营销世界的 5 大剧变之 ⑤ 人工智能

编者按：本文经作者 Scott Brinker 授权宏原科技创始人 @文科生翻译，所译中文版本授权独家首发于 SocialBeta 。未经许可，不得转载。（微信在 SocialBeta 首发前，不允许其他公众号先行转载。）

译者前言：AlphaGo 让人工智能成为了一个到处都在谈的热词。Scott 说，他在准备这篇文章的时候感觉自己好像也跟进了这个炒作。但是，仔细读下来，我觉得本文是对于 AI 在营销领域应用最为系统而全面的思考。

让我印象最深的是 Scott 对于技术商品化的清醒认知。实际上，任何一个创新技术的热度与其商品化程度是成正比的。让 AI 能够把几十年前就开始讨论的图景变成现实，本质的突破不是算法，而是支持算法的计算力和大数据。在 AI 热潮中，MarTech 领域确实出现了一些创新的工具和应用的机会，但真正有价值的工具和应用，应该和高质量和大规模的数据紧密联系在一起。

Scott 在文章中介绍了很多 AI 的工具和应用，很多应用都已经被 Salesforce 或者 Google 这样的平台以高价收购了。国内也有很多类似的并购，这些都说明 AI 的机会是巨大的。考虑到平台时代的赢家通吃现象，纯粹的技术和工具的未来其实是有限的。对于大部分 MarTech 企业来说，技术层面的集成机会有限，但是商业层面的集成和整合，才刚刚开始。

在翻译的过程中，我不停问自己，为什么 Scott Brinker 能把这个事情说的那么清楚？逐渐的，我找到了答案。

第一，知识结构。Scott 是计算机专业出身，会编程，他理解机器；同时他又是一个营销人，他理解营销，这二者结合起来，让他对于 Marketing Technology 的认知特别本质。我看到过很多讨论 MarTech 的文章，大部分要不就是偏向技术，要不偏向营销，只有 Scott 能够从营销的框架出发，梳理出各种技术，让人一下子就能得到一个 Big Picture.

第二，长期的专注。Scott 关注 MarTech 不是这几年的事情，而是在十年前就开始关注这个领域。在过去十年中，不停实践，思考和总结。这让他能够看得更全面，更系统。

第三，持续的分享。他的博客一直保持很高的更新频率，而且，不仅仅是他自己写，他还不停寻找各个领域的实践者和思考者，分享他们的观点，这其中也包括我这样在中国的爱好者。他的博客成为了这个领域的活跃实践者和思考者的平台，最终他也能够在全球范围内发起 MarTech 的国际会议。

在本文结尾，Scott 说希望《营销世界的 5 大剧变》系列文章对大家有用。整个八月，我所有夜晚和周末的空余时间都用在翻译这一系列的文章上，当然也包括一点工作时间。我的体会是，帮助实在是太大了。翻译的过程，其实是一个深度学习的过程。不仅要看明白，并且试图用中文把自己的理解清楚地表达出来，要求自己花更多时间学习和思考，甚至还需要去了解他提到的技术公司和技术术语。

对于文科生，这有点挑战，但是也是一个特别高效的、系统的概览式学习过程。哪里去找这么好的机会呢？免费的！我跟 @puting 同学说，内容工作，与其是说内容，其实更是系统的思考过程，是一个产品研发的过程。感谢 Scott Brinker 的信任，@SocialBeta 的支持，让我完成了这个近两万字的翻译。我总算在与 Scott 在上海见面之前完成了我的承诺：）

以上是 Shivon Zilis 和 James Cham 制作的机器智能 3.0 全景图

这是营销的 5 个剧变系列中的第五部分（如果你没有读过第一、二、三、四部分，可以点击阅读）：

这五个剧变分别是：

1.    数字化转型将超越营销部门的职能范畴，重新定义「营销」。
2.    微服务 & API(以及开源) 构成了营销基础设施的架构。
3.    纵向竞争展现出比横向竞争更大的战略性威胁。
4.    增强现实 (AR)、混合现实 (MR)、虚拟现实（VR）、物联网（IoT）、可穿戴设备、对话式界面等等，给人们带来了数字化的一切。
5.    人工智能 (AI) 让营销和商业运作的复杂性倍增。

