人工智能（Artificial Intelligence，简称AI）是利用机器学习和数据分析方法赋予机器模拟、延申和拓展类人的智能的能力，本质上是对人类思维过程的模拟。AI概念最早始于1956年的达特茅斯会议，受限于算法和算力的不成熟，未能实现大规模的应用和推广。

近年来，在大数据、算法和计算机能力三大要素的共同驱动下，人工智能进入高速发展阶段，尤其是数据量的剧增，更是为AI提供了核心要素。除基础信息外，我们在APP、小程序、官网等产生的各种行为、交易都可以作为数据的原料，再结合业务分析与算法，设计出适用的模型，通过大量的运算与校验，最终实际落地到对应的场景去解决实际业务问题，可以替代传统人工决策的过程，可以计算出人脑思维可能覆盖不到的面等，这一过程称之为AI Marketing。

Convertlab 联合创始人兼 CTO 李征

AI 还有更广泛针对整个业态的应用，例如对销售情况的判断，做门店的选址，捕捉市场上热门商品的信息，等等。Convertlab 联合创始人兼 CTO 李征总结了AI 与营销的结合，主要针对顾客（customer）、服务（service）和市场（market）三方面产生作用。随着AI 技术的发展，营销与 AI 的结合日益加深。AI 将彻底改变营销人的作业方式。

AI 营销的价值落地

每一次技术与时代的变革都在改变消费者的习惯，用户不再满足于企业单方面输出的营销手段。大多数人听说AI主要是在2012年之后，尤其是2018年，那一年我国人工智能企业融资总额将近1500亿。也是在这么一段时间内，AI被认为是必然的技术趋势，许多企业在这段时间都疯了一般的涌入这个赛道，从中走出了很多技术导向型的AI企业。但这些企业在2019年步入艰难期，AI应用场景有限，「奇点」利润无法出现，融资遇冷。恰逢此时，营销行业的春雨却刚到来。传统AI技术导向型往往更注重基础通用模型的投入，并在此基础之上去寻找AI应用的市场，这样会有一个问题，传统基础模型的设计上主要是从技术角度出发，并没有吸收诸多实际业务场景中出现的问题方法，存在很大的局限性，是一个先有AI，再寻找市场的过程；所以换个角度去思考，为什么不从产业互联网的思维，从Marketing到AI呢？用业务来驱动AI创新以及落地。

我们将营销业务方向分为四个层面认知（Awareness）、兴趣（Interest）、购买（Purchase）、忠诚（Loyalty），从线上线下曝光认知到接触产生兴趣，以及购买时与购买后的忠诚培养。每一层都可以由业务+AI来提供不一样的可能性，例如结合已往的经验，利用广告点击预测模型来提高用户认知；也可以通过马尔可夫转移矩阵的统计模型（Markov chain Model）+梯度提升决策树（Aka xgboost）+购买率预测模型（Probability of purchase Model）+一定的业务经验来对用户的兴趣行为进行模拟分析，并引导其走到最佳下一步（Next Best Step），而传统的Lifecycle营销策略是只会基于品牌方设计的既定最优旅程走（从浏览广告->点击链接->关注->注册->加入购物车->购买->引导复购），既不够个性化，且顾客覆盖面低、需要耗费大量人工调优。但对于经过AI赋能的Lifecycle不仅可以解决传统策略的缺点，拥有每类用户发生过的真实行为作为训练依据前提下，同时也会对非活跃类用户进行冷启动算法响应，进行更加精细化的处理，做到真正从业务问题角度出发，去寻找合适的AI技术来解决问题。而最终经过验证有效的智能策略能给用户带来舒适的体验，提升用户忠诚度。

「例如我们通过自动化的预测性洞察，识别出企业的潜在客群和潜在的经营模式，并且做到个性化的客户运营。」李征举例说。对于企业营销人来说，确立了AI 技术希望实现的价值之后，就可以确定在哪些环节引入 AI 技术。「引入 AI，不是一个纯工具的问题。」李征介绍说，「它首先涉及企业的经营的业务流。如果还没有搞清楚企业的核心经营业务流、商品业务流，以及需要解决的核心业务问题，需要如何以客户为中心重新塑造客户旅程……这些问题如何没有解决，AI 技术不会起多大的作用，甚至会取得相反的结果。」

