您当前的位置 ：
　　科技中每一次的典范转移(Paradigm shift，用于描述基本理论中从根本假设或法则上进行的改变)，都会推动企业改革进而重新规划生产，并随之激起创新浪潮。今天我们处于全球人工智能(AI)革命的早期阶段。机器学习算法的结果随着经验的提高，使我们能够在大数据集中找到模式，并更有效地对人员，设备，系统和过程进行预测。但是英国人工智能创业的动向是什么?
　　我们已经绘制了226个英国独立的、早期的AI软件公司版图，并在最近几周拜访了这其中不少于40家的公司。下面，我们分享我们发现的六大动向，他们塑造了英国的AI市场-从改变活动水平和重点领域，到货币化的趋势、投资的规模和分期。
　　英国AI前景：226家公司的统计
　　随着时间的推移，我们期望“AI”公司和其他软件供应商之间的差别变的模糊，然后消失，因为机器学习被用来处理各种各样的业务流程和部分。然而今天，我们或许可以找到一个专注AI的初创软件公司的子集。
　　我们已经在英国研究了226家早期AI公司，并与其中40家公司进行了会面。我们已经制作了一个地图(图1，上面)，根据以下几点来放置这226家公司。
　　？目的：公司是否专注于改善某种业务功能(例如市场营销或人力资源)或某个行业(医疗，教育，农业)?或者公司是否开发了能跨领域应用的AI技术?
　　？客户类型：公司主要销售给其他企业(B2B)还是消费者(B2C)?
　　？资金：公司迄今收到多少投资资金?我们将投资资金从“天使投资”(angel investment,低于50万美元)到成长资本/成长基金(growth capital, 800万美元到1亿美元)进行划分。
　　我们会定期更新我们的地图。如果我们忽略或分错您的公司，我们深表歉意;我们知道许多初创公司可能正在大规模使用AI，但未展现出来。请联系我们添加或更正。
　　在分析市场并在最近几周与40家公司会面后，我们重点介绍以下六个市场动向：
　　1.关注业务功能的AI
　　大多数早期的英国AI公司-每6个中有5个-将机器学习应用于特定业务功能或行业的挑战(下面的图2)。然而，六个中仅有一个在开发适用于多个领域的AI技术，即性能优化及平台或算法的研发这反映了AI领域正处于新兴阶段。这些公司的活动范畴包括开发计算机视觉解决方案至创造自主决策的算法。
　　AI公司向谁销售?
　　10家AI公司中有9家主攻“B2B”，为其他企业开发和销售解决方案(下图3)。只有1/10的公司是直接销售给消费者('B2C')。
　　围绕数据的“冷启动”挑战抑制了B2C AI公司的新生数量。训练机器学习算法通常需要大量的数据。虽然面向企业(B2B)的公司可以在缺少公开或受许可的(例如Facebook资料)数据的情况下，分析他们所服务的公司提供的各种各样大批量的数据集，但面向客户(B2C)的公司在创始起初，通常没有大量消费者数据用作分析。因此，随着时间的推移，B2C公司通常随着用户基础和数据集的增长不断部署机器学习的工作。例如，Gousto是一家MMC投资的公司，向消费者提供食谱和相关配料，以便捷家中的烹饪。现在，Gousto的机器学习博士，数据分析师和工程师团队利用AI进行仓库自动化和菜单设计。自Gousto公司成立以来，该公司就早已开始尝试使用AI，但直至近期才达到如今的效果。
　　考虑到“冷启动”的挑战，现实情况是，大多数消费者对于机器学习的初体验，是通过世界上最受欢迎的那些消费者应用程序(如Facebook，Google，Amazon，Netflix，Pinterest等)，利用大量数据集和机器学习团队，实现面部识别、搜索和娱乐建议、翻译以及更多的功能。
　　　2.人工智能创业分布不均衡
　　以每个部分的公司数量来衡量，以下的热力图突出显示出了早期AI公司的活跃领域，(图4，如下)。
　　最活跃的领域：
　　市场营销与广告、信息技术、商业智能与分析;
　　金融部门。
　　一般活跃范围：
　　人力资源
　　基础设施、医疗健康、零售部门。
