5行銷中斷,第5部分:人工智能(2018年更新)

5行銷中斷,第5部分:人工智能(2018年更新)

5行銷中斷:人工智能(2018年)

呼! 這是一個由五部分組成的系列的最後一部分,提供了2018年前進的5個行銷中斷的最新信息。 如果您還沒有閱讀最近由Resulticks進行一項研究發現,人工智能是當今行銷中最過分誇大的術語。 而這正是來自大數據,全渠道,實時行銷和個性化的流行語賓果的激烈競爭。

AI:市場行銷中最常見的術語

(你只知道有一家公司在某處推廣“使用大數據和人工智能的全渠道,實時行銷個性化。”)

所以很容易對這個詞持懷疑態度。 在Gartner的炒作曲線中,我認為行銷中的AI已經開始達到頂峰,幻想很快到來。 我實際上相信,一般來說,Gartner炒作曲線的頻率正在增加 – 你可以在一年之內從炒作的高峰期走向幻滅的低谷。 但這是另一篇文章。

但正如我在今年早些時候所寫的那樣,每個人都忘記Gartner的炒作曲線的一件事是,即使隨著炒作的大起大落, 基礎技術也在繼續發展

AI不會為你做行銷。 (謝天謝地,或者你已經失業了。)沒有Alexa濁音的神諭會神奇地向你展示正確的行銷策略。 “一般情報”人工智能的視覺仍然是一個科幻小說,它充當了大腦的感知者。 事實上,正如弗朗索瓦·喬萊特(FrançoisChollet)雄辯地證明的那樣, 它是否可能存在是有爭議的

“沒有’一般’情報這樣的東西。 在抽象的層面上,我們通過“無免費午餐”定理知道這一事實 – 說明沒有問題解決算法可以在所有可能的問題上超越隨機機會。 如果智能是一種解決問題的算法,那麼只能針對特定問題來理解它。 以更具體的方式,我們可以憑經驗觀察這一點,因為我們所知道的所有智能係統都是高度專業化的。 我們今天構建的AI的智能在極其狹窄的任務中超級專業化 – 比如玩Go,或者將圖像分類為10,000個已知類別。 章魚的智慧專注於成為章魚的問題。 人類的智慧專注於成為人類的問題。“

但具有諷刺意味的是:儘管炒作誇大了人工智能可能會在未來12-24個月內為行銷做些什麼,但人工智能如何在今天的市場行銷中工作的現實往往得不到充分認識。

去年我最喜歡的一篇文章是戴夫查菲和羅伯特艾倫在人工智能行銷方面的精彩應用文章,列出了一系列“AI”已經有效的案例,如下圖所示:

人工智能在市場行銷中的應用

他們描述的大多數用例都是由三種AI之一提供支持:

  1. 機器學習
  2. 傾向建模
  3. 自然語言處理(NLP)

IT機器學習

這些都不是你在電影中看到浪漫化的AI超級機器。

它們主要是統計算法,可以找到並匹配模式,然後將它們外推以進行預測。

你知道,自動完成。

這是數學,而不是魔術。

但這並不是對這些AI應用的打擊。 憑藉當今的數據量和處理速度,這些算法在他們的工作中非常有效。 例如,在領先評分中,機器學習和傾向建模如今幾乎經常擊敗人類和基於規則的啟發式(這裡是一個案例研究,結果顯示銷售額增長了27% )。

從某種意義上說, 機器學習只是速度和規模的統計 。 但那很有力量。 正如Redpoint Ventures的風險資本家Tomasz Tunguz(以及即將召開的MarTech會議上的常客之一 )最近在一篇關於如何識別機器學習將破壞的SaaS市場的文章中寫道:

“總的來說,目前SaaS中最常見的機器學習應用是效率應用 – 自動化大批量的死記硬背流程並降低成本。 因此,如果您希望建立一個基於機器學習的SaaS公司,那麼找一個非常昂貴的內部流程並實現自動化。“

同樣, 自然語言處理 (NLP)無疑是很酷的 – 它為聊天機器人和語音助理的會話界面提供了動力 – 但它已成為相對平凡的軟件技術。 這是一篇來自Chatbots雜誌的文章,它解釋了大多數“AI聊天 機器人” 背後的技術堆棧

