您是否應該信任人工智能來推動內容營銷？

早餐前，我查看了我的Facebook和LinkedIn新聞源，以快速了解當天的情況。 當我沖涼時，因為知道今晚有一段漫長的飛行，我在Netflix推薦的電影上點擊了“下載”。 狼吞虎咽地吃麥片時，我點擊了一下，就在下週買了一個朋友的生日禮物。 我的iPhone ping告訴我，如果我想在54英里外的那段較早會面，我需要現在離開。 當我上車時，我會使用語音激活功能播放我最喜歡的Spotify播放列表，Apple Maps通知我，今天早上開車需要五分鐘才能到達火車站。

有了市場上可證明價值的真實例子，我們再也不能嘲笑AI意味著“幾乎已實現”。

我們所有人都有條件在日常生活中依靠技術，不僅用於交流，還用於決策。 正如尼古拉斯·卡爾（Nicholas Carr）在《淺灘》（The Shallows）中所寫的那樣，這種與技術不斷加深的接口正在重新引導我們的大腦以不同的方式處理信息。 我們的客戶也是如此。

流行的消費類應用導致無意識地大規模採用了先進的預測技術。 但是……雖然我們越來越多地將我們的認知過程外包給眾多的消費者應用程序和工具，但企業才剛剛意識到這種新的客戶期望水平。 當我們認為我們現在信任汽車的內置防撞系統以保護我們的生命，卻仍然質疑機器是否可以建議在營銷計劃中接下來寫什麼或應該向哪些客戶推薦新產品時，這種不平衡的採用方式最為明顯。產品報價。

我們相信人工智能可以安全地駕駛汽車，但不建議營銷策略。

難以忽視的真相

在過去的十年中，營銷自動化已通過承諾為營銷計劃帶來個性化和效率，已發展成為一個價值十億美元的行業。 對於B2B組織而言，自動化的潛在客戶培育，潛在客戶評分和触發對關鍵潛在客戶活動的反應的警報已被證明無法抗拒：2014年，擁有營銷自動化功能的公司比2011年初多了近11倍（SiriusDecisions），而60％到2014年，至少有5億美元的公司採用了行銷自動化（Raab Associates）。

但是，第一代營銷自動化的不便之處在於它並不是真正的自動化。 它是一個出色的中央工作流工具，可以實現擴展，但需要資源來設置，集成，管理和優化。 實際上，在許多B2B組織中，短語“餵食野獸”已被市場稱為“描述野獸自動化的資源需求”。 最根本的是，存在規則蠕變的問題。 設置廣告系列時，您將定義業務規則：“如果發生A，則執行B”或“如果個人具有此特徵，則將其置於第4段”。 這些可能一開始就很簡單，但始終不足以減少複雜多樣的買方旅程。 因此，您添加了更多規則以使廣告系列更具針對性。 每次測量結果時，結果就是需要編寫更多規則。 我們的一些企業客戶估計，他們每年在營銷自動化的這些手動元素上花費500,000美元-這忽略了對正在進行的內容創作的重要且重大的投資。

儘管行銷自動化向世界承諾，但它實際上所做的是使內容行銷自動化，而決策仍然是不切實際的手動工作。 它為營銷人員提供了強大的工作流程，甚至提供了見解，但未能提供一種自動化的方法來對這些見解進行大規模處理。 從根本上說，這些系統中的內容是愚蠢的。 系統不了解內容的內容以及應該由誰閱讀。 為了跟踪那些尋求解決方案的人們，Forrester最近啟動了一個名為“內容智能”的新研究主題，該主題定義為“使用人工智能技術來理解和捕捉任何內容固有的質量。” 正如營銷技術分析師David Raab所說：“必須付出一些努力：要么營銷人員停止嘗試做出最佳決策，要么停止依賴規則。”

期望差距

面對不斷增長的客戶期望，領先的營銷人員正在投資基於AI的工具-這一類別涵蓋了從個性化工具（可以從個人的在線行為中“學習”到更有效地推薦內容）到可以檢測到各種微小模式的工具等所有內容大量的消費者數據集並預測未來的行為。 在市場上AI潛在應用的不斷增加中，這些是最有趣的：