　　上述领域都非常适合应用AI，这便解释了为何人工智能都集中活跃于其中。有机会在这些领域创造价值是显然且有必要的。例如，在市场营销和金融方面，广告转化效果的提升和财务绩效的评价是易于量化的。所有的上述领域都提供了大量非常适合应用机器学习的解决的预测和优化问题，它们都能提供用于训练和部署的大数据集。因此，在这些领域找到优于人类表现的AI方案是在技术上可行的，而找到非AI的替代方案则不切实际或非常昂贵;并且，这些领域都是专业化的垂直行业，距来自消费者和受到AI平台提供商巨头(如Google, Amazon, Microsoft, IBM)关注的竞争威胁甚远，除了Google和IBM可能有能力在健康医疗领域发起挑战。
　　有吸引力的市场基础促进了产业活动，最强的AI公司们可以通过以下方式发展竞争优势：引入深度的专业知识来处理复杂的专业领域问题;开发专利算法;通过利用非公开数据集
　　有吸引力的市场基础促进了产业活动，最强大的AI公司可以通过以下方式发展竞争优势：引入深度的专业知识来处理复杂的专业领域问题;开发专利算法;通过利用非公开数据集创建围绕数据的网络效应(network effect，又称需求方规模经济，就是指一个产品或服务的用户越多价值越大);并通过保障充足的资建立一个高质量的机器学习团队和上市的资源。
　　产业活动中营销和广告活动占主导地位;英国每5个初创AI公司就有1个关注该行业。现代营销和广告的根本特点体现了AI的好处。消费者对网站和应用程序拥有数十亿个接触点，这提供了丰富的可得但复杂的数据。此外，营销和广告价值链的几乎每个阶段都适合进行优化和自动化，包括内容处理、消费者划分、消费者定位，程序化广告优化，消费者购物推荐和消费者情绪分析。
　　不太活跃的领域
　　在一些领域，相对于市场机遇来说AI活动是微不足道的。例如，在制造业行业，很少有初创公司能够解决实质性的需求。机器学习有潜力通过预测和优化机器维护过程，提高机器20%的生产能力。通过改进的产品质量数据分析，可以降低原材料成本和重复性劳动。此外，如果生产能力被预估的更好，“缓冲”(即储存原材料和半成品以弥补生产过程中意外的低效)可以降低达30%。制造业传感器的激增，包括来自生产线的传感器数据，机床参数和环境数据，也大大增加了可用于机器学习的数据。
　　在合规与欺诈(Compliance & Fraud)职能方面，较少有初创公司有意参与银行合规资助项目从而获利。花旗集团30,000名员工，占该银行员工总数的12% - 现在在做合规工作。在其15年一季度的电话会议上，花旗强调，通过提高效率计划节省的3.4亿美元，50%以上被用于监管与合规的额外支出。花旗集团的同行之间也显现出这一趋势。摩根大通用于合规的支出，自2011年至2015年增加了50%，达到了9亿，而高盛则强调，过去四年其员工人数增长了11%，主要是为了满足监管合规方面工作的需求。我们与银行的讨论特别关注“了解您的客户”(KYC)和反洗钱(AML)的打算。除了提出广泛的需求，该部门提供大量的数据集，用于训练人工智能，作为昂贵人工的替代品，并且考虑到人类监测数据泛滥根本是不可能的，至少在某些方面的机器学习能力，能够提供明显优于人类的绩效。在银行内部努力下，可能有少数英国合规公司，开始专门留意潜在客户的关注点或来自美国初创公司的竞争，不过机会似乎相当可观。
　　3.人工智能创业公司数量已经翻倍
　　与前一时期(年)相比，近年来(年)在英国成立的AI公司数量(图5，下图)增加了一倍。超过60%的英国AI公司成立于过去36个月。在此期间，几乎每周在英国都有一家新的人工智能公司成立。
　　人工智能领域的创业正在被更广泛的人工智能时代的到来以及早期创业平台所特有的因素推动。
　　关于人工智能活动的一般说法，就是在过去20年的人工智能研究中所种植的种子今天正在结果。新的算法，特别是卷积和复现神经网络，正在提供更有效的结果。训练数据的可用性的对数级增加使得调整机器学习算法以提供准确的预测成为可能。图形处理单元(GPU)的开发已经将训练神经网络所需的时间减少了5倍到10倍。并且在过去五年中，公众对人工智能的认识提高了六倍，因此提高了买家对这项技术的兴趣。
　　其他一些因素也正在推动新的人工智能创业公司的产生。在过去的五年内，因为投资者看到了该领域的前景，人工智能公司的风险投资基金增长了七倍。行业云提供商(谷歌，亚马逊，微软和IBM)所提供的人工智能基础架构和人工智能服务降低了部署机器学习解决方案的难度和成本。而开源AI软件(特别是机器学习组件库TensorFlow)的成长降低了参与机器学习的障碍。根据持续的风险投资资金，我们预计英国的高水平人工智能创业将持续下去。