Chatbot Logic:機器學習和NLP

“自然語言處理”組件和“機器學習”部分中應用的大多數算法現在都可供人們使用:內置於消息傳遞平台,可在雲中租用以獲得便士,或者僅作為開源工具包使用。

聊天機器人的事情變得有趣 – 它們的差異化和競爭優勢 – 在等式的“行動”和“信息源”中。 您的企業有哪些獨特的數據和服務? 這就是AI閃耀的地方。

這一點不能過分強調: 良好的AI取決於良好的數據

行銷人員的數據質量挑戰

這是當今行銷中AI應用程序面臨的最大挑戰。

不幸的是,大多數行銷系統的數據質量仍然不是很好。

就在幾個月前,“需求基因報告”中83%的B2B行銷人員抱怨他們的數據陳舊且過時

71%的人沒有時間或資源來實施有效的流程來提高他們的數據質量 – 因此不會很快為他們帶來任何好處。 將糟糕的數據輸入到良好的機器學習算法中將無法給出正確的答案。 如果不打開機器學習算法的黑盒子,你可能不知道那些答案是錯誤的。 除了你從中得到的糟糕結果。

(有趣的是,現在只有36%的人報告他們的數據是孤立的。回到第2部分:微服務和API ,系統越來越多地連接和共享數據。但如果數據不好,那麼這種簡單的集成就像發送一樣你的孩子上流感 – 很容易上車,但其他人都不幸。)

AI中的錯誤數據也不僅限於行銷問題。

實際上,閱讀AI專家和數據科學家關於壞數據的缺陷和風險的一些最新文章 – 在某些情況下, 故意不良數據 – 更廣泛地涉及該領域可能會有所幫助。

人工智能的真正危險 – 你認為這不是一個特別好的,雖然令人不安的關於這個主題的文章。 它解釋了AI如何“造成傷害或歧視”:

  • 使用有偏差或質量差的數據來訓練模型
  • 定義不明確的規則
  • 脫離上下文使用它
  • 建立反饋循環

麻省理工學院媒體實驗室的研究科學家Rhaul Bhargava撰寫的另一篇文章進一步深入研究了“算法不偏不倚 。 他解釋了為什麼在機器學習中,“重要的問題是什麼是教科書誰是教師 ”,因為機器正在進行學習。

科學美國人 如何破解智能機器”中的一篇文章描述了黑客如何故意使用不良數據“欺騙智能係統製造愚蠢的失言。”IEEE Spectrum的另一篇文章說明了輕微的街道標誌修改如何完全愚弄機器學習算法 -把熊貓變成長臂猿:

愚弄機器學習

人們開始意識到數據質量和數據安全性將成為行銷人員相互交織的挑戰。 從防止不良行為者竊取您的數據的角度來看,不僅僅是數據安全性。 而且還有數據安全性,可防止不良行為者將不良數據播種到您的系統中,從而故意誤導您的機器學習行銷系統。

這都是關於數據的。

嗯,主要是關於數據。 我們需要牢記機器學習的另一個因素 – 坦率地說,任何類型的算法行銷 – 都是這些功能運行的指數級加速。 這是令人費解的。

正如Alistair Croll最近在“自動化 ”中所寫的那樣,“我們將人工智能自動化混為一談。 自動化的力量不是算法。 這是無情的,平行的關注。 “在談論AI系統如何在幾小時內學會擊敗流行的國際象棋軟件程序 – 以及如何 – Alistair指出:

人工智能打敗國際象棋軟件不要感到驚訝。 很驚訝它在4小時內玩了1,228,800,000場比賽

這完全改變了優化和模擬應用的速度和規模。

對於行銷中的真實案例,請考慮MarketBrew ,一個SEO團隊的人工智能平台。 通常情況下,搜尋引擎優化專業人士會對網站進行更改,並且必須等待最多60天才能看到這些更改如何反映Google上的排名。

然而,MarketBrew的AI引擎獨自抓取網絡並建立了一個並行的“Google”。它使用機器學習來開發一個相當準確的Google排名網站模型。 然後,它可以不斷更新此模型,以反映Google算法的變化。 因此,SEO專業人員可以向MarketBrew提交對網站的建議更改,這可以預測90分鐘內對排名的影響。 這很讓人佩服。

然而,這個模型不是現實。 只是一個很好的近似。

最終,這就是人工智能與人類夥伴關係如此激動的原因。 與人工智能算法協同工作的人類通常比單獨使用任何一種算法產生更好的結果。 以下是埃森哲峽灣報告中關於機器,人類或兩者一起檢測癌症的準確性的一個例子:

AI和人類共同努力

人類帶來了仍然無法實現機器學習算法的語境和“常識”。 另一方面,AI帶來了更高的數學精度和指數計算能力,可以解決問題,而不是我們自己的想法。

人與機器是強大的合作者。 未來幾年行銷的最大破壞之一將是學習如何充分發揮這些合作的潛力。

PS想听聽有關行銷中所有這五種中斷的討論嗎? 本週四美國東部時間下午1點趕上我的網絡研討會(或者至少註冊後能夠觀看):

5行銷網絡研討會中斷(2018年)

分享

發表迴響

Close Menu