编译 T客汇 张飞逸

从经典的“4P”与“SWOT分析”等理论到如今火热的数字化营销和病毒式营销等，营销本身已经从最初的商业活动的补充环节成为了整个产品生命周期中最为重要的环节之一。而伴随着时代与技术的发展，营销也在发生着变化，在西方我们看到营销的渠道从电话、传统邮件转变到了互联网与社交媒体；而在中国，我们也看到了电子营销与数字化营销的火热。

那么，近些年来，不断实现技术的突破的人工智能与机器学习又给营销带来哪些全新的变化？可以肯定的是，机器学习正在为企业带来更多的营销准确性与实时性，这为他们带来诸多的营收收益。同时机器学习也让企业掌握了更多的营销合格线索（Marketing Qualified Leads，MQLs）与销售合格线索(Sales Qualified Leads, SQL)。 但是，这种优化营销活动以提升定价准确与销售营收效用只是机器学习对于整个营销革新的一小部分。

众多的营销人员正在利用机器学习以获得更快与更清晰的销售预测与分析。通过基于机器学习的应用，营销人员可以了解到如何定制内容，并同时快速利用销售线索，这让他们可以有效了解那些潜在的客户。如今，在营销自动化、个性化与销售预测中等领域中，我们都可以看到机器学习正在发挥出愈发重要的作用。

另一方面，出色的营销部门也正在依靠分析与关键绩效指标（KPI）以评估他们在收入和客户增长方面的进展。借助于机器学习，市场营销部门可获得更为客观的收入增长与客户关系的加强。

而具体而言，机器学习对于营销的革新有望从这十个方面展开：

1. 提升客户体验与支持

Forrester的研究表明，57%的企业高管认为人工智能（AI）和机器学习最显著的增长与战略收益是对于客户体验与支持的提升。而44%的受访者认为AI与机器学习将帮助他们改进现有的产品与服务。来自于营销部门的从业者与CMO是机器学习技术应用的倡导者与推动者，他们积极参与了机器学习技术的使用，并利用该技术以更准确地预测营销结果，从而改善客户吸引、销售与服务等环节的方方面面。

2. 促进高复杂性与高收益性问题的解决

凯捷咨询（Capgemini）发现，58%的企业正在着手解决那些最具有挑战性的AI与机器学习营销问题，并优先考虑个性化的服务与新产品的开发等。这些“需要做”的工作具有最高的复杂度，但收益也是最高的。根据凯捷的分析，市场营销人员并没有将工作的焦点集中于那些高收益和低复杂性的“必须做”的工作中，该领域中的工作包括聊天机器人与虚拟助理、减少收入流失、面部识别以及产品与服务建议等。

3. 实时个性化广告与信息优化

IDC表明，到2020年，将会有更多的数字平台实时个性化广告，而且信息定位的准确性与精度也会增加。这些营销技术的改进将提升整体的销售效率，特别是在于零售与B2C渠道中。另一方面，随着销售合格线索（SQL）的增加，企业也有望获得更短的销售周期与更高的客户获取率。

4. 减少客户流失与简化风险预测

微软认为，企业可以通过机器学习以分析并减少客户流失，从而简化风险预测和干预模型。如今，电信公司以及其他高客户流失型行业的公司正转向利用机器学习而不是传统那些昂贵与耗时的方式以减少客户的流失。

5. 定价优化

更加优化的价格与更加弹性的定价模式不仅出现在了航空与酒店领域，而且在制造业与服务业中也正在普及。几乎所有的营销人员都愈发依赖于机器学习以定义出更具竞争力的产品价格。目前的机器学习可以用来确定整个产品线的定价策略，包括渠道细分、客户细分及销售周期等。下图的例子来自于微软Azure的交互式定价分析预配置解决方案（Interactive Pricing Analytics Pre-Configured Solution）。

6. 提升库存周转与减少产品召回

根据麦肯锡（McKinsey）的调查，随着需求预测准确性、分类效率以及零售市场定价精度的提升，企业有望提升2%的EBIT，减少20%的库存并降低200万召回的产品数量。对于快消品和零售行业公司来说，AI和机器学习将有望帮助他们提升整个产品价值链的表现。麦肯锡发现，在零售价值链中应用统一的AI与机器学习方案将可能提升50%的分类效率，而借助于动态定价模式，企业在线销售额也有望提升30%。

7.提升分析与预测效率

传统中，进行分析与预测模型的创建与调整往往会耗费大量的人员时间与精力。而通过机器学习，这一过程得以进行自动化的进行，从而实现了公司与人员效率的提升。下图所示的是一个机器学习倾向模型（propensity model）案例。

8. 销售线索精度提升

销售线索评分的精度正在提升，这不仅带来额外的销售机会，而且还可以让企业追溯到最初的营销活动和销售策略。通过使用机器学习，公司可以确定那些潜在客户与预测潜在销售机会，并为每一个潜在销售机会配置更为合适的营销资源。这可以让销售人员更加专注于销售时间与销售时间，从而创造更多的销售机会与提供更好的销售服务。

9.RFM建模

通过机器学习应用，企业使用RFM（最近一次消费，消费频率与消费金额）模型进行客户细分与微细分的情况正愈发常见。经机器学习赋能的RFM分析将可以为企业确定出不同的客户群体，如最忠诚的客户、消费金额最多的客户、正在失去的客户、已经失去的客户等。

10.营销组合优化

优化营销组合以确定各种销售供给、市场激励方案以及渠道等是机器学习对于营销的另一个革新方式。通过文本内容、报价与市场激励方案等的数据与信息，机器学习应用可以创造出一个优化引擎，并不断进行潜在销售、追加销售与交叉销售的组合尝试也确定出最佳的营销组合。这其中典型的案例便是Amazon，该公司电商平台的产品推荐功能便是通过机器学习进行的营销组合而实现的。 

版权声明：

凡本网内容请注明来源：T媒体（http://www.cniteyes.com）”的所有原创作品，版权均属于易信视界（北京）信息科技有限公司所有，未经本网书面授权，不得转载、摘编或以其它方式使用上述作品。

本网书面授权使用作品的，应在授权范围内使用，并按双方协议注明作品来源。违反上述声明者，易信视界（北京）信息科技有限公司将追究其相关法律责任。