　　新兴人工智能公司主要集中在哪里呢?在新兴的人工智能公司中，人力资源业务功能和金融部门所占比例最高(图6)。三分之二的人工智能人力资源公司和人工智能财务公司还不到两岁。
　　人力资源领域最近的活动源自于行业内发生的范式转移。人力资源正从一个管理记录的系统发展成为一个关于预测增长和效率的驱动者。企业主正在寻求利用以前未充分利用的数据集来提升应用效果，应用范围包括基于能力的员工招聘到关于员工流失的预测模型。
　　令人惊讶的是，在商业智能，安全和合规功能，以及零售部门和基础设施部门范围内，新的人工智能公司占的比例较低。随着机器学习的大数据集的成熟发展，这些部门曾经首先吸引人工智能企业家的。
　　4.一个相对于全球同行的新生行业
　　与全球同行相比，英国人工智能领域处于新生阶段，既带来了机遇，也带来了挑战。
　　今天，相比于美国同行的一半比率，有四分之三的英国人工智能公司处于他们自身旅程的最初阶段，就是所谓的“种子”或“天使”资金阶段(图7)。另一方面，在每10个英国人工智能公司中只有一个处于晚期“增长资本”阶段，而在美国却是每五个人工智能公司中就有一个。2015年，我们数据可用的最后一个整年，几乎所有有资本输入的英国人工智能公司都还处于天使，种子或A系列阶段，而在全球人工智能领域内，已经有三分之一的公司收到了后期资金(图8) 。
　　这种动态现象既呈现了机会，也隐藏着风险。一个充满活力的创业场景为处于初期的公司的企业家，员工和投资者提供了无与伦比的机会。与此同时，更加发达和资金富裕的海外竞争对手可能会提高英国公司的竞争压力。这种影响可能因高比例被出售给大企业的人工智能公司而加剧，其中许多竞争者来源于全球的供应商。英国持有宝贵可以用于人工智能研究的资产，包括拥有四分之一的世界排名前25的大学，以及一个出现了了Deep Mind，SwiftKey，Magic Pony和其他英国人工智能公司而不断增长的人工智能从业者和投资者的生态系统。
　　5.营利的旅程可能会更长
　　超过40%的我们遇到的人工智能公司尚未产生收入(图9)。这并不是因为我们遇见的是处于初期阶段的公司;我们遇到的公司中，处于中位数位置的公司是一个创立于2 - 3年前，已经筹集了130万英镑，有一个有9个人并且每月花费7,6000英镑的团队。
　　大多数人工智能公司，至少应用型的人工智能公司，计划获得预收入而不是销售软件和服务的想法是一个神话。我们遇到的所有公司都在实施或开发货币化计划。那么，为什么一些人工智能公司比其它领域处于初期阶段的公司花费更长时间才实现货币化或规模化?我们总结出以下四个原因：
　　在这个技术上有挑战性的领域，最低可行产品(MVP)的标准可能更高，需要更长的开发周期。
　　90%的AI公司是B2B公司。在B2B销售中典型的长销售周期会在AI公司中加剧，这是因为许多AI公司专注于分散而敏感的数据，如财务数据。
　　由于广泛各个客户的数据集成、数据清理和定制要求，部署期可能会很长。我们遇到的一半人工智能公司有一个纯粹的软件即服务模式;因此许多成本巨大的客户端整合和定制工作以项目收入的形式获得盈利(图10)。
　　可用于初期公司实施的人员数量的有限性阻碍了许多人工智能公司的发展。在几家公司的情绪回应中，有人告诉我们“即使我们有订单，我们也无法实施更多的销售。”许多团队中有三分之一的人员是从事部署支持工作的。
　　机器学习人才的高成本造成了现金燃烧率增长的加剧，更长的变现盈利之路可能对人工智能公司构成挑战。我们建议人工智能公司筹集足够的资本，使其在这段风险时期内可以持续走下去，直到上市和超越。
　　6.投资更大，但分期是非典型的
　　至少在全球范围内，对人工智能公司的投资通常比平均资本输入大20%到60%(图11，显示的是2015年数据)。这反映了公司的基本面和资本供求的动态。人工智能公司的资本要求更高，因为在产品可行性之前有更长的开发周期，机器学习人才的高成本和复杂部署所需的更大的团队。然而，除了这些基本面之外，资本输入因大量的供应(许多风险资本家寻求机会投资人工智能公司)和有限的需求(有相对较少的人工智能公司可供投资)膨胀。在过去的五年里，早期人工智能公司的风险资本投资增加了七倍，然而具有可投资前景的公司的数量仍然有限。
