现如今数字时代浪潮之下,AI生成内容(AIGC)已经成为了各行各业的热门话题,在数字娱乐、数字营销以及学术研究领域更是一个无法规避的核心话题。AIGC(AI
Generated Content)作为承载这一波AI浪潮的最大推手,已经在金融、电商、零售、营销、客服等众多领域开始落地于实际应用。
受益于大模型在语义理解、思维推理等方面能力的涌现,我们欣喜的发现,随着这一轮AIGC技术的不断商用落地,传统的商业运行模式正在重塑,尤其在数字营销领域。
由于营销本身与内容、创意、策略高度相关,因此成了这波AIGC重要影响的领域之一,大规模出现爆发式应用,各类产品、场景、垂直模型不断出现,持续刷新着人们对于大模型在营销领域应用的无限想象。
StableDiffusion、Midjourney、Runway等可以生成图片、视频的AIGC模型,引爆了AI作图和AI生成视频,由AI创作的图片、视频在社交网络风靡一时,同时也标志着AIGC向创意领域持续渗透。而以ChatGPT为代表的语言类大模型,在文本生成、语义理解、逻辑推理等方面表现出了强大的能力,能胜任高情商的对话、生成代码、构思剧本、撰写小说、生成广告文案、创意话术等等,将AIGC推向了全新的高度。
然而,任何技术都有其局限性以及边界。数字营销领域作为最早引入AI并全面赋能各环节的领域,在这一次的AI浪潮中,大模型究竟能为其带来什么?有哪些局限?哪些场景更有价值?未来的方向又如何?
带着这些问题,我们结合数字营销及AI的发展史,共同探讨大模型将如何改变数字营销行业。
数字营销技术的发展
任何一项技术的出现,都将应用于解决实际的业务问题,营销科技也是如此。数字营销的持续发展,本质是由企业营销理念的不断变化而推动的。
-
1920-1995年,大众线下媒体广泛出现,电视广告、门户广告大行其道,企业为获取增量用户的核心营销理念,进行产品内容传播的核心目标广泛传递。
-
2000-2004年,互联网、社交媒体兴起,搜索广告、社媒广告随之盛行,这个阶段不再是信息的单向传播,企业开始注重与消费者的互动。由此,数字营销技术进入快车道。
-
随着广告投放的精细化程度不断提高,2006年-2010年左右实现投放精细化的DSP(广告投放平台)/DMP(可接入数据管理平台)系统开始被大量建设,从此数字营销全面进入以数据平台为载体运营的阶段。
-
进入2012年,随着广告获客成本攀升、存量客户价值挖掘理念不断深入,基于DMP进行延展的营销云、Martech(营销科技)概念开始出现,这个时代被定义为存量用户的精细化运营阶段,相关营销技术如雨后春笋般涌现,一系列数据处理技术、人工智能技术、自动化技术被大量应用到营销技术中,促使企业全面进入增量获取与存量运营并举的全新阶段。
-
时间来到2019年前后,随着营销技术的进一步发展,围绕着客户全生命周期管理、多渠道协同、全域触达的全域营销理念逐渐深入人心,营销科技也随之进行了全新一轮的升级。
MarTech营销科技一词由Scott Brinker提出,是市场营销(Marketing)及科技(Technology)的集合体,涵盖各种软件、工具和平台,包括但不限于内容资产管理与分发(DAM)、AI创意/自动化创意、VR、AR、元宇宙、人脸识别、AI机器人等。
不断涌现的新模式、新渠道、新技术为MarTech领域持续注入新的活力。尤其是在互联网流量红利逐渐消退、企业营销成本不断攀升、品牌竞争愈加激烈的大环境下,精细化运营及追求稳定、长效用户价值相关的刚性需求,刺激营销科技领域进一步发展。
数字营销技术的核心任务
