易思范

宇宙的尽头是带货,大模型首在营销

产业报道

2024年01月16日

  最近网上流行一句话:宇宙的尽头是带货。

  简单来说,就是以前那套“羊毛出在猪身上”的变现方式即内容向观众和粉丝免费、靠品牌主广告主付费,已经不好用了。企业“花钱赚吆喝”的品宣预算减少,而是更看重品效合一,希望将“有效流量”转化成实际的业绩增长。所以越来越多的网红博主、大V甚至某些新闻当事人,最后都走向了“带货”。

  精准、高效、低成本的营销需求,不只卷网红大V们,也在卷大模型。

  一次交流中,一位银行从业者直言:金融行业的数字化是建设比较久的,目前“数字营销”也遇到了关于增长的困境,从一线业务员到CMO首席营销官,都希望能够将营销的迭代速度加快,各个环节实现从效率到效果的提升,通过AI智能营销来形成一条更大的增长曲线。

  “但是,跨越从数字营销到智能营销之间的鸿沟,以前这一步,大家迈得非常累。借助大模型的机会,或许我们可以更快地把这一步迈过去。”

  从数字营销进化到AI营销,在大模型的加持下,进一步提质降本增效,带来真金白银的效果提升与业务增长,让许多行业和企业为之兴奋。

  在过去的2023年里,我们看到百度、腾讯、阿里、京东等基础模型厂商,以及金融、教育、广告、传媒等多个领域的企业与垂类ISV数字化服务商,都在积极推动大模型在营销场景落地。

  那么, AI营销与互联网时代的数字化营销,究竟有什么本质区别?大模型真的给营销带来了实质性的改变吗?企业在使用AI营销时需要考虑哪些现实问题?

  本文将结合我们的一线采访与思考,尝试剖析这些问题。

  从数字营销到AI营销,为什么要“跨越鸿沟”?

  从数字化营销到智能化营销,为什么是企业眼中必须跨越的一道“鸿沟”?

  大家可能都听说过一句名言:我知道我的广告费至少浪费了一半,但我不知道究竟是哪一半。对企业来说,营销的投入产出比ROI,始终都有优化提升的空间。

  降本增效,提高营销ROI,这件事情在数字化营销阶段,有被解决,但没完全解决。

  所谓数字化营销,就是在任何营销活动、整个流程,都跟数字紧密捆绑在一起,通过数据进行机会观察,对大量用户进行画像、分层、测算,然后将活动物料进行数字化的广告投放。

  和传统营销的问卷调查、人工经验相比,数字化技术的全流程应用,让营销效率得到了大幅提升。但是,数字化改造的诸多问题,也随着大量行业和企业的应用而暴露出来。

  最核心的问题就是:数据孤岛。

  营销工作涉及多个流程,传统意义上的数据中台,企业内部形成了各种营销数据系统,但不同系统的用户数据及行为数据之间相互独立,彼此不打通,数据很多但用不起来。导致的结果就是:

  人更累了。

  一个营销活动,需要多人跨岗位跨部门协作,在企业内部也变得越来越细分。如果做一场大型活动,比如双十一、618这类大促,营销人员通常需要在十几个系统里来回倒腾,其中有大量重复劳动,比如一份物料在多个渠道平台系统上反复粘贴,手动进行大量的权益选择、页面搭建,这些低价值的重复劳动非常耗时,让营销人员无法把更多精力放在高价值的思考优化上。

  人更多了。

  由于营销业务的细分,企业不得不为多个环节配置更多的人员,一个人员只负责某个环节,只用关心怎么把单一模块做精做好,投放人员关心投放ROI,活动策划关注匹配营销目标的活动设计,内容运营希望设计师帮自己设计出更好的文案、素材、图片……过于细分的营销“流水线”,需要大量营销人员做“螺丝钉”,只干自己的一亩三分地,无法从全流程、全局视角去优化结果,不仅会影响营销效果,也不利于个人的职业发展。

  人更难了。

  数字化营销,对人员的技能要求也更高了。基于数据进行分析和复盘,就是一个门槛非常高的复杂任务。其中消费者怎么想的,决策过程是什么,怎么埋点,监控哪些数据,用户在不同页面的流失率、操作时长哪个步骤影响了整体流程?这些都只能依靠营销人员的经验,以往只能通过前辈传授和自己试错。

  结果就是,一些企业招不到这样专业的营销人才,靠拍脑袋的方式来做营销,在广告创意、活动设计、客服话术上花费了大量的精力,最后消费者用户的反馈却不如人意。

  有没有可能,让一个人变成一支营销队伍?

  这就需要为营销人员配备一个全流程使能的“AI副驾驶”,能够从一开始就将数据与营销目标相结合,让数据贯穿整个过程和所有环节,并结合营销知识,自动做出最佳决策,替营销人员来进行洞察、写方案、做物料、筛渠道、完成个性化精准投放,最后复盘调整。

  有了“AI副驾驶”,人更轻松了,人用得少了,人的技能也被全方面提升,这是为什么企业要积极从数字化营销跨入AI营销。

  大模型,让AI营销天堑变通途

  以前营销环节也有AI参与,为什么大模型出现后,营销人员才有了“AI副驾驶”?

