正在阅读: 营销中的智能化组件,默默走过前世与今生

扫一扫下载界面新闻APP

营销中的智能化组件,默默走过前世与今生

目前大多数的营销系统与数据本身没有形成一种相依相生的关系,关键是系统设计要有数据容纳与再生能力。

近两年人工智能作为一个科技热点得以迅速传播,其实在营销中“智能化组件” 并不鲜见,今天我们来窥探一下营销中的三大类智能化应用,它们可能与当前的”人工智能“定义不完全吻合,但智能化雏形却已是形神兼备。当然更重要的是通过今天的分析去启发思维、探讨如何进一步释放营销组件的智能化功能、提升营销的数字化水平。

一、搜索引擎优化SEO中的蜘蛛算法

对SEO最简单的描述可以是这样的: 用技术架构搭建一个优质内容池,然后保证这个池子活水进出。SEO的技术架构部分是个力气活儿,能玩出花样的还在内容。尤其是谷歌,不论是熊猫算法还是企鹅算法,主要都是针对网站内容的监控,比如恶意堆积关键词、内容抄袭与重复等黑帽行为,这里面隐含的重点就是: 谷歌怎样判断一个站点内容的优劣? 谷歌比百度领先一步的是它已经不care关键词即TDK中的K,因为关键词可以人为堆砌,它判断的是你的正文内容是否organic,这主要通过T (meta titile ) 和D ( meta description) 与正文的语义关联,这时候难度以及“智能” 就出来了,它完全是采取拟人的角度来进行语义分析与逻辑推理,从而判断一篇文章的优劣。机器学习也表现的很充分,蜘蛛抓取分析的内容越多,语义分析与判断就越精准,这套算法也就日趋成熟。

其实这还是冰山一角,你甚至可以认为整个搜索引擎算法就是因智能而生。搜索词与SERP (搜索结果页)之间的匹配进程就是人工智能的发展简史 。

“每当你输入一个查询词,点击搜索引擎生成的链接,或者创造一个链接,你都是在训练谷歌的机器人系统。当你在图片搜索栏中输入“复活节兔子”(Easter Bunny)并点击看起来最像复活节兔子的那张图片时,你都是在告诉智能机器人,复活节兔子是长成什么样的。谷歌每天拥有12亿搜索用户,产生1210亿搜索关键词,每一个关键词都是在一次又一次地辅导人工智能进行深度学习。如果再对人工智能的算法进行为之10年的稳固改进,加之一千倍以上的数据以及一百倍以上的计算资源,谷歌将会开发出一款无与伦比的人工智能产品 。“

以上是著名的《失控》作者凯文凯利在2014年的推测,至少他又预测成功了一次,2016年问世的ALPHAGO不就是一个很精彩的例子吗?

他曾经问谷歌的联合创始人:“拉里,我还是搞不懂,现在有这么多搜索公司,你们为什么还要做免费的网络搜索?你是怎么想到这个主意的?”他并不是唯一一个一边狂热地用着谷歌的搜索引擎一边认为它撑不了多久的用户。但佩奇的回答让他难以忘怀:“哦,我们实际上是在做人工智能。”

过去数年间,谷歌已经收购了14家人工智能以及机器人方面的公司。鉴于搜索业务为谷歌贡献了80%的收入,因此乍一看去,你可能会觉得谷歌正在扩充其人工智能方面的投资组合以改善搜索能力。但事实可能正好相反。谷歌正在用搜索技术来改善人工智能,而非使用人工智能来改进搜索技术。近年来谷歌在图像与语音搜索方面的努力对此做了更好的说明。

互联网最高明的逻辑就在于: 见山不是山,见水不是水。

二、程序化广告

一)先谈一下基于Cookie的网盟与Web端的的DSP

这个不用多解释了,我们在网页上的浏览行为都被浏览器上的一组文本文件记录保存着(当然你也可以设置不用cookie,这样你就等于是遁形状态),这些浏览行为记录包括历史访问的网站、页面、时间、IP 等等,实际上就已经把一个用户画像的轮廓勾勒出来了。那么网盟营销就是当用户浏览其联盟内的一个网页时,这个网页的服务器就会去查询调取该用户浏览器里的cookie数据(cookie数据被联盟内各个网站共享),然后根据这个用户的历史访问内容展示可能与其相关的广告。

DSP也是基于这些cookie数据、在媒体流量与终端用户之间建立一个更加精准与高效的投放与展示系统,广告主购买的流量可以更大程度的物尽其用,具体讲就是让更可能是目标受众的人看到广告,那么如何判断谁是目标受众?cookie数据 就是一个很重要的评判依据。

上述的两个营销过程都有一个叫做”匹配“的基础行为,这也是一个初级决策行为,比如拿着系统当下的广告投放诉求与cookie数据做相似、相近或相关性比对,然后根据比对值的大小做出投放行为决策。其实搜索引擎也是在做匹配,即,拿着搜索指令词与链接页面数据库做匹配,所以”匹配“是一个很基本的营销智能组件。