无论营销技术如何发展,其核心都是解决营销流程的各种问题,将营销流程进行抽象、提炼后,可以总结出数字营销的四个核心任务,分别如下:
精准的客群定位:企业能够通过营销系统,精准的圈选出目标客户,其核心前提是企业对自己的消费者有足够深入的洞察与了解;
营销流程自动化:面对海量C端消费者繁琐的营销工作流程,需要由机器全面接管,从而释放人的精力来专注于战略的制定以及创造性工作;
数据驱动决策制定:所有的营销过程与结果都应当被量化成指标,做到可进行评价。所有的结果指标同时也需要与大量的过程指标、相关影响因子不断进行归因分析,从而帮助营销人员找出最佳的转化路径;
敏捷创新实践:如今的营销环境需要企业不断提供新鲜的创意,来增加与用户互动的吸引力,灵感的获取、内容的制作、快速的ABTest,都是创新实践不可缺少的核心功能。
总的来说,MarTech营销技术的核心目的是帮助品牌方通过创新的营销技术或解决方案增强与消费者的互动,提升客户体验、营销服务的效率,为个性化的精准营销提供支撑,赋予品牌前所未有的创新能力。
大模型对数字营销的赋能革新
精准客群定位
现有Martech产品体系中的客群精准圈选,一般是从建立CDP(客户数据平台)开始的。企业通过打通内部各类型的用户数据,以用户唯一ID(ONEID)为核心,进行多维数据对齐,后对应到预先定义好的标签加工规则上实现自动标签生成,最终企业内部将用户的原始数据通过CDP的加工,转化成具体业务可用的用户标签,从而形成精准的用户画像。个人画像一旦成体系被构建,那么群体画像的筛选自然水到渠成,进而实现精准客群的定位。
而在这个过程中,大模型可以为用户洞察带来效率与精度的双重提升。首先是客群筛选方面,原有Martech产品虽然构建了标签体系,但在实际圈选的过程中,依然高度依赖业务人员对标签和人群的深度理解,对业务人员的专业度要求极高。
而大模型可以大大降低这种专业上的要求。大模型可以外挂存储了用户标签、画像以及一系列业务属性相关描述的本地知识库。综合类的、描述用户群体特点的数据,经向量化后存储在知识库中,业务人员通过大模型的调用,可以与该知识库进行对话式交互。最终通过对话的形式,对活动目标群体进行有效圈选,筛选出准确的用户人群。
同时,近年来,对话式AI广泛应用于各行业、各场景,越来越多的企业开始重视在与消费者的对话内容中进行用户意向的洞察与探索。然而对话类的数据源处理,传统做法是根据预先定义的关键词匹配意图,但对应的精度较低。一方面中文关键词很难穷举完全,第二方面是错别字,尤其是ASR转译后的文本经常会出现关键词无法覆盖的情况。而大模型的出现,为解决该类应用提供了新的思路。
大模型具有极强的语义理解以及泛化、推理能力,通过使用prompts(提示词),预先对大模型前置一个意图识别的框架规则,随后给大模型输入切片的用户文本,让大模型结合规则框架对文本进行推理,最终给出用户的意图,以及用户贴标的过程,从而大大提升在用户文本中进行用户意图打标的效率以及准确性。
营销流程自动化
现有的营销流程自动化编排,本质上是使用可视化的编排工具,在不需要进行任何代码编写的情况下(无代码),对多渠道、多用户、多内容进行整体的营销流程编排,从而实现营销流程的自动化运行。
过程中所使用的流程画布形式,对业务人员而言依然有较大的挑战。业务人员若要实现准确的流程画布编辑,需要同时对营销方法论、营销工具、用户人群、营销内容、系统组件等都非常精通。
而大模型的出现,完全颠覆了原有的画布交互模式,业务人员仅需要通过与大模型进行对话,就可以自动生成流程画布;之后再进行必要性的检查,即可完成复杂的流程编排工作。
数据驱动决策