因此李征建议，采用 AI 技术的前提条件，是企业要理解清楚在数字化时代，如何更好地以客户为中心经营企业，以此为基础的业务驱动，才能判断出 AI 能在哪些方面优化、改善经营活动，降本增效。

除了对业务的理解，企业还需要有相应的人才或者组织架构去配合 AI 落地。换句话说，企业需要懂得 AI 适合哪些场景，或通过供应商了解 AI 的应用场景，理解 AI 实施需要的数据基础，企业也需要有一些组织上的调整适应新技术。「AI 是一项工具。但它的整个落地过程，是整个企业数字化路线图的一部分，涉及到业务流程、组织、基础设施等方面，甚至包括业务的重新梳理。」

AI 营销的实施：从自动化到智能化

企业采用 AI 技术的过程，是一个从「自动化」到「智能化」的过程。所谓「自动化」，意指企业采用了 ERP 等系统，实现了资源管理和业务流程的自动化。李征认为，「自动化」意味着企业整个业务流可以用数字化的方法去表达了。亦即完成自动化之后，企业的客户服务能力、经营能力、执行能力等等，都可以通过数字化流程体现在系统里。「例如表单系统，员工提交申请单、请假单这些单据，是通过系统完成的，并且自动化地按照一定的规则去推进的。」在李征看来，自动化是企业数字化转型的前提。

而「智能化」是「自动化」的下一个阶段，意指在自动化之后，发现部分问题可能用智能化解决。李征特意强调了「部分问题」，意指并非所有流程都是智能化，都通过 AI 来完成；而是用 AI 技术来完成里面最核心的智能化决策、智能化分析和智能化联通等能力。

在过去，某行业客户在AI介入前，设计传统自动化的营销策略，需要用12人进行数据收集、业务分析、策略设计等工作，耗费12个月实际落地，最终产出了13个行为类Use case、电子渠道GMV提升了2.95%。而在Convertlab AI介入后，耗费人力缩减到8人，主要进行业务分析、模型设计开发、数据工程等工作，耗费时长3个月，最终实际产出行为类Use case32个，电子渠道GMV提升将近6%。总体来说通过AI的投入，以更小的成本，带来更大的收益。「我们找准业务场景，用合适的AI 技术，用真正少于人力的投入，有更好的产出甚至是倍数级的KPI提升。」

「自动化最后肯定走向智能化。」李征笃定地说。在系统基础设施尚未建设的时候，很难进行企业的系统性优化过程；但是一旦完成了自动化，形成了业务流程、数据流程，意味着系统基础设施已经建成，接下来的工作就是优化过程。而优化过程恰恰是机器比较擅长的，自然就会因为优化的需求而引入 AI 技术。

AI 营销的成本

当然，对于企业来说，是否采用 AI 技术的一个重要指标，是成本。如果企业只是盲目地投资于 AI 而一无所获，哪怕只用了 10 万元，也全部都是成本。李征因此提出估算采用 AI 技术成本的几个指标：

首先是业务场景的选择。企业要选择合适的业务场景，投资 AI 才可以获得较好的回报。换句话说，企业对 AI 能解决什么样的问题有基本判断，AI 技术需要和商业逻辑结合，企业需要建立一个衡量框架，衡量 AI 技术将带来多少回报，顾客体验提升、成本下降、AI 带来的额外的品牌价值，这些都可以作为衡量标准。