由于对热词「过敏」，当我写下这个题目的时候，觉得自己可能会起鸡皮疙瘩。作为今年营销界流行的关键词之一，无论你遇到什么问题，都会有人告诉你解决问题的良方就是「人工智能」（AI）。（或者想把 AI 营销解决方案卖给你）

目前，对于 AI 的炒作势头也远胜于对于大数据的（尽管二者之间的关联非常紧密）。

但 AI 的确对营销产生了深远的影响。可以毫不夸张地说，未来几年，AI 会以令人瞩目的方式重塑商业和营销的本质。但是，这种改变可能并不会按照有些人希望的方式来实现。

首先，让我先将有关人工智能（artificial intelligence）、机器学习（machine learning）、认知计算（cognitive computing）和机器智能（machine intelligence）等概念差异的讨论放在一边。虽然这些术语的意义不尽相同，但是，(a) 它们之间有很多的交集；(b) 就算是这些领域最前沿的研究者也在争论他们的界限所在。

考虑到我们的目的是讨论这些技术给营销带来的剧变，就让我们暂时先用「AI」的大框来装下这些概念，将 AI 定义为「过去认为只有人类才能完成的认知任务，现在让机器去承担，而且机器能比人类做得更快、更好。」（AI 效应是研究者的一个有趣的观察。）

我喜欢分析师 Ray Wang 提出的有关 AI 所能交付结果的框架：

如果你在思考，AI 已经被讨论了几十年也没有今天的热度，为什么直到现在才好像一下子占领了全世界？一个简单的答案就是廉价、快速、规模化和呈指数增长的计算和云端储存能力，使得能够有效运用 AI 算法的数据和动力对于每个人来说都触手可及。

我在 MarTech 圈里听到的另一个问题是：「在未来的营销技术全景图中会不会出现一个 AI 类别？」有这种可能性，但也可能不会。

为什么这么说呢？因为 AI 几乎已经被嵌入到营销技术领域所有的产品类别中了。当然，确实有很多纯粹的 AI 平台。但是它们像大数据、云计算平台一样，大多都是仅仅被应用在营销服务中的通用技术。

举例而言，IBM Watson 可能是当今最广为人知的 AI 平台。但营销人可能对 Equals3 这样的产品更有兴趣。Watson 在产品的幕后提供市场研究、客户细分和媒介策划服务，这一切都是根据营销的具体需求量身定制的。

几大主要的营销平台也已经在产品组合中推出了 AI 方面的创新举措，最值得注意的是：

Salesforce — Einstein

注：Einstein 是 Salesforce 推出的人工智能 CRM 平台，可以运用于销售、服务、营销和分析等领域

Adobe — Sensei

注：Sensei 是 Adobe 底层的人工智能工具，利用了 Adobe 长期积累下来的大量数据和内容，从图片到影像，能够帮助人们解决在媒体素材创意过程中面临的一系列问题

Oracle — Adaptive Intelligent Apps

注：这是 Oracle 推出的 AI 产品，基于强大的数据云和机器学习算法，支持更好的 BI 分析和决策支持

你也可以从来自 Salesforce 的这张图中，看到他们准备在具体的产品中应用 Einstein 的方式：

但是，这是否意味着较小的 MarTech 服务商会在行业的这波 AI 浪潮中出局呢？AI 会成为最终推动营销技术行业整合的催化剂吗？也许会，但是我持怀疑态度。

实际上，你可以从 MarTech 分析大牛 David Raab 在上次旧金山 MarTech 大会上分享的这张表格中看到，AI(机器智能) 让行业中各种规模的服务商得以蓬勃发展（这张图只是列表中的一部分而已）。

那么，小型 MarTech 供应商如何与「巨头」竞争呢？在很多情况下，巨头们都有自己专门的 AI 技术。但是，今天的软件开发机制使得很多人都能站在巨人的肩膀上，利用不错的开源机器学习项目——例如 TensorFlow、PredictionIO、Caffe、Vowpal Wabbit 和 Scikit-learn——在软件中加入复杂的 AI 功能。（而且还是免费的）

