数字营销:AI如何“看透”人类行为模式?

本文转载自公众号“读芯术”(ID:AI_Discovery)

人工智能在市场营销领域取得的成功,揭示了人类的一些思维和行为模式,这些模式可以转化为其他应用程序。

数字营销:AI如何“看透”人类行为模式?

以人性化语音助手(包括苹果的Siri、亚马逊的Alexa以及谷歌的Home)为例,可以看出,正是这些把控并颠覆了市场营销行业的科技公司引领了AI的发展。市场营销业已成为AI创新的试水之地,尤其是在人类行为建模和AI与人类交互探究层面更具实验价值。

决策算法

随着人工智能开始逐渐渗透到日常生活的各个方面,人们越来越需要机器像人类一样“思考”。人们开始更加关注AI背后的伦理和道德,专家们对自动驾驶汽车、预测性警务和自动武器等的决策算法的认识也不断提高。

因为历史数据可能存在较大偏差,这些模型的训练难度极大。为了避免出现严重事故,这些算法必须充分理解人类的认知,以做出有道德良知的正常人类在类似情况下会做出的选择。

人类和机器都依赖模式进行认知,但对AI持批判态度的人担心机器无法真正理解人类的思想。目前AI的局限性阻碍了机器使用溯因推理或创造性思维的能力。然而,机器学习模型在再现人类行为模式方面已经取得了巨大的进步,其中许多前沿研究都来自数字营销。

机器学习在市场营销首战告捷

AI已在市场营销行业掀起了变革,并将继续推动新的发展。超过60%的美国公司将AI应用在现有的营销方案之中,其中最常见做法是用机器学习来预测客户需求、推荐产品、优化广告投放和自动化客户服务。

监督机器学习(Supervised Machine Learning)

作为最常见的机器学习方法,有监督机器学习的应用领域十分广泛,从训练聊天机器人(chatbot)到进行图像分类不一而足。这些模型可以有效地分析变量以确定结果,并且能够成功地模拟人类行为的模式。然而,这种方法在很大程度上依赖于具有既定正确结果的高质量数据集作为训练材料。

无监督机器学习(Unsupervised Machine Learning)

有监督学习期望从数据中获得特定的结果,而无监督学习则侧重于检查数据本身,因而不需要预先标记的训练数据。聚类等算法寻找数据集背后的关联,可被用于细分客户与市场、分类和检测异常值。无监督机器学习与引入新的观察者或独立的顾问类似,可用来发现全新的或出人意料的联系。

强化机器学习(Reinforcement Machine Learning)

当历史数据集不可用时,可以使用强化学习来实时评估传入数据。该算法可以几乎实时地主动学习并作出调整。就像人类的试错过程一样,这种方法依赖于快速的行动和即时的反馈。对于新版本的个性化推荐系统、调整新的广告活动来说,因为它们都通过社交媒体来传播,所以强化机器学习是理想选择。

基于AI的商务的前沿创新成果

麦肯锡(McKinsey)估计,到2020年12月,美国客户85%的品牌关系都将在无人工干预的情况下进行管理。虽然许多公司在基于机器学习的市场营销上投入巨资,但只有6%的公司正采用更先进的AI,如个性化活动、协同过滤和预测模型。

传统上,人们认为AI无法进行管理与战略决策——管理者应当能够平衡效率与公平,而这一点很难量化。然而,鉴于机器学习在其他以人为中心的商业领域(例如市场营销)取得了不可否认的成功,研究人员开始探索如何将AI引入管理和营销战略中。

在短期内,一个可行的方法是使用模糊逻辑来拟定一个预期方案与结果的清单,再由一个人工操作员负责作出最后的决定。随着计算能力的增加和数据集的不断完善,最终这些模型可以实现完全自动化。

在推荐系统、数字广告和动态定价算法方面,自动化决策的试点项目已经启动。为数不多的在基于AI的战略营销方面取得进展的公司对其工作高度保密,他们的工作价值显著,甚至对业内先驱来说,其重要性也不容小觑。

到2025年,AI驱动的市场营销有望创造400亿美元的收入,这将推动大笔资金投向跨行业的AI研究。在数字营销领域内外,用于预测性分析、人类-AI交互、自动化和认知的新算法与方法论层出不穷。

相关推荐