　　此外，在英国，相当数量的少数公司成功从种子轮次跳到比随后一轮的典型数量大得多的增长(图12，下图)。三分之一的英国人工智能公司在之前的筹资额低于100万美元的情况下，在一轮筹资中募集了超过800万美元。如上所述，这种动态部分是由人工智能公司的资本要求驱动的，但是人工智能公司中有限数量的有吸引力的投资机会还是只有那么多。与此同时，新生公司的估值预期受收到的“被并购”的邀约支持着。
　　总结：英国人工智能的拐点
　　最近36个月标志着英国初期人工智能的一个拐点。创业数量增加了一倍，因为人工智能技术时代的到来和投资的增加。然而，相对于全球同行而言，这些公司仍处于发展的早期，为企业家和员工提供了前所未有的机会和挑战。四分之三的英国人工智能公司处于自身发展旅程的最初阶段，活动仍然不均衡。新兴公司集中于易于解决的业务功能，这些业务功能数据集丰富并且优化挑战显而易见。今天，业务流程正在优化。在未来，他们将被重新定义。在过去24个月内，人工智能企业家开始处理额外的职能和部门。今天的人工智能公司的盈利道路可能更长，但高效的企业家正在利用有吸引力的资本动向在发展旅程的早期筹集足够的钱。
　　随着人工智能革命的继续，“人工智能公司”和其他软件提供商之间的区别将会更加模糊。然而，今天，我们很高兴地强调这些公司正提供出的显著效益。这些公司正一起塑造“第四次工业革命”。
　　我要感谢我的同事Dominic Sando，他的大量工作对上述研究做出了重大贡献。
　　作者| David Kelnar
　　编译团队| Aileen任杰沈爱群徐凌霄
本网各平台二维码，扫一扫新闻更精彩浅谈营销里AI技术的应用_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
浅谈营销里AI技术的应用
&&Lazysoft
阅读已结束，下载本文需要
想免费下载本文？
定制HR最喜欢的简历
你可能喜欢感谢赞赏！给好友秀一下吧
内容棒，扫码分享给好友
人工智能有哪些营销应用场景？听时趣首席科学家王绪刚博士怎么说
虎嗅注：在虎嗅F&M创新节深圳专场上，时趣首席科学家王绪刚博士结合自身的经历，分享了他所看到的人工智能在营销中的应用场景以及未来的一些可能。今天，主要想要跟大家探讨的是AI或者算法在各行业不同的营销场景中应当如何应用，以及时趣Social Touch公司会给出怎样的解决方案。&我想先通过个人经历来分享一下。&在日本读博士期间，我的研究方向就是神经网络，但是当时人工智能没有多少应用场景。因此毕业后，我去了中科院软件所，从事手写识别和语音识别的研发内容。这期间我注意到，互联网当中有着大量的数据沉淀，尤其是在电商领域。因此，我开始从事利用电商数据进行推荐引擎的研发。慢慢我意识到，人工智能相关的算法在营销领域，会有越来越多的应用场景，因此加入到时趣，研究通用智能算法的实际营销应用，上述过程也是我作为一名人工智能专业的人慢慢走到营销领域的过程。&在这个过程当中，身边总有很多朋友会问，比如人工智能未来会是什么样子？所谓的奇点会不会到来？人类会不会真的被机器所控制？我们的创意人员会不会被替代等问题。&这些也是我在思考的，在此，分享一下我的理解。&发展方向: 更聪明or更高效&人工智能会有两个思维方向，一个是自下而上慢慢接近人类的智慧，另一个是自上而下提高商业效率。我个人的观点是说，人工智能还是会逐渐自上向下走的，就是知识加工、计算，这是机器最擅长的工作。病愈生产、制造整合在一起带来商业效率的提升。&&在过去我们知识工作广泛地依赖于人，比如说你看任何一家营销公司，很容易从十几人变成一百人，时趣公司现在已经几百人了，而其中很多人每天重复同样的事情，在这个过程当中，如果利用人工智能算法来提升自动化程度就能解决很多决策效率问题。&说起来很简单，但实际执行起来却非常难，这是为什么呢？&一方面你要懂人工智能相关算法，另一方面你要懂得业务的流程。现实中很难找到同一个人满足这两个要素，因而往往要找两类人。