现有的营销数据分析与决策,都是以人工手动的形式来进行的,营销系统仅能对营销的一系列指标数据,进行简单的统计。而这些数据背后的含义、代表的归因关系等,完全依赖业务人员进行分析与总结。最终由极其专业的分析人员,基于相关的数据以及企业营销目标与策略,人工制定下阶段的营销决策。
而大模型的出现,极有可能让这个过程变得自动化与智能化。我们将营销链路的过程日志化、文本化、向量化,以某种星型结构存入向量库,同时将历史的所有决策过程、决策结果也同步到知识库中作为目标样本,通过调用大模型优秀的语言理解能力、思维链推理能力,再结合一定的结构化推理流程或模板,使大模型直接对历史的营销流程进行分析,再根据历史的决策经验,进行相应的营销决策建议的生成。业务人员仅需根据这些策略与建议,或者改造、或者修饰,即可快速制定出营销策略。
在过往,这种层面的决策是难以实现的。人们通过各种方式、程序,包括大量的专有模型、算法进行突破,但机器生成结果都很难向人类提供的建议那样灵活、有见解且有效。也正是基于千万级参数的预训练大模型所涌现出的新特性,才得以让自动决策成为可能。
敏捷创新实践
现有的营销过程中有一个极为关键的环节,是在与用户互动时,我们经常需要做多个ABTest来展现同样的营销策略。这是因为在审美高度个性化的今天,用户偏好的内容形式变得越来越多样化,但过程变得极其短暂,用户的新鲜感仅存留在看到的那一刻,再次见到相同的内容时新鲜感马上就会消失。
因此在同质化极其严重的今天,营销创新、创意、快速的迭代与试错,就成为了企业营销极其重要的能力。在过往,这个过程是通过设计多套活动页面、多套话术、多套礼品组合,以及程序编码的形式来实现的。过程中耗费了大量的人力与财力,且迭代速度依然受制于设计、开发资源的充沛性,最终导致敏捷的创新迭代极其难以开展。
而如今的AIGC技术,例如以ChatGPT为代表的文生文能力,可以几秒钟快速生成多种类型、情景的营销文案、话术、执行脚本等。又比如以StableDiffusion为代表的文生图能力,可以帮助营销内容快速生成各种风格的活动图片、Banner图、广告图,甚至是活动界面的整体UI等,且这些图片没有版权问题,可以自由使用。
而当下更火、更炸裂的以Runway为代表的文生视频的能力,更是能让营销人在短视频盛行的当下,快速基于基础素材、文本生成各类风格的短视频,从而在短视频平台上进行创意的快速迭代与创新。这一切,在过往都是无法实现的,而如今在大模型的帮助下,这些技术能力都将对营销内容的创造带来极其深远的影响。
大模型营销的未来-AIGA
回顾整个数字营销技术的发展史,实际上人们对于数字营销终局的追求远不止如此。仔细分析如上的逻辑会发现,四项核心能力本质上没有深度衔接形成一个持续自循环的系统。从业务角度上来讲,数字营销过程中的一系列事物,需要能做到PDCA自循环。
也就是说,任何的营销策略被设计,是需要基于过往被验证为有效的详实的数据作为依据的。设计好的策略需要被自动化地执行,执行过程中需要具备根据实时营销环境的外部动态参数同步调节策略的能力。这个中间动态的适应过程不但需要包含支持ABTest多分支的动态创意内容生成,还需要基于分支流量效果进行流量的自动分配、对人群进行实时洞察,真正做到将最恰当的营销介质在最恰当的时机送达至最恰当的受众,从而实现ROI的最大化。
这是一个实时的、动态的、全链路的协同体系,它需要将系统中的用户标签与画像、动态内容与创意、有效转化链路的实时计算等内容进行全局、全渠道的有效编排。
而在过往,营销领域智能决策(IDM)的相关研究与实践,普遍受到了较大的挑战。困难点一方面表现为营销链路的多模态问题,不同模态下的数据难以整合到同一个模型中进行模拟与训练;另一方面表现为决策所依据的数据源的实时性以及可回归性;最后一方面也是最大的问题,即数据孤岛所导致的局部计算与推理,无法泛化表达整个营销链路的巨大矛盾。