注：TensorFlow 是谷歌开发的第二代人工智能学习系统，可以用于语音识别，图像识别等深度学习领域
Prediction IO 是一个开源的机器学习服务器，开发工程师和数据分析师可以使用它构建智能应用程序、基于已有数据来预测用户行为，个性化推荐、发现内容等。
Caffe 是一个清晰而高效的深度学习框架，其作者是博士毕业于 UC Berkeley 的贾扬清博士
Vowpal_wabbit 是一个机器学习系统，它能推动机器学习前沿技术的学习，例如在线学习、交互学习等
scikit-learn 是一个 Python 的机器学习项目。是一个简单高效的数据挖掘和数据分析工具。

如果你想用更简单的方式在产品中加入机器学习能力，现在也有一大堆的机器学习服务产品 (MLaaS) 可供选用：

很自然，这推动了微服务 & API 的发展。软件能够以按需「服务」的方式被提供。MarTech 服务商当然也可以使用这些软件，来保持自己在 AI 时代的竞争力。

值得注意的是，这些开源的 AI 引擎也可以直接被品牌采用，将其整合到数字化产品和客户触点当中——这又会让我们看到数字化转型的完整闭环。(这里也可以体现出，营销的 5 个剧变是如何成为一个整体的)。

鉴于很多核心 AI 算法已经面向公开市场变得商品化，因此算法本身也不再是竞争优势的来源。相反，「即插即用」的 AI 战略优势主要是通过以下两种方式建立而成的：

数据。差异性来源于用以训练算法的特定数据。赢得 AI 的战略竞争的关键在于数据的规模、质量、相关性和独特性。数据质量、服务和软件会变得至关重要。精确、即时，通过 API 按需提供的第二方和第三方数据市场将会繁荣。在 AI 的加持之下，大数据终于可以被充分利用了。
用户界面 (UI)。AI 可以为你的数字化产品和服务带来更好的用户体验，从「在一个特定场景下预测用户想要什么」的功能，到自然语言界面（以文本和声音为基础的聊天机器人）。
这当中存在着很多机会。通过 AI 用户界面，人们可以更快速、便捷地完成复杂的任务。尤其在商业场景中，与学会用那些复杂的软件相比（想想那些要花几个月学习的企业软件认证课程），我们希望这些应用让我们获取答案更容易，做事情更轻松。

这两个关键因素很可能就是 MarTech 服务商带来颠覆的来源。思考以下两个问题：哪些公司可能会在特别有价值的数据（或者数据组合）市场中取得垄断地位？（参阅：纵向竞争和万物皆可数字化）哪些公司能够让他们的软件灵活地利用新的数据源，适用于备选的 UI 模式？

风险投资人 Mark Suster 在最近的文章《企业软件即将到来的转变》中描述了关于对话式交互界面的机会 / 威胁。

以语音为例，如果你坚持设计一套指令供用户以提问的方式进行交互，那么用户就必须花大量的时间在如何操作上。或者，你也可以让 AI 从过去的查询记录中学习，让智能系统给出相应的搜索结果。你也许想问：「中部地区第三季度的销售预测是多少？」、「谁负责杜邦销售的预算？」，或者「请给出过去 90 天内跟 Verizon 有过沟通的团队成员名单」。
谈到聊天工具，对于企业来说的关键是让团队成员更好地协作。这个聊天工具需要有「机器人」为团队提供智能支持。当你查询「Karthick Shama 的职位是什么？」，或者「我们和 Verizon 去年达成的业务有多少？」时，在无需人工介入的情况下，就能收到即时、准确的答案——这对于现场的团队很关键。

以上描绘的场景并非假设。在我写这篇文章的时候，营销数据软件公司 Datorama 已经发布了嵌入 Amazon Alexa 的应用程序「事事问 Datorama」（Ask Datorama Anything）。这一波新的 MarTech AI 界面的兴起，肯定会使现有的营销技术全景图发生动摇。

那么，广义上看，是什么让 AI 为营销带来了剧变？

市面上的流行观点和我的分歧就在于此：我不相信 AI 会让营销简单化。相反，我认为 AI 会以颠覆性的方式，让营销（商业）的复杂性呈指数型增加。

可以确定的是，AI 会大大简化很多 MarTech 工具的使用体验，也会自动化大量跟营销计划相关的「人工」工作。

我们从 AI 的辅助中节省下来的时间将会被重新分配，以追求更多的竞争优势。我们可以从事一些机器还不是很擅长的活动。我们也可以让更多的任务自动化，因为管理新增算法代理的边际努力会很小（但不是零）。我们还是会和现在一样努力工作，但是我们的努力将借助 AI 服务的力量被放大。