而这两类人在说同一件事情时，经常是鸡同鸭讲。这也是我们公司这么多年不断磨合，不断争吵、相互沟通才能做协同的一个工作过程。&同样的，在企业内部，营销也是偏文科思维去考虑的事情，而要通过IT去解决，往往要通过CMO的感性和理科背景来解决。一般我们希望能够快速解决现实中的问题，而到了IT这里，会希望我们有一套平台，既能保证短期的应用，又能保证长期架构的扩展，对于他们来说架构的稳定性和灵活性很重要，这样就很难通过IT来解决营销眼前立竿见影的问题。&&因此，时趣通过这么多年的积累给到我们客户一个保证落地的架构， IT层先是完成业务数据化，通过量化和语义化，实现企业数据管理和用户画像，而业务层主要完成数据业务化的工作，也就是直接从业务的角度将量化后的用户画像直接用于分析与自动化运营。这个搭建起来才能保证两方面的完美结合。&营销领域里的应用场景&我们总结了日常生活当中经常能看到的应用的问题，从媒介、品牌到线上运营不同阶段，以及从不同的分析类型都有不同的应用场景。接下来与大家分享几个实际案例。&第一个案例就是市场研究。市场研究是常见的通过量化的方法解决决策的问题，传统的市场研究往往通过调研问卷、访谈，现在也有采用在线调研方式去完成的。但是在这个过程当中还是有很多效率有待提高。从问题提出，传统执行流程中大量的交互工作，然后产出报告，再给到决策层，决策层根据报告再给出反馈，整个过程是比较低效的。&&我们的一个客户就曾需要面对这样的过程。其实只要直接连接数据，或者通过消费者行为的数据就能够帮助客户看到他们的产品该如何设计、该如何生产。因此我们为客户搭建了整个企业的决策平台，类似于百度搜索的形式，对于每个产品型号或者每个产品型号的功能点，依照时间呈现的走势，以及产品是不是受欢迎，根据用户日常的投诉，发现产品使用过程当中，哪些是用户最不喜欢的点，利用数据协助产品的迭代。或者在消费者刚完成购买时，在线发送调研的问卷，让消费者及时给出产品、服务反馈。此外，很多直销人员，就是大卖场的销售，能够在线通过手机给出一些 “我在这个本卖场我观察到的用户是怎么样子”的，这些信息数据的搜集都能非常快地完成。第二个应用场景，我们在营销推广时经常碰到。现今，自媒体已成为非常重要的媒介，那么企业应当如何去选择正确、合适的自媒体呢？营销决策人员需要根据消费者受众需求来选择哪些是他们的关键意见领袖（KOL）。我们会结合自媒体本身的属性，以及之前与其他品牌的合作能力，比如说短链接的点击情况、转发的情况等，来帮助企业选择一个合适的KOL。 日常用户运营场景中还有很多可以通过智能算法去改进的地方， 比如沟通的方式。之前我们发现，to B的销售通过有经验的销售人员可以做到不同人说不同话，但是to C的软件很难做到一对一沟通。前期企业或许可以通过客服人员实现与消费者的细致沟通，但是当企业上升到一定规模的时候，是没办法再通过人工去解决的这些问题的。因此时趣会跟很多企业去合作，比如科大讯飞、三角兽等都可合作配置一些聊天问题，获取几个限定信息，比如家住哪儿，家有几口人，然后给你一个合适产品或者服务的推荐，留住新的访客。&大数据的算法要求非常高，但是创业公司不可能请那么多人工智能的专家来编写复杂的算法，我们需要一般开发人员都能享受到这套算法的效率。因此时趣把整套的数据解决方案抽象为几个各行业通用的场景，在这个过程当中实际上是不断把人、产品、营销内容，通过标签的方式去关联，最终构成一个图结构，把整个计算引擎采用图的计算框架，比如说通过计算用户的影响力，找到相似的受众，相关的人群聚类，从而对数据做更深层次的挖掘。&实时图计算有多方面作用，一方面可以满足实时过滤，另一方面可以满足实时推荐，从搜索到洞察结果，对于传统的数据库，甚至一些大数据的处理平台，都难以胜任实际工作，因此时趣就开发了这样一套专利架构。时趣目前已经将上面提到的整套大数据的算法应用于营销领域多个层面，而未来趋势到底怎么走，不管人工智能也好，不管大数据也好，不管是说我们现在在热的状态，还是未来慢慢变冷，一直到成熟区，我们要一直关注它，就能看得见那一天的到来。
未来面前，你我还都是孩子，还不去下载 猛嗅创新！
最多15字哦
后参与评论AI研究院 | 营销受到人工智能冲击!看看那些挑战与应对策略