  答案是:传统AI做营销,太慢太贵。

  此前也有很多互联网企业、电商平台将AI算法引入到智能推荐、海报创作、智能客服问答等场景之中,但效果总体来说,不咋地。

  智能客服被普遍认为是“人工智障”,只能解决一些基础问题,用户还是要找人工,降本增效的效果有限。

  另外,传统AI算法的泛化能力不高,必须针对专项任务进行定制化训练,开发起来非常耗时,比如一个银行的智能客服,需要人工训练师拆解话术文档、生成QA,之后再扩展标准、投入到一线中,开发周期基本上一个月起步,六个月都有可能。一些中小企业请不起专业的开发团队,也等不起那么长的开发周期。

  大模型出现之后,如同一桥飞架南北,将“AI营销”的天堑变通途。

  洞察环节:一个基座模型,统筹全局,拉通数据孤岛。

  大模型强大的泛化能力,一个基座模型可以调度大量专有小模型,通过一个交互入口,与营销人员进行交互,把各个系统、数据孤岛都串联起来,做到更全面的智慧洞察。在腾讯云的企点分析平台上,销售人员只要问一句“哪个产品卖得最好”,就可以实现准确的商业分析;在京东的一站式AI增长平台上,营销人员只需打开领航者AI营销助手,就能完成全链路的活动配置。

  设计环节:一个营销大脑,集合行业知识,消除经验鸿沟。

  将营销知识与行业Knowhow,压缩到大模型里面,可以消除中小企业、运营新人等在营销经验知识上的差距,快速进阶为AI营销达人。

  “这给了中小银行一个掀桌子的机会”,一位受访者告诉我们,“以前中小银行欠缺的不仅是数字化系统,还有经营相关的一些行业Knowhow,比如怎么做产品设计,怎么把产品更好的规划卖给用户,有没有更好的营销手段。过去要积累这些经验,要么招聘大量的相关专业人才,再花一定的时间蹚出自己的路来。但是到了大模型时代,大模型赋能金融,就让它们有机会弯道超车,弥补上很多经验上的短板”。

  执行环节:一个生成与创造工具,生产力提质增效。

  到了具体的营销活动落地环节,需要大量的物料、文案创意、投放配置等工作,创意素材和精准触达,是广告的核心竞争力,但是重复劳动量极大。尤其是每到“双十一”“元旦大促”等节点,需要创建和投放大规模的物料,以往只能通过“人海战术”,营销人员加班来解决。

  大模型强大的生成和创作能力,可以基于前期的全局洞察和领域知识,生成最佳物料和投放方案。

  领航者的插件AI营销助手,将主流模型的图片生成能力迁移至金融领域,专注于营销所需的各类素材生成。快速生成符合业务背景的,能够在京东金融场内投放的首页弹窗图、启动图、通用推荐图等常用资源位的图片,生图率和采用率达到中阶设计师水平。

  在搜索推广、信息流、轻舸等场景中,百度营销打造的AIGC营销工具擎舵轻量版,可根据所选计划、单元、关键词等信息智能推荐版权图片和AI图片,还可通过用户自主表达推广业务、画面主体、比例等,生成创意图片,用户用相关图片用以投放测试,“广撒网”来获取更多流量。

  除此之外,京东、百度、腾讯云还提供数字人平台,合成数字主播,进行产品和服务的卖点信息的视频讲解,帮助企业拓客。

  总结一下,大模型对营销的全流程进行重构,每一个环节的降本增效,加起来就是AI营销整体的加速进化。

  大模型营销,不能有断点,也不该有断点

  一方面,企业需要改变数字孤岛的营销问题,实现全链路、全流程的数据洞察和优化,对整个流程进行提质增效;另一方面,大模型在认知智能、泛化能力、生成和创造等方面的强大潜力,确实可以从前期洞察、交互沟通、物料生成、分析决策等方面,全流程落地应用。

  所以,内外压力之下,全流程重构,大模型厂商没有讨价还价的可能。

  比如百度世界2023上,百度商业生态体系化发布“AI Native商业全景应用”,从品牌到内容,再到效果与经营,重构营销全链路。

  京东推出的新一代营销增长平台领航者,以全局视角为中心、覆盖营销全生命周期,提供全链路的工具/插件。

  腾讯云则为营销场景提供了从算力、模型、开发平台/工具到应用的全程支持,让客户自动调用相应的API。

  在营销和智能客服领域有十多年积累的容联云,推出基于数智大模型的“容犀智能”,实现了通用批量场景的AI全覆盖,比如私域加分、营销通知等,以及用户全生命周期的全覆盖,从新用户获取,到活跃用户、流失用户,提供不同场景相应的营销工具。

  总结一下:全流程重构,是各大大模型厂商拿下“AI营销”这一战场的前提,做不到就上不了牌桌。

  扎下“王旗”,还要经过哪些考验?

