如何用大数据构建精准用户画像?
产业智能官
12+阅读 · 2017年9月21日
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
Adaptive Neural Trees
Arxiv
4+阅读 · 2018年12月10日
Arxiv
6+阅读 · 2018年1月29日
Arxiv
7+阅读 · 2018年1月18日
VIP会员
相关VIP内容
商业数据分析,39页ppt
专知会员服务
159+阅读 · 2020年6月2日
【SIGMOD2020-腾讯】Web规模本体可扩展构建
专知会员服务
29+阅读 · 2020年4月12日
【WWW2020-微软】理解用户行为用于文档推荐
专知会员服务
35+阅读 · 2020年4月5日
专知会员服务
123+阅读 · 2020年3月26日
《人工智能2020:落地挑战与应对 》56页pdf
专知会员服务
195+阅读 · 2020年3月8日
【德勤】中国人工智能产业白皮书,68页pdf
专知会员服务
299+阅读 · 2019年12月23日
相关资讯
用户研究:如何做用户画像分析
产品100干货速递
44+阅读 · 2019年5月9日
Python数据分析案例实战
炼数成金订阅号
5+阅读 · 2019年5月9日
深度 | 推荐系统如何冷启动?
AI100
17+阅读 · 2019年4月7日
【干货】电商数据中台如何构建?
AliData
11+阅读 · 2019年4月4日
推荐系统
炼数成金订阅号
28+阅读 · 2019年1月17日
从代码到300优质客户,用户画像在销售的实战应用
R语言中文社区
5+阅读 · 2018年6月16日
新闻客户端AI推荐系统解析
产品经理读书会
9+阅读 · 2018年1月12日
【大数据】如何用大数据构建精准用户画像?
产业智能官
12+阅读 · 2017年9月21日
相关论文
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
Adaptive Neural Trees
Arxiv
4+阅读 · 2018年12月10日
Arxiv
6+阅读 · 2018年1月29日
Arxiv
7+阅读 · 2018年1月18日
Top
微信扫码咨询专知VIP会员