用微信扫描二维码分享至好友和朋友圈
用微信扫描二维码分享至好友和朋友圈
　　　　【编者按：《AI研究院》由网易智能频道与杭州研究院共同打造，每日一篇，专注AI行业研究与深度分析，并提供技术应用交流。转载请联系我们获得授权，公号 smartman163）】　　【网易智能讯 3月23日消息】你知道，现在有超过3874家公司可以提供营市场销技术吗?这让我们直观感受到，整个营销行业面临着巨大挑战。　　“营销有一个独特的挑战，那就是没有一个典型、通用的范例或者说流程。”“如果你去看看任何一家财富500强公司，他们会有数百种鱼龙混杂的产品。”Salesforce产品营销副总裁Eric Stahl指出。　　这些业内领先的市场营销专家认为，市场营销人员和广告商所提供的大量工具对客户来说既是一种祝福，也是一种诅咒。各种各样的选择使营销人员能够适应消费者和客户行为不断变化的数字环境，但专业人士往往会选择使用其中的20到50种不同工具来管理所有营销任务。　　其结果是管理软件的时间比管理策略的时间更多。我们与之交谈过的每一位营销主管都强调，供应商的变化和不兼容是现代营销的头号挑战:如何寻找和收集可靠的数据。　　要理解人工智能如何应对现代营销挑战，你首先需要了解营销人员每天所使用的工具。如果你不是专业的营销人员，请先容我们简短介绍一下整体营销技术，这涵盖到典型的企业“用例”以及各种附加解决方案。　　挑战1:缺乏可靠、统一性的数据　　公司的每一个功能都在试图解决数据收集、整理和集中分析问题，但不一致的标准和不兼容的集成度，使得数据流分析对市场营销人员来说尤其困难。　　除了工具的变化，营销技术(martech)和广告技术(adtech)通常都是相互孤立的。TouchCR公司的首席信息官里奇黑尔（Ritchie Hale）警告称，“这两种方式的分离会产生一种识别鸿沟，在我们没有可识别的信息之前，就不得不努力寻找广告受众。”　　工具之间缺乏互操作性的一个关键因素是营销技术领域技术发展以及并购速度在不断加快。“和诸如甲骨文、Adobe或Facebook这样的公司所拥有的大多数数据管理平台和营销自动化工具，最近都出现了大规模并购，但还没有相互整合到一起，”Synerise的全球营销经理Monika Ambrozowicz解释道。　　Mark Kovscek指出，另一个问题是，为不同的营销目的而准备得数据有着细微差别。“数据收集以及导入会针对特定的用例进行优化(例如，程序、活动报告、媒体归属)，因此会创建了不同版本的数据。”　　如果没有可靠的、精确的数据，营销人员注定会遭遇诸如效率低下以及机会错失等诸多问题。许多关键决策，如创意、信息传递和活动数据，对市场营销的成功至关重要，但它们都是由直觉驱动的，而不是科学。即使是在做决定的时候，市场营销人员每周仍然需要花费超过3个小时来分析不同的数据来源。　　工具不兼容带来的的另一个潜在影响是会加大扰乱自己营销活动的风险。RocketFuel首席技术官Mark Torrence警告称，“如果多个合作伙伴使用类似的数据或目的想法来购买流量，他们可能会相互竞争，反而推高了购买成本，降低了效率。”　　数据缺乏统一性也会导致消费者的消费体验不佳。使用广告重新定位的零售商通常不会意识到你已经购买了商品，还会给你发送了大量无关、无用、烦人的广告。　　人工智能将如何应对这一挑战　　许多营销技术公司的目标是成为人工智能技术公司，通过营销工具集中并管理信息和数据。最有可能获得胜利的是Salesforce、甲骨文和Adobe等大型企业，它们已经在自己的生态系统中提供了端到端解决方案，并能够大举收购和整合规模较小的公司。　　2016年，Salesforce首席执行官马克贝尼奥夫（Marc Benioff ）斥资40多亿美元收购人工智能公司并入Einstein，后者优化了Salesforce所有云计算的结果。其客户Fanatics是一家体育用品零售商，利用Marketing Cloud Einstein来进行个性化产品推荐。　　体育迷们有不同的需求，比如铁杆球迷、装备狂热者、学校或当地球队的球迷，还有球迷的粉丝，那些为朋友和家人购买运动装备的球迷需求各有千秋。