  营销场景,是一个付费意愿高、高价值、效果明显的落地场景,也是大模型厂商的必争之地和关键战场。

  基于大模型的全流程重构的AI营销体系框架,需要坚实的内核,来支撑企业客户的信心。想要在营销战场扎下“王旗”,有几个方面的赛点:

  第一,基座模型的技术先进性。

  人们常说技术公司不能“拿着锤子找钉子”,但如果手里没有锤子,即使发现了钉子也砸不下去。对于AI营销服务商来说,基座模型的能力是最为关键的。

  基座模型的认知智能水平不高,生成内容质量差,容易出现幻觉,写商品文案胡说八道,那根本不可能为营销业务所用。

  一位京东的技术人员告诉我们,如果AI生成的文案审核通过率只有70%-80%,AIGC对于业务的价值就会大打折扣,必须让AIGC的审核通过率达到95%以上,业务方才可以使用。

  再比如,智能语音在营销场景的应用,最难的一点是“你这东西不行,所有人一下子就能听出来了”。比如智能客服询问用户“你要买的苹果手机没了,要不要换一款颜色”,这时候消费者可能都会想一想,这一想,人机交互就被打断了,但AI智能客服要判断你究竟是说完了还是在考虑,是该等你说完还是直接接话,技术上的难度就非常大,而一旦判断错误,用户体验就会很不好。

  总之,营销业务场景是很复杂的,涉及高级智能的一些前沿技术,因此AI营销的基座模型必须具备技术上的绝对领先性。

  第二,对业务场景的理解和数据积累。

  应用于营销场景的大模型,需要完成比较严肃的业务应用,比如帮助老年客户在银行开户,生成一张符合金融广告规范要求的海报,对可控性的要求就非常高,是客户选择大模型营销解决方案的一条重要红线。

  容联云告诉我们,就以一线营销人员所需要的话术为例,一线人员每天要打很多电话,企业不可能把所有电话都听一遍,很多话术没有提炼出来,也无法从语音数据中解析出一些行业优秀的话术,那么沟通的业务目标转化效果,比如开户、填单、购买等,就很难去洞察和优化。很多企业以前的话术库,其实是只有量,没有质。目前,容联云通过大模型去提取问题,把一线及时反馈出来的高频问题,通过自动化手段及时挖掘出来,再反馈给主管或座席,更快地洞察客户关注的问题,可以改善服务质量,提高客户满意度。

  高质量数据和行业Knowhow的数字化积累,让大模型真正深入理解营销业务,也是判断AI营销方案的一个标准。

  第三,工程能力做出好用的产品。

  技术很先进,但产品很难用,是阻碍AI落地的一个主要问题。就拿AI营销一站式工具来说,全流程贯通是很多企业都在追求的目标,但很少有企业能够把所有营销工具都进行跨平台、跨系统的整合。

  要么工具不全不完整,运营人员还是要在多个系统中来回切换;要么简单地堆砌在一起,只提供一个聚合入口,运营人员需要在繁杂的应用中反复查找,无法快速执行完成。目前头部AI营销产品的做法是,通过AI agent智能编排调度,把大模型变成一个大脑中枢,对不同的工具API进行编排,自动把营销目标拆解到不同任务并执行。

  营销人员只需要抓住一个营销目标,把预算、目标人群、投放形式等关键要素,跟大模型说明白,大模型就会结合领域知识,对目标任务进行拆解,并对其中的重复劳动进行折叠压缩。这样,营销小白也可以很快“抄作业”,让大模型引导到对应的系统、应用和节奏,完成整个营销过程。

  从这个角度看,AI营销的产品化能力,就是把大模型学到的知识经验,让营销人员抄对、抄好、抄快。

  最后,还要考虑成本的问题。

  一定要用大模型吗?以前的小模型还能不能用?如果所有的环节全用大模型,算力成本、开发工程量谁来出?增加的支出能否覆盖减少的成本呢?

  投产比是否合理,是企业面临的现实问题,也是是否采取大模型解决方案的底层逻辑。目前业界的普遍做法,是大小模型配合。

  小模型来完成一些确定性高、离线、特定任务,大模型负责调度、指挥、认知理解。举个例子,在客服对话中,用大模型来挖掘金牌话术,再用小模型进行推荐,把好的话术推给普通销售,提高他们的业务能力,而客户的智能化综合成本也更低了。

  再比如,金融行业的营销环节,基金的选基工具,需要非常高的确定性,不能出一点差错,大小结合,用好大模型的推理能力和语言理解能力,用好小模型的精准化识别能力,可以更好地达成业务目标。

  看到这里不难发现,想要在AI营销这个战场插下“王旗”,对大模型厂商和解决方案服务上的挑战,其实不小,竞争才刚刚开始。

  而作为大模型商业化落地的首选站,AI营销也经历了一场心态上的“过山车”,从2023年初的极度兴奋、不能错过,逐渐冷静下来,开始把做精做专做细。

  “大家对通用大模型期待很高,但它不一定是满足行业场景需求的最优解。针对某个单一的场景,解决客户的业务问题,让大模型的商业化变现能力获得行业认可”,一位从业多年的数字化服务商这样说到。

  在企业的实际场景中,真正解决了某个问题,打造出实用性高的智能服务,大模型才有未来。而AI营销,就是大模型真正抵达和改变的第一个关键战场。

+1

来源:脑极体

推荐文章