2018，营销所面对的5大阻碍（5）：人工智能

最近由Resulticks进行的一项研究发现，人工智能是当今市场营销中最被过分夸大的术语。它在与大数据、全渠道、即时营销和个性化等流行词的激烈竞争中拨得头筹。

所以我们很容易对这个术语持怀疑态度。 在Gartner的发展曲线模型中，我认为人工智能在市场营销中即将要到达巅峰，随之而来的是幻想的迅速破灭。实际上我相信，Gartner发展曲线的频率在增加——可以在一年内从发展的高峰期跌落到谷底。 但这是另一个话题了。

但正如我今年早些时候写的，对于Gartner的发展曲线，大家忘记的一件事情是，即使发展进程起起伏伏，但底层技术也在不断进步。

人工智能不会为你做市场营销。（谢天谢地，否则你会失业。）没有Alexa可以语音指导你，神奇地向你展示正确的营销策略。具有“通用智能” 的人工智能的愿景仍然是科幻小说的一部分。事实上，如果它能够存在，则非常具有争议，正如FrançoisChollet所言：

“没有’通用智能’这种东西。在抽象层面上，我们通过“没有免费午餐定理”知道这一点——没有任何解决问题的算法可以涵盖所有产生问题的随机偶然性。如果智能是一种解决问题的算法，那么它只能被理解为具体的问题。更具体地说，我们可以凭经验观察到，我们知道的所有智能系统都是高度专业化的。我们今天构建的AI的智能在极其狭窄的任务中过于专业化 - 例如玩Go，或将图像分类到10,000个已知类别。章鱼的智慧专注于章鱼的问题。人类的智慧专注于人类的问题。”

更讽刺的是：尽管Gartner的发展曲线夸大了AI在未来12-24个月内可能为营销做的事情，但现实生活中人工智能在营销领域的应用仍然得不到认可。

去年我最喜欢的一篇文章是Dave Chaffey和Robert Allen的《人工智能在市场营销中的15个应用》这篇文章，列出了“AI”已经实现应用的一些情况，如下图所示：

他们描述的大多数用法都可以由下述三种AI中的一种来支持：

1.机器学习

2.倾向性建模

3.自然语言处理（NLP）

这些都不是你在电影中看到的浪漫化的AI超级机器。

他们大多是试图找到并匹配已有模式，然后将其推断出来进行预测的统计算法。

当然，这些是自动完成的。

这是数学，不是魔法。

但是，这并不是这些AI应用程序的敲门砖。凭借今天的数据量和处理速度，这些算法非常高效。 例如，在线索评分（lead scoring）系统，机器学习和倾向建模正在打败人类和基于规则的启发性算法（这里有一个案例研究，结果是销售额增长了27％）。

*注：线索评分是一种打分标准，用于给潜在客户排名的一种方法，评分标准代表了每一个线索对企业的感知价值。大多数的营销自动化平台会采用线索评分法，给某一网站浏览行为、转换事件、甚至社交媒体互动赋予相应的数值。得分结果用来判定哪种线索已经具备购买意向了，销售代表应该立即跟进了，或者哪种线索应该进一步的培育。

从某种意义上说，机器学习只是优于速度和规模的统计数据，但是这很强大。 正如Redpoint Ventures （以及我们即将举行的MarTech大会上我们的常规发言人之一）的风险投资家Tomasz Tungu最近在一篇关于机器学习将扰乱SaaS市场的文章中写道的：

“总体而言，当今SaaS中最常见的机器学习应用程序是效能应用程序——即自动执行大容量的流程并降低成本。 因此，如果您打算建立一个基于机器学习的SaaS公司，那么去寻找一个非常昂贵的内部流程并将其自动化。“

同样，自然语言处理（NLP）无疑是很酷的，它为聊天机器人和语音助手的会话界面提供了支持，但如今它已经变成了相对平凡的软件技术。 这是来自Chatbots杂志一篇文章的一个很棒的可视化，它解释了大多数“AI chatbots”背后的技术堆栈：

