上海2021年5月18日 /美通社/ -- 以往的营销效果洞察，往往滞后且营销人员很难判断到底哪里出了问题？为什么消费者会反应消极？只有在当消费者抱怨品牌在线消费体验，跟品牌做售后投诉或提交低满意度调研的时候，品牌主才明白营销过程中出现了问题。
网页日志会记录每一个鼠标的移动和点击，并快速显示用户不满或网站出错的地方。有很多网络工具能捕捉并分析记录网站的访问，用热力图和漏斗报告来揭露这些问题区域，得出本来由人工分析的结果。
随着消费者全图景的数据成为可能，数据提供给营销人员更多依据去了解营销到底哪个部分出现了问题，告诉营销人员如何采取进一步的动作，营销也从数字化走向自动化和智能化。
本文通过分析消费者在消费旅程中会遇到的一些场景，以及Convertlab品牌客户的智慧营销解决方案经验，解读大数据下，AI 技术如何帮助品牌方实现增长、为消费者提供更优质服务体验。
1. 全生命周期智能化营销 -- 净增ROI百倍增长
Convertlab PRE商品推荐系统(Product Recommendation Engine)的场景应用
很多大型电子商务平台已经广泛使用在线推荐系统，并且消费者已经习惯了一键式按钮的线上平台。一键越过放入购物车、付款、填写发货地址等所有步骤的功能，给消费者带来突破性的便捷。
推荐1.0 是通过简单直接的追踪实现的，例如：
这种协作性的交叉销售/升级销售对品牌电商是很有帮助的。以Convertlab PRE商品推荐系统(Product Recommendation Engine)为例，在已经实践的某全球著名快餐品牌的消费场景中。以PRE系统为基础，为消费者推荐基于搜索某一商品数据的同一类或相关类产品，对产品的销售有积极的作用。
一旦消费者选择或者在一款“汉堡”页面停留或筛选时间过长，甚至输入了喜欢的“汉堡”的某一细节，比如“鸡肉”。PRE系统是不会建议，在这个消费者商品页面的显要位置，放置过多例如牛肉汉堡或者猪肉汉堡的商品信息。
与此对应的是，PRE系统会在商品物料池中，通过多策略初筛、物品过滤、模型排序、规则调整（规则干预、多样性穿插、新颖性等）等策略筛选出三款相关的“鸡肉汉堡套餐”。并通过协作性的交叉销售/升级销售的推荐方式，展示更多相关的产品，例如鸡肉类小食、佐餐饮料等产品。
另外，人们在购物车里放了什么？什么商品会被一起加购？不同的购物车里，商品是按照什么顺序被一一购买的？哪些商品被移出了购物车？哪些商品在最后一刻被放弃了？
在一个或多个场景中构建模型，对于那些在购物车中还有未购买的商品就离开在线商店的消费者，通过相关数据的分析可以用来计算他们最终返回购买这些商品的概率。
基于这种计算，商家可以设定不同的广告片段，这些广告片段对应着不同的营销策略。这使得利用模型针对后续客户的营销活动的效果是可控的。
A/B测试显示，Convertlab 的PRE商品推荐系统给某全球著名快餐品牌的客单价带来了将近20%的提升。另外，Convertlab利用在品牌客户生命周期旅程，以及电商触发重定向旅程（包含：搜索未下单、新产品推广、下单未支付、下次购买推荐等执行策略）的营销，为某服饰品牌的ROI带来了将近百倍的增长。
2．个性化沟通 -- 推送转化率提升2.5倍
Convertlab AI圈群（客户画像标签和人群聚类）的场景应用
在营销中，品牌若是想要进行高回报率的营销活动，便需要对营销受众进行针对性活动投放，节约不必要的成本投入。受众分群，即把具有相似属性的受众集中到一起，是进行精准营销重要的一步操作。
营销人员很清楚如果品牌想要扩大受众群体，可以基于现有的人群，通过数据分析，找到类似于现有人群的并且最有可能转换的人群，去扩大投放范围。通常的做法是在DMP平台提供一套算法，将一方数据输入，通过DMP的算法规则，输出制定类型的相关数据。尽管从理论上讲，机器算法的维度有利于提高圈群的准确性，但现实生活中人群的某些特征有时是主动选择的结果，有时是由于客观条件而被动选择的结果。因此需要预先或者通过效果反馈手动调整算法，以此达到更准确地圈群效果。
智慧营销，或者具体说AI圈群的能力，源于人工智能、大数据分析等新技术。凭“机器学习的基础算法”对用户进行分类，程序编程对用户进行精确分层，根据圈群的效果自动反馈，甚至“自我调整”。
Convertlab AI机器学习的回归模型和聚类模型,将决定哪些变量最能预测销售转化，并自动剔除、修正客户档案中的干扰数据，产出客户回复消息或参与活动的概率，将数据洞察带入秒级甚至微妙级的地步。通过目标人群与受众管理系统整合让客户可以根据分析模型来形成人群包，以及根据特征权重来制定画像标签，在意想不到的方向精准区分不同的消费人群。
在Convertlab客户画像标签和人群聚类分析的AI模型实践中，AI圈群的推送转化率，比人工筛选、手动圈群高2.5倍。该功能系统在“短信唤醒沉睡客户”的场景中同样表现优秀。Convertlab 的某智能电器品牌客户，对60天以上未访问过小程序的会员，推送新权益上线通知短信的点击率提升将近80%。
3. “推销” -- 达标率提高20倍
Convertlab NBA行为触发(Next Best Action)的场景应用