• 內容策略–建議下一步要創建什麼內容
• 廣告活動策略-建議要傳達的通訊順序
• 個性化–根據行為為每個客戶推薦合適的內容
• 細分–根據行為或意圖對客戶進行聚類
• 複製自動化–自動生成主題行和描述
• 潛在客戶或客戶的優先級排序–根據潛在客戶關閉的可能性對潛在客戶或客戶進行排名
• 銷售策略–推薦正確的產品/服務產品和內容以用於銷售
• 銷售意圖–預測合適的產品，交易規模和截止日期
• 重新定位–在重新定位的廣告單元中推薦正確的內容

由於主要的營銷套件尚未完全部署或產品化其AI產品，因此採用AI通常需要結合點解決方案和數據集。

確實，市場營銷人員越來越多地將一流的點解決方案整合到自己的技術堆棧中，從而使技術可以圍繞客戶需求而不是供應商功能構建。 尤其是在復雜的客戶環境中（例如，具有較長購買週期的高接觸性關係銷售），人工智能的應用有望彌合客戶期望與實際體驗之間的鴻溝。 這在全球業務中最為相關，因為人工智能可以解決（並依賴）規模問題。

對於IHS Markit市場營銷高級總監Byron O'Dell而言，採用預測性機器學習而非營銷自動化一直在解決規模挑戰。 他解釋說：“大規模實現營銷相關性具有挑戰性，但是預測性機器學習為我們提供了實現此目標的途徑。”

最初，大多數營銷人員正在考慮兩個關鍵用例：個性化和預測性線索評分。 個性化需要使內容與不斷發展的客戶需求匹配，特別是當內容是大規模生產且通常分類不佳時。 對新的銷售對話的無限渴望推動了可預測的潛在客戶評分，在這種情況下，難以識別或發現識別感興趣客戶的信號。

洞察驅動的業務

這些新方法解決了一個根本性的挑戰：採購過程已發生變化，買方越來越多地獲得授權，了解情況並建立聯繫，但是企業在很大程度上以與以往相同的方式進行銷售。 使用內容吸引，參與和轉換是解決方案的一部分，但是領先的營銷人員也使用內容來了解客戶。

在競爭日益激烈的世界中，隨著新的數字優先競爭對手的發展，任何不了解其買家的企業都將迅速失去市場份額。 破壞者癡迷於他們的客戶； 他們專注於提供卓越和無縫的客戶體驗； 它們不受過時技術和嚴格流程的束縛。 他們讚賞獲得併採取更深入的客戶了解來建立競爭優勢。

Forrester Research正在圍繞所謂的“洞察驅動的業務”建立大量證據。 這些業務的一個定義是，它們在了解客戶的觀點和提供下一個響應的觀點之間沒有摩擦。 有一個反饋循環是完全自動化的。 Forrester在這一類別中定義的企業群體-基於客戶的理解和經驗進行快速發展的公司進行創新-應該真正使現有企業感到恐懼。

Marketing AI承諾提供價值的非結構化實時客戶交互。 當前基於規則的系統根本無法擴展，營銷團隊也無法在交付相關性所需的時間內完成手動流程。

成功因素

隨著越來越多的企業開始投資基於AI的方法，成功項目之間的共性變得越來越清晰。

• 高管贊助商–一次又一次地，對整體概念的明確高管贊助商名列榜首。 儘管中級市場營銷人員可能會成功購買點解決方案，但大型組織會發現，要打開正確的數據集並提高整體業務價值，他們最終需要執行贊助商來倡導一種更加自動化的方法。
• 確定的結果–早期的創新者必須在沒有已知目標的情況下實現信念的飛躍。 但是，隨著供應商環境的成熟和客戶案例的記錄在案，每個項目都可以而且應該具有與有價值和可衡量的業務成果相關的目標。
• 可用的數據集–大多數專家都認為，具有大數據集的平庸算法總是勝過具有小數據集的出色算法。 挖掘可用的選項，清理所有內容，集成新的數據源，然後運行測試以查看結果。
• 團隊組成–儘管AI系統的目標是減少手動任務，但該技術仍需要適合理解其價值的團隊和業務流程。 越來越多地為非技術業務用戶提供服務，但與此同時，重要的是要確保團隊了解數據並具有足夠的技術性，以掌握算法方法的優點和缺點。 也許更重要的是，他們必須謙虛，渴望學習，以數據為驅動力（即願意將活動與結果聯繫起來）。
• 供應商選擇–儘管存在內部建房或使用代理進行定制應用的情況，但市場上供應商的選項菜單越來越強大。 要選擇合適的供應商，請詢問數據集，嘗試進行多次競爭性演示或試用，然後推動以了解該系統是否經過預培訓或需要您這樣做。