其次是 AI 体系建设所需要的成本。近几年，由于整个基础的模型库、云上的 AI 基础设施基本完善了，所以企业在最基本的基础设施、算法研发等方面的成本已经极大地减少了。当然，围绕用户场景如何建模，模型训练和验证，这些工作在现阶段仍然需要较高的成本。目前只有头部客户具备了足够的预算可以去进行相关实践。李征认为，如果头部客户的探索基本完成，模型和业务场景基本固定之后，这些成果会向中型企业、腰部企业扩散，最主要的成本仅仅是模型的参数调整、迁移学习以及简单的优化等工作，成本有望大大地降低。

第三部分的成本在于数据质量的控制和清洗（可能占总成本的 50%）。随着 CDP 普及率越来越高，这部分成本也会较大规模的下降。

最后影响成本的因素是 AI 技术采用的精细程度。「哪怕提高一个百分点的准确度，投入的成本可能会是指数级增长。比如说达到 75%的执行率，可能需要投入 1000 万的成本；但是达到 80%的执行率，可能需要投入一个亿的成本。」所以李征建议说，企业需要考虑业务场景和经营规模，为了达到边际效益递减的执行率，回报率是否足够充分。对于中型企业来说，选择较低成本的执行率，已经能起到很好地作用。

AI 营销的「边界」

AI Marketing解决方案覆盖5个层面，分别是Product（AI Hub）、Domain、Model、Data，利用业务知识与AI技术相结合打造产品/工具，服务于不同的营销场景，在服务的过程中采集正向反馈信息对产品以及底层的模型数据进行持续学习优化；数据是AI的基础，Convertlab的AI Marketing解决方案会集成强大的数据处理能力，通过GDM将自有数据、合作方数据以及其他第三方数据整合抽象成一个共同的语言体系，生产出画像树、特征池、标签组等 AI的元数据，通过不同应用方向中的模型运算，触达到不同应用领域。

AI 技术不能「一个人在战斗」，一个完整的智能营销生态应该是由CDP+MAP+AI组合而成。传统AI的模型的设计，将近40%的时间都花在Data Loading和Data Cleaning上，而CDP可以完美地将前面这个步骤囊括在内，由CDP对各方数据进行清洗过滤，同时可以规范抽象出合理的数据结构，以及一些简单的标签特征，提供给AI工程师使用，可以让AI工程师更更专注于模型的设计上。同理，模型设计之后的触达、监控、调优，则需要MAP来执行，形成闭环。由AI介入后的营销产品，将会进行更加紧密的协作，真正的将数字化生态进行有机融合。

照此来看，AI 技术产生价值的前提是有 CDP 相配合，一些数据相关的工作都交由 CDP 来完成，AI 就不需要管理数据质量、数据采集等工作，并且 CDP 会保证数据的新鲜度。李征提出「边界」的概念，即一部分工作或功能是不需要 AI 去完成或实现的。AI 与 CDP 之间存在的边界，也是算法与数据的边界。

第二个边界是 AI 与自动化的边界。自动化体现在营销领域，即营销自动化，客户旅程体验、与营销相关的业务运营，通过系统从前到后进行了自动化调整。在自动化基础上，并非所有的工作都能被 AI 替代。

李征举例说，在用户体验层面，系统能够让用户进来完成业务，从浏览商品、购买到搜索、下单的整个过程，其中包含了两部分工作：一部分是自动渲染用户可能感兴趣的商品，在用户搜寻的时候帮助找到更准确的内容，在用户消费后推荐相关商品，这些工作是可以由 AI 来完成的；而订单管理、库存管理、用户注册管理、购物车管理、优惠管理，这些业务流程相关的工作是无法完全通过 AI 完成的。简单来说，对于一个不确定性的结果计算，AI 可以通过算法去取得更好地结果。

第三个边界是 AI 与内容的边界。首先是 AI 并不能承担核心创意生成的过程，只能在人脑给出框架的基础上，AI 生成多样性的模板、辅助丰富内容等工作。其次是在内容的准备过程中，并不是所有的内容都由 AI 来完成，这个过程仍然需要人工参与。因此李征强调说：「企业需要识别在企业的业务架构、系统架构里，AI 能擅长完成哪些工作，这些就是我们理解的『边界』。」