在约翰.沃纳梅克的时代之前，就开始有人研究如何将商店里的商品销售出去，而今在线推销任务则交给了算法。根据近期行为和往期沟通，提供下一步沟通策略。
Convertlab AI NBA行为触发能力所做的就是：当“输入”客户属性、行为数据、沟通历史、订单记录等数据，通过生命周期模型来判断客户处于什么状态，通过“时机预测分类模型”来预测客户下一个旅程的时间点，最后通过“沟通策略回归模型”推荐消息文章库中的“商品推荐、活动引流、战败挽回……”等行为策略。
在某零售银行代发的场景中，Convertlab AI 行为触发通过“做活动、赢权益”来刺激代发客户资产留存。以往人工设计活动任务、运营权益投放，被AI助力“实时感知+实时营销”技术，让点击率提高16倍，达标率提高20倍。
AI行为触发能力判断不同的消费者的登录页面上应该有哪些内容？它们应该如何展示出来？首先应该出现哪个颜色选择？什么时候应该给予奖励刺激？AI Marketing采用动态展示，为每一个消费者定制，所以它更接近于一对一的说服。
AI Marketing所有的能力让有足够多的人会因为这些营销而购买产品，这使得品牌主实现超级增长。同时，通过AI Marketing消费者也往往能获得良好的购物体验以及拿到欲购商品的折扣。
Convertlab认为智慧营销中的AI技术不存在单点突破，AI技术能力应该集中在一个平台，是一种依赖营销大数据、贯穿营销全链路的能力。智慧营销能够实现品牌方和顾客的双赢：品牌方达到了降本增效的营销业绩，而顾客也获得了去伪存真的愉悦体验。Convertlab AI Hub项目的落地，将赋能营销让更多企业用好智慧营销，让更多消费者享受智慧营销带来了便利。
智慧营销图景下的几个其他场景展望
广告投放
经典的转化漏斗模型想象漏斗顶端站着很多人，这些人显示出对产品的兴趣，当他们向下进入漏斗，就越来越被吸引至漏斗底部，直到成为商品的消费者。
市场营销人员必须决定如何进行营销资源分配。当漏斗中部（说服）或漏斗的底部（购买）很明显地需要改进的时候，营销部门还一味增加广告的投入，就显得不那么明智了。 智能营销需要做的就是使用机器学习来分析和筛这些分散在互联网中的消费者“营销大数据”，以确定哪些数据最有可能创造销售转化。这信息都赋予一个价值，高价值的信息将被翻译成“潜在客户”的有效数据。
通过消费者的搜索和其他行为分析，只要消费者“表达了购买意图”，AI Marketing能力会通过广告的形式，用热情的攻势影响消费者。这种广告会在互联网上紧紧跟随消费者，它会在手机上新闻推送上看到商品的目录，直到消费者再次进入营销的世界。AI Marketing 某种角度证明了广告是有价值的。
联邦建模
对所有消费者一对一精准营销一直可望而不可即。如果消费者注册成为品牌的客户，品牌会记住消费者所有的基础属性，甚至，更丰富的数据。但对匿名访问者提供个性化服务，则有点棘手。 智慧营销下的AI技术可以从经典的人群分类开始，并通过关系数据库的尝试进行实现。传统的人群分类是有用的，但是对于精准营销来说，关系数据库的数据颗粒度还不够。即使功能强大，但它的扩展性并不好。
在智能营销背景下，品牌主需要亚秒级的反应实践。Convertlab 未来基于与腾讯以及其他平台的合作关系，通过AI“联邦建模”实现“横跨集团间品牌客户，品牌间打通公私域”，解决“匿名访问者”个性化沟通问题。人工智能在这里发挥了它的优势：寻找最具预测性的属性，而忽略其余部分；基于实际数据而非人类猜想做决定并不断更新对消费者的“洞察”……
Convertlab 智能营销中的客户画像标签和人群聚类分析，汇集了品牌客户“活跃人群”和“非活跃人”的用户数据，其中包括可抓取的属性、行为数据以及“联邦”数据组成“训练集”，一定程度上将解决“匿名访问者”个性化沟通问题。
风控以及定价
风控也是未来AI营销提供的应用场景。如何判断当前的APP是否被劫持？APP运行环境是否为真？当前设备是否有 VPN/代理？APP是否在被非法调试？用户是否存在“薅羊毛”的嫌疑？通过机器人控制脚本批量执行扫号、登录、刷流量等操作。AI能力提供了很好的解决方案，这些场景都是可以通过AI功能的DVID设备指纹、规则引擎以及相关的聚类算法逻辑来实现。
另外一个常见的应用场景便是辅助商家定价。虽然某旅游网站曾经因为给使用苹果ios系统和安卓系统的访问用户显示不同的酒店价格而陷入了麻烦，某购物平台也被曝出给先后购买同一个产品的用户报不同的价格，而陷入品牌危机。商家动态定价的尝试让消费者感到不安，运用不当也会给品牌带来危机，但也有积极的一面。
在几个独立的市场尝试制定不同的价格，这可能是一个非常复杂的任务。当涉及单个产品时，动态价格优化是极其苛刻的，因为产品的价格弹性不同。品牌采用的算法是一种自我学习的方法，它根据不同产品的历史购买来改变当前的报价，采用最先进的数据挖掘方法，以价格弹性为基础设定定价策。
通过价格优化，完全可能出现在某个品类销售总量下降的情况下总利润仍然增长的情况。价格规划和优化解决方案的使用，将这些策略中定价的元素可以映射到特定的定价方法并自动应用。玩弄人们对产品价值的认知是不可取的，但使用今天的技术来帮助设定价格是明智的。