預測性企業

向預測型企業的轉變需要一種意識形態和實踐上的努力來理解客戶。 人工智能提供的競爭優勢不是基於算法或最終的應用程序，而是基於更深入地了解客戶並立即採取行動。

明顯的障礙是完全以組織為中心的：政治，技術障礙，資源限制以及此處未發明的綜合症。 然而，在一個扁平的世界中，顛覆性的新進入者側重於高質量和無縫的客戶體驗，唯一可持續的選擇是在競爭之前進行投資。

為了扭轉過度使用的韋恩·格列茨基的報價，是時候溜到市場的去向，而不是去往哪裡。 具有諷刺意味的是，在這種情況下，您無需猜測或依靠本能。 客戶已經搬家了。 作為客戶，我希望有一個受Facebook啟發的內容供稿，從而在隱私權衡方面取得平衡。 我希望類似亞馬遜的建議會有用。 而且，對於Google來說，我希望您在提出要求之前能夠預見到我的需求並提供幫助。 打造智能且具有預測性的企業。

關於開始的想法

預測性營銷的最初嘗試已與大型客戶管理和CRM系統的第一方檔案數據掛鉤。 它並不總是乾淨的數據，但這是一個好的開始。 更深入，更可辯護的方法從根本上解決了一個難題：將非結構化的客戶數據轉變為可行的見解。

非結構化數據（通常稱為暗數據）在企業內部基本上未使用，但佔收集的所有數據的88％（IBM Research）。 在Idio，我們以“您就是所讀內容”為題總結了我們處理暗數據的方法。 我們的意思是，您消費的內容可以高度表明您的興趣，並且可以很好地預測您的意圖。 啟用AI的工具會分析這些暗數據-本質上是客戶如何與您的內容互動和行為-預測他們的興趣和意圖並個性化他們的體驗。

考慮使用此項目清單來幫助您的企業進行預測性營銷：

• 我是否有基於人工智能的方法的行政贊助？
• 我是否定義了幾個業務成果？
• 是否有緊迫和明確的時間表來實現這些結果？
• 是否有要建模的數據集？
• 我的團隊買了這個項目嗎？
• 我是否評估過建造與購買的決定？
• 我是否已創建供應商簡短列表？
• 他們的系統是否經過預培訓或培訓過程漫長？

關鍵術語的定義

隨著您開始真正地利用AI和預測性營銷的好處，對於每個人都必須以相同的定義為基礎。 這是一個簡短的入門：

• 人工智能（AI）是建造機器的科學，這些機器做的事情如果被人類完成就被認為是智能的。
• 機器學習是AI的子集，它使計算機無需進行顯式編程即可學習。 常見的機器學習用例是優化（隨著時間的流逝，選擇最佳選項以實現設定的目標），識別（從圖像或文本中提取含義），異常檢測（隔離在規範之外發生的事件）和分段（聚類）根據推斷的或已知的特徵）。
• 內容智能是AI在內容管理中的應用，尤其是對內容的理解和分類，以提高針對性和衡量性能。
• 預測性營銷是AI在營銷中的應用，通常用於識別潛在客戶，預測他們可能感興趣的內容並推薦下​​一個最佳內容或產品信息。

結論

有了對AI的了解以及一些入門指南，您就該將“幾乎已實施”變成AI現實，以改善您的企業營銷並真正理解並與客戶建立聯繫。

本文的版本最初出現在6月的首席內容官中。 註冊即可免費訂閱我們的雙月刊印刷雜誌。

封面圖片：Joseph Kalinowski /內容營銷學院