根据Salesforce公司营销公司副总裁Stahl的说法，Einstein把顾客分成了几大类，但也提供了“细分”领域，这导致Fanatic电子邮件广告的点击次数提高了15%到20%。　　同样的个性化服务也可以被移植到Salesforce商务云服务上。在那里，由于更好的推荐，Einstein帮助一些客户的营收提高了28%，平均订单价值提高了11%。　　与之类似，Adobe也控制着一套庞大的创意工具，以及一款面向企业的流行的数据管理平台和网页分析工具。副总裁Amit Ahuja负责Adobe的人工智能业务，其通过云解决方案统一数据。由于Adobe拥有很多基础的视频和内容创作工具，Ajuha解释称Sensei能够“收集所有的创意和所有的元数据，从而为品牌所有者提供更多信息，让他们在消费者面前有更多创意。”　　Ahuja预测:“当人工智能的炒作消失时，差异化将在数据层体现出来。”“在谷歌之外，我们坐拥着所有行为数据的最大记录系统。”“没有人能做到我们所做的事。　　像Salesforce和Adobe这样的巨头并不是唯一在市场营销中能够从容应对数据挑战的公司。像Swiftype这样的小公司也能够解决在营销工作流程中资产和文档协调面临的瓶颈问题。　　干坐着等待创意部门发送信息副本和图表，然后再分析出最新的绩效指标，这种方法痛苦又低效。Swiftype整合了多个数据源的知识和数据，比如Marketo和Salesforce的营销活动，任务管理工具，以及Dropbox和Google Drive等的代码库。　　公司营销副总裁Praveena Khatri解释说:“商业客户从这种方式中获得了明显的好处(例如，搜索“勺子”也会为提供“匙”相关搜索结果)，为客户更有效地建立索引，并根据相关性和日期来组织内容。　　挑战2:人才瓶颈　　运行大量的工具还会给营销团队带来培训方面的挑战，并造成专业技能的瓶颈。当涉及到培训初级员工来操作复杂的企业软件时，过程非常乏味且容易出错。 Strike Social联合创始人马克肖尔（Mark Shore）抱怨道:“为了省钱，员工们通常只选取一个或两个参数开展活动。这就导致了效果较差。”　　大企业面临的另一个挑战是，其往往需要依赖外部人才进行必要的工作。Torrence of Rocket Fuel解释说，大多数财富500强公司都依赖于营销合作伙伴，从谷歌、YouTube和Facebook的业务中购买媒体资源。此外，他们中的大多数“仍有大量的媒体支出是由广告机构合作伙伴控制和管理，他们自己仅仅是看最终效果。”　　如果掌握营销工具是困难的，那么掌握人工智能的研发就更难了。很少有组织能在这方面取得了成功。即使一家公司在一个系统中奇迹般地集中了可靠和高容量的数据，仍然需要专门的人才来运营工作模型。　　财富500强公司内部并没有这种倾向性或者资源，他们通常会在开发过程中失败。“因此，问题在于如何购买，”ActionIQ首席执行官Tasso Argyros如是指出。就连拥有数据科学家和工程师团队的专业公司，也常常发现由于其员工缺乏先进的数学背景，无法在现代人工智能中获得真正创新。　　就连工程师本身也不能确保成功。市场营销高管认为，专业领域的专业知识和商业需求应该推动人工智能研究，而不是反过来。“最重要的不是先进的数学模型或复杂的神经网络，”营销情报机构SEMrush 的Yulia Khansvyarova断言。最重要的部分是功能工程学。你拥有的专业领域知识越多越好。从而可以不断验证你对最终用户的假设。”　　AI将如何应对这一挑战　　营销任务自动化提高了准确性，减少了工作量，让营销团队更有效率。尽管提供自动话解决方案的服务提供商很多，但许多营销高管都看到了市场早期的吸引力。　　Shore of Strike Social声称，它的技术能够“自动完成单调乏味的活动开展过程，发现人类无法察觉的微妙模式差异，并将广告活动细化成若干个微型广告，从而把广告开支重点实时转移到表现最佳的目标上。”该公司能够将YouTube的观看率提高25%，同时将运营时间减少75%。　　RocketFuel是另一家以人工智能为导向的营销公司，其用更智能的自动化取代手动优化。“我们使用各种各样的机器学习和优化技术，包括神经网络、逻辑回归、多策略优化、性能感知、倍增竞价等等。”