但是在网盟营销与DSP场景下有一个显见的智能壁垒,那就是因为用户行为数据的不充分导致画像模糊,比如cookie数据常常是不连续的、甚至是各个浏览器标准不统一的等等,这就要求营销系统具备模糊判断的能力,比如定性的判断,但对于机器而言,定量反而容易,定性却更难,也正是因为这个原因导致了事实上很多投放的精准度偏差。用户画像的建立是基于归因逻辑,数据来源也难以避免零散与碎片化,其实现实世界的认知又何尝不是如此?任何判断都是基于一些点状的、不连续的信息集合,从来不会有一个现成的和确定的数据框架任凭你使用,但人类做这样的模糊或定性认知毫不困难,机器则不然了。所以DSP的精准度提升不能单纯依赖DMP (数据管理系统)的成熟和完善,提升智能化能力比如模糊匹配和判断能力才是康庄大道。

二)移动DSP:场景推送

到了手机移动端、具体讲就是APP内的程序化购买,因为用户数据采集渠道与方法的不同,使得场景发生了很大的变化。Web端cookie与JS是主要的数据采集渠道,APP端则主要靠SDK以及机型、机主数据等,相比于还要通过cookie推测用户的性别等特征,机型机主数据则来的简单而准确,所以APP端的用户画像要比web的更具象一些,维度也更多,比如实时地理定位,也正是有了这些更加鲜活的数据集合,“场景推送“近两年大热。在这个预设下,广告的定义也悄悄发生了变化,”适时、适地、适景“出现的广告更像信息,而不是常规意义上的广告,但这对于投放系统的挑战反而更大,因为它处在一个真实或现实的场景下,好比是一个在驾校练车的人终于开车上路了,AGAIN,即使移动APP端的用户画像立体和丰富了很多,但性质未变,仍是碎片化和点状的集合,模糊性依然存在,而因为处在更加现实的情景下与更精准的投放要求,这种智能判断或决策的难度不降反升。

三、营销触发

在各个营销自动化系统里,尤其是到了workflow层面,触发是必须的 。所谓触发就是,如果完成了A,然后开始B,你可以理解为触发就是输出与输入的快速转换。在现阶段,触发还可以理解为一种人机交互,即用户与系统之间的交互,但目前的这种交互实质上还是人-人交互,即用户与营销者的交互,营销者在系统后台做了各种设置,系统根据设置指令完成与用户的互动,系统自身的智能属性尚没有充分体现出来。如下图Hubspot的leads管理页面,根据与既定指标的吻合程度来界定一个leads,以及在既定的选项里选择交互行为。

营销是一个流,由不断的触发衔接连贯而成。但营销者的郁闷在于他只能做一些输入端的指令,然后就坐等输出,中间流的过程对于他而言几乎是个黑盒子,这显然是个让人无比焦虑的过程,的确这个黑盒子的输出效率也让人担忧。如果要提高输出效率可以有两类选择,一是人工干预,二是自动与智能。当然目前大部分的营销管理还是以人工干预为主,为了增强可控性,人工干预的都是周期短且高频的,目前并不好说这在多大程度上违背了营销逻辑,其实它总有”断流“之嫌,而且大多数营销或运营行为都属于“后发”,这已经非主观地造成了大量营销投入的消耗甚至浪费,所以”自动与智能”这个选项近两年备受关注。

在上图里你能看到“智能”的影子,这也是一个“匹配+判断”的思维过程,系统通过把当前的数据与你的预先设置数据做匹配从而做出判断,从A进入到B,但你看到图中所示的智能还很幼稚,因为这个过程里少见分析运算的成分,如果以人类的智能作为预设标杆,那么分析能力则是人类的一大骄傲,而分析是一项综合思维过程,它包括质疑、调取、比对、匹配、纠错、假设、推理、判断等等,很明显在目前的营销系统里,我们还看不到这么多的智能元素。

营销系统里的“触发“是智能的前栈,目前的主要发展瓶颈是数据的缺失,数据不仅仅是数据,它更是机器学习的培养基,而目前大多数的营销系统与数据本身没有形成一种相依相生的关系,关键是系统设计要有数据容纳与再生能力,不要小看小数据,散乱的小数据在一个有机的系统和正确的算法之下会逐渐衍生为有智能种子的大数据。因此在一个成熟的营销智能系统里,触发不是通过人为设置一些trigger去实现,而必须是系统自动生成因果。

(本文图片源自网络)

本文为转载内容,授权事宜请联系原著作权人。
表情
您至少需输入5个字

评论 0

暂无评论哦,快来评价一下吧!

为你推荐

下载界面新闻

微信公众号

微博