例如，考虑一下在不同触发点、服务不同细分客户的营销自动化活动。

直到现在，这项任务的复杂性还是受限于人类的局限性。我们只能跟踪到有限的规则，服务有限的细分市场，局限于有限的触发点。

但是 AI 驱动的营销自动化就不会有这样的局限性。机器会计算上千个微细分市场和微触发点，动态调整内部的「规则」以优化整个互动。

再强调一次，这并不是假设。以 AI 驱动的营销优化产品 Amplero 为例，它自称可以通过多臂老虎机实验，持续测试 1000 多个营销排列组合。

这给整体的营销「系统」带来的复杂性呈数量级增长，尽管很多人类营销人员并不能觉察到。

考虑到一个复杂系统的「复杂性」是一个有关相互独立的智能体互动次数的函数。而这些 AI 代理也并非在真空中工作，他们会对所处环境中的人类或其他 AI 的反馈做出回应。(关于设备对设备（device-to-device）的互动， David Raab 有几篇非常精彩的博文：《自动驾驶汽车会自己挑选加油站吗？》和《更多是对物的营销》)。

这不仅仅有关公司内部多个 AI 代理之间的互动。竞争对手也会利用 AI 来与我们对抗。客户会使用 AI 实现他们的利益最大化。其他的行业第三方机构会让 AI 代表他们在市场上运营。这些智能体相互纠缠在一起，将会引爆营销的复杂性。

你也许会问，「如果我们根本看不到那些复杂性，我们还需要在意吗？」

就算我们看不到这些复杂性，实际上它依然存在——而且它会对我们的生意产生实质性的影响。我们的组织所依赖的黑盒子越多（彼此用直接和间接的方式相互连接在一起），我们对于整个系统的理解和控制就越少。在客户体验中遇到算法出小差错的风险，对我们来说也是不可见的（但是会影响品牌！），我们也会碰到重大的「黑天鹅」事件，其中，AI 之间并不良性的互动会逐步升级为恶性循环。

事情是怎么出问题的？算法交易遇到的问题让我们对此有了一些认识——与无限广阔的客户体验领域相比，金融市场还是受到了更多的管控。

当然，这不意味着我们应该——或者说能够——回避 AI。AI 是一个巨大的竞争优势来源。但是我们必须承认，跟过去十年靠人工控制的数字营销相比，AI 时代的营销会有非常不同的动力机制。

对于 AI 驱动的营销，营销人应该做好如下准备：

1、确保所有营销系统和触点中的数据可被获取，而且要考虑建立一个集中的数据湖（来自 Informatica 公司的 Franz Aman 出了一本很棒的书，以及用一系列博客文章来介绍如何构建营销数据湖）。大数据将是驱动 AI 引擎运转的燃料。

2、对数据质量进行投资，尤其是核心的客户数据。其中的一个要点就是在尽可能多的触点上对客户的身份进行匹配，这面临着技术和法规的双重挑战。谈到跨设备的身份匹配，Gartner 公司的 Martin Kihn 对此有了很好的概述（第一部分和第二部分）——但是万物数字化的趋势预计会让这件事变得更加复杂。

3、学习系统动力学知识。这是理解和管理新环境中的复杂性的一种方法——尤其考虑到 AI 算法正在加快反馈循环在技术和人文领域的交集中运行和成长的速度。

4、为算法营销构建一套管理模式：什么需要自动化？什么需要半自动化？什么不需要自动化？人类如何检查和制衡 AI？如何进行异常检测（可以了解一下 Anodot）和事件升级流程？如何设计能断开反馈循环的「断路器」，避免事态发展到无法控制的局面？而且，不仅仅只是关于营销，如何在数字化转型的大背景下组织好这一切？为此，企业值得考虑设立一个首席人工智能官的角色。

5、透过 AI 的视角去评估营销技术服务商的实力。他们采用的 AI 功能或者 AI-UI 能力简化了营销人的体验了吗？他们是否集成了一个更庞大的生态系统，可以利用所提供的数据或渠道进行 AI 分析和自动化？面对 AI 领域冒出来的新机会，供应商的敏捷程度和适应性如何？供应商能用清晰直观的例子解释他们的 AI 支持方式吗？——以及所用模型的注意事项（例如：某种类型和质量的数据）？