我们经常通过两种或更多的模型取得平衡，以实现多目标优化。”RocketFuel的Torrence解释道。　　RocketFuel和另外三家供应商进行了竞争，其余所有的供应商都在进行手动优化。RocketFuel基于人工智能的优化策略是竞争对手的平均成本开支的8分之一。　　除了自动化运行，创新的营销公司也建立了对话式方法。正如Equals 3管理合伙人Scott Litman所描述的那样，该公司开发的对话式机器人“露西”是“营销人员的认知伴侣”。露西可以成为用户信任的市场分析师，帮助客户进行研究、细分和规划。它可以坚持24小时工作，而且对待数据更为智能化。Litman声称，作为世界上最大的媒体机构之一，Havas Media已经成功利用露西实现了目标，这使得其开支成本降低了75%，同时开展活动的速度提升了7倍。　　挑战3:无法计算投资回报率　　　　并不是所有的数据都是一致的。营销人员很难将数据转化为自己的见解，更不用说计算他们决策的投资回报率了。　　Ben Plomion是口香糖公司的首席营销官，他强调了营销活动“无处不在的痛点”，“品牌在全球范围内的各大体育赛事赞助中花费超过600亿美元，但却经常无法在广播电视和社交媒体上捕捉到他们商标的全部价值。”　　公司政治可能也会影响真正的投资回报率计算。许多营销部门都害怕被问责，因此往往会刻意挑选易于出成绩的指标，而不是分析真正起作用的真实情况。　　AI如何应对这一挑战　　像深度学习这样的新神经网络方法具有超能力检测模式，从而在图像识别和计算机视觉方面取得了许多新的突破。计算机不仅可以对照片和视频中的对象进行可靠的分类，还能识别特定的品牌和产品。　　GumGum的Plomion就解释了为什么这种突破性的技术会彻底改变品牌营销:“没有相关技术，分析一个3小时游戏的不同商标植入广告可能需要几天时间。”通过利用计算机视觉技术，一台机器可以在几秒钟内分析出视频每一帧的每一个赞助商和位置，让一个完整的游戏在几小时或更短的时间内完成结果分析。突然之间，人工智能让赞助或广告活动的投资回报率变得容易计算了。　　视觉智能还能让品牌通过个性化的客户体验来推动用户参与。StackLa帮助各品牌“发现以品牌的为主题最佳用户生成内容(UGC)，将其归类为客户角色，并推荐合适的营销渠道，”公司首席技术官彼得卡西迪（Peter Cassidy）解释道。　　利用从StackLa平台上发现的用户内容，维珍假日酒店的预订比前一年增加了260%，而Topshop在线产品销售也增长了75%。根据另一家视觉智能公司Cloudsight联合创始人Brad Folkens的说法，通过向每一位用户展示最相关的图片，公司帮助客户在网站停留时间方面实现了4倍的增长。　　人工智能还可以替代旧的方法，以更好地评估不同的数据源，并将其转化为更准确的商业洞察。对细分受众及行为进行深入分析，从而能够开展对顾客行为的理解和处理，如购买力的预测以及客户流失程度。通过使用人工智能将营销与人口统计和心理指标相匹配，TouchCR在广告发送率降低60%的情况下，自己的业务增长了20%。　　ReFuel4首席执行官Kazuhiro Takiguchi也为Spotify等客户带来了类似的效果，Spotify的广告点击率提高了40%，而应用程序安装量达到了此前的3倍，这都超过了之前的营销活动。根据Takiguchi的说法，这样的结果是通过“利用现有的和过去的广告表现来预测未来的创新表现”。　　结论　　　　“一直以来，市场营销人员的圣杯都是个性化客户的购买成本，”Reputation.com首席人力官Pascal Bensoussan说。“人工智能和机器学习正在成为营销技术及广告技术的核心组成部分。”　　虽然数据采集和统一化的挑战，人才招聘和培训的挑战，将继续困扰营销团队。但人工智能和机器学习的兴起，为克服现代营销中那些曾经无法解决的困难提供了一种清晰的方式。　　（英文来源/venturebeat 编译/机器小易 校对/晗冰）
特别声明：本文为网易自媒体平台“网易号”作者上传并发布，仅代表该作者观点。网易仅提供信息发布平台。
阅读下一篇
网易通行证/邮箱用户可以直接登录：