“自然语言处理”组件和大多数应用于“机器学习”的算法现在可供所有人使用：内置于消息传递平台，可在云中以非常便宜的价钱出租，或仅作为开源工具包提供。

聊天机器人的差异化和竞争优势，在“行动”和“信息来源”的部分中变得有趣。“什么样的数据和服务对您的业务是独一无二的呢”这将成为AI发光的地方。

这点怎么强调都不过分：好的AI依赖于良好的数据。

这是目前AI应用程序在营销领域面临的最大挑战。

不幸的是，大多数营销系统的数据质量仍然不是很好。

就在几个月前，Demand Gen Report中的83％的B2B营销者抱怨他们的数据陈旧过时。71％的人没有时间或资源来实施有效的处理流程从而提高数据质量。这不是什么好事。这些不良数据即使通过良好的机器学习算法仍不能给出正确的答案。如果不打开机器学习算法的黑盒子，你可能不知道那些糟糕的答案是错误的。

（有趣的是，现在只有36％的公司声明他们的数据是孤立的，回到第二部分：微服务和API，系统被越来越多地连接起来并且共享数据，但是如果数据不好，那么这种简单的集合就像是送你得了流感的孩子去上学，这对其他人而言是很不幸。）

人工智能中的错误数据不仅仅影响到营销领域。

事实上，阅读一些AI专家和数据科学家关于更宽泛领域的不良数据的缺陷和风险的一些最新写作，可能对你会有所帮助。

人工智能的真正危害在于，AI可以因为如下的做法造成“伤害或歧视”：

• 使用有偏差或质量差的数据来训练模型
• 定义不明确的规则
• 在上下文之外使用它
• 创建反馈循环

麻省理工学院媒体实验室的研究科学家Rhaul Bhargava的另一篇文章《我们的算法没有偏差，有偏差的是我们》深入研究了这个问题，他解释了为什么在机器学习中，对于机器学习的内容而已，更重要的是使用了什么教科书以及老师是谁。

科学美国人中的一篇文章：《如何破解智能机器》，介绍了黑客如何故意使用不良数据欺骗智能系统制造愚蠢的错误。IEEE频谱中的另一篇文章说明了轻微的路牌修改如何完全欺骗机器学习算法将熊猫识别成长臂猿：

人们开始意识到数据质量和数据安全性对于营销人员来说是两个不小的挑战。不仅仅是为了防止不良行为者窃取您的数据，保护数据安全，还包括防止不良行为者将不良数据传播到您的系统中，从而误导您的机器学习系统。

这都是与数据相关的问题。

那么，除了主要的数据外，关于机器学习（具体指任何类型的营销算法）我们需要记住的另一个因素是这些算法超快的运行速度。

正如阿利斯泰尔克罗尔最近在《这就是自动化》中写到的，“我们把AI和自动化混为一谈。 然而自动化的力量不是算法，而是不间断的平行专注。“在谈到人工智能系统如何在数小时内学会如何击败一款流行的国际象棋软件程序，Alistair指出：

不要惊讶人工智能打败国际象棋软件，更令人惊奇的应该是，它在4小时内玩了1,228,800,000场比赛。

这完全改变了优化和仿真应用的速度和规模。

对于市场营销中的真实示例，请参考MarketBrew，这是一个针对SEO团队的人工智能平台。 通常，SEO专业人员会对网站进行更改，并且必须等待60天才能看到这些更改如何反映在Google上的排名。

然而，MarketBrew的人工智能引擎可以自行抓取网页并创建一个平行的“Google”。它使用机器学习来开发一个相当准确的Google排名网站排名模型。 然后，它可以不断更新此模型以反映Google算法的变化。 因此，一位SEO专业人士可以向MarketBrew提交一个网站提议的变更，MarketBrew可以在90分钟内对其排名所产生的影响给出预测答案。 这很让人佩服。

然而目前这个模型只是很近似Google排名模型，并没有达到与Google排名模型一致的程度。

我想最终，这将成为为什么人与人工智能的合作会如此激动人心的原因。人与智能算法配合工作往往会有更好的结果。埃森哲峡湾报告中关于机器、人类或两者一起检测癌症准确性的报告只是一个例子：

人类带来机器学习算法目前仍无法理解的的背景和“常识”，另一方面，AI带来了比人类更强大的数学精度和指数计算能力。人和机器一起合作将变得更强大。所以在未来几年营销中最大的一次机会将会是如何管理这种合作关系以发挥其最大的潜力。