然而随着内容生成(AIGC)展示出来的大模型对于实际应用的高效提升表现,也让业界对于其赋能业务有了更多期待。除了内容生成上取得的巨大成果,业界更需要借助大模型进行更深层次的智能决策(IDM),进入AI生成行动AIGA(AI Generated Automation 即生成式自动化)的深水区。
那么,什么是AIGA呢?AIGA指的是由AI人工智能生成的一系列行动。如果拿人来比喻,AIGA就像是人类大脑的一个决策中枢,根据输入的信息和经验规则,生成具体的行动方案。与人类大脑类似,AI也可以通过学习和优化,不断提高生成行动的准确性和效率。
我们引用数视科技李飞博士在QCon全球软件大会上的一段分享内容。他认为,基于大模型的AIGA实现,大体可以分为四个步骤,首先使用大模型进行整体的任务规划;接下来进入模块唤醒阶段,主要是大模型基于调用链逐个调用子模块进行任务执行;随后是各个模块的结果的反馈;最后是大模型整合以上内容进行最终的任务反馈。整个过程中最为核心的任务是大模型如何启动软件执行,这是一个极为复杂和系统的过程,每一个步骤都需要进行严格的规划与检测,从而确保整个程序的效率与准确性。
在大模型驱动智能决策的过程中,还需要有诸多相关技术的引入与实现,例如在产品信息方面,未来的大模型营销需要进一步补足各类产品信息,从而“喂”给大模型,帮助大模型理解产品内容本身。接下来还需要对prompt进行针对性的设计,例如使用一种定制的任务指令模板,即Context+Role+Goal+Example,来让大模型更好的执行任务。第三方面需要全局的意图规划与识别,这就涉及到多模态数据的关联意图识别技术。最后一部分也是极为重要的内容,即专有领域知识库的构建。营销本质上是需要基于专有营销领域的存量知识进行的,因此我们需要为大模型建设专有的营销领域知识库,为领域知识持续积累提供载体,让大模型在不断的进化与纠偏中,变得越来越聪明。
在数字营销领域,大模型技术同样拥有极大的想象空间,而营销所具有的诸多独特性质因与大模型特性高度匹配,让我们更有理由相信,通过大模型加持后的数字营销,将带来更为爆发式的价值提升。
作为领先的对话式AI技术解决方案提供商,中关村科金依托自主研发的领域大模型、多模态交互、大数据分析大核心技术,打造了数字化洞察与营销、数字化服务与运营、数“智”底座三大产品矩阵,全面升级云呼叫中心、智能客服、智能外呼、质检陪练、智能音视频等产品,已服务900余家企业的200多个应用场景,实现高效率、低成本、规模化的AI创新应用,助力企业高效赢得客户,实现数智化转型升级。
同时,中关村科金基于营销场景多年积累的行业KnowHow,结合在IDM(智能决策)、RPA(流程自动化)、CoE(任务规划与调度)、流程挖掘等领域的强大产品能力和丰富的落地经验,将结合大模型为企业打造具备高度组织能力、超强执行能力、转化链路自我进化的新一代数字营销决策引擎,全面赋能中关村科金数字化洞察与营销产品矩阵,如CDP(客户数据平台)、MA(营销自动化平台)、SCRM(新媒体营销平台)等,并在金融行业某大型客户的真实营销场景中即将规模化落地。
数字营销作为生成式AI浪潮重点惠及的领域,全链路中的所有环节都将被改变、提效,从内容生产逐步向商业决策、企业经营渗透。中关村科金将持续致力通过更前沿的AI和数字技术,帮助更多企业全面发掘客户深层次需求,降低运营成本、实现业务增长,共同迈向全面数字化时代。
作者:任立勇 中关村科金智能营销产品总监