AI大模型是近几年最热门的话题之一,聚焦AI大模型在营销场景的应用中,从零售行业来看,有三个比较大的问题,第一个是公域引流难,第二个是会员管理整合难,第三个是私域经营、私域裂变管理难。今天将基于这三个问题,分享基于AI大模型如何进行破题。分享嘉宾|林庆治 飞算科技首席数据官
内容已做精简,如需获取专家完整版视频实录和课件,请扫码领取。
公域引流现在最大问题是在流量红利消失,互联网流量的成本越来越高,但效果越来越差,另一个从营销角度看是冷启动难。一般在做初始获客的时候,是没有任何数据可以应用的,这就是冷启动。借助于大模型的内容营销,可以非常精准地抓到目标客群和广告诉求,能达到非常好的冷启动。
数字化营销最重要就是数据,所以冷启动之后把公域流量导入私域中,先要做数据整合,然后做会员管理。
最后数字化营销真正发挥影响的地方,就是在私域的精细化经营,等到客户有忠诚度之后,自然可以做私域裂变,通过最小成本达到最大激励效果。
上面这三个问题怎么去解决呢?其中我们总结了四个步骤。
第一个利用内容营销做快速引流。第二个是通过冷启动后的数据整合,对整个会员做精细化管理。第三个根据客户喜好,形成精准名单做精准营销,取代掉以前的无差异化营销。第四个等到客户留存之后,再去做裂变,利用之前内容营销手法,可以做到更高效更细致化的裂变。
01
步骤一:怎么用内容营销作为快速引流的冷启动?
以前的内容营销,大部分是借助于三方或者大企业的广告部门,但较多中小企业内容营销能力缺乏,也没有经费去成立专门部门。加上后疫情时代,线上营销物料需求量增加,越来越多的人更依赖线上,大模型内容营销可以帮助销售、市场、内容创作人员不再依赖三方公司或是技术人才,以通过人工智能的数据驱动手段营销,提高内容营销的效率。最后可以落实到公司里面的营销运营工作,包括千人千面的智能投放—根据细分行业的人设风格、语言特色、结构模块,生成细分场景营销内容。
比如说这里提到的是七夕活动促销,需要根据七夕的设定,生成一些约会整体装扮,通过一系列信息填入,可以自动生成动人的文案。当然大模型里面现在强调所谓的多模态,不只是文本生成,图片也可以非常细致地搭配起来,文图结合是最有效率的。
图片生成有两种方式,一个是用既有的公司图库里面的高颜值图片,生成更细致化、更场景化的图片,另一个是针对没有图片只有产品照片的情况,可以基于大模型自动做场景的搭配生成。这种图片效果通过历史服务样本来看,内容生成成本降低到原来的50%,效果层面CPE成本降低35%,询单量增长80%。
为什么会有这么明显的降本增效?
第一个是受益于人工智能技术,用户只要输入想法,通过文本直接自动生成和投放。第二个是结合平台热点,将事件营销和内容营销,与当下热点结合。不仅可以实时查询平台热点,还可以仿写行业爆文。第三个是在文字生产之后,再搭配合适的图片,不仅成本低,同时还提升了种草效果,让整体价值提升。
步骤二:怎么应用增强分析精细化经营客户?
从内容营销把客户引入私域后,最重要目的是做精细化运营。基于客户的基本属性、购买行为、历史行为、网站行为,就可以展开数字化分析。数字化分析可以分两部分:第一是怎么精细化经营客户,了解客户的需求。第二是怎么做精准营销,精准的找到目标客户名单。了解客户需求时会用到 BI 分析,现在BI分析有三代:第一代是IT导向,需要专人做数据整理、数据查询才可以得到,第二代是自助式BI 2.0,利用拖拉拽可以实现自助式,但还是有一些技术需要掌握,包括了解数据结构以及标签体系,以及需要自己把问题逻辑化后,再用拖拉拽的方式实现。第三代是增强分析,只需要用自然语言交互,就可以做数据分析、归因分析,甚至给到决策建议。依托于大数据技术,借助各种终端,通过人机自然语言查询的方式,会生成自然语言的查询结果。关于查询的数据部分有两种方式导入,一个是对接企业原有已经整理好的数据,另一个是企业直接导入数据,就可以透过数据自动处理,得到决策参考。首先,是自然语言交互,只要说明做什么分析,例如最近一季里面的销售趋势;其次,平台会把销售趋势数据自动抓取出来;再通过自动统计分析,找到数据趋势,通过趋势统计找到波动范围;然后,识别出超过波动范围的数据,去做归因分析,从渠道角度、产品角度、价格角度等方面进行思考;最后,给到决策参考建议。不只是销售趋势分析,我们把现在常见的分析形态都纳入到分析系统中,例如产品分布分析,想知道现在所有的产品分布里面哪些是卖得最好,更多还有对比分析、环比分析、相关性分析等等。
对客户精细化经营之后,需要做营销活动。营销活动的核心是找到哪些是此次活动的营销对象,这部分可以用自动化建模工具来做。传统营销活动主要是依靠经验法则,由营销人员挑选出营销对象,而利用 AI 模型能力,已经实现自动建模,通过机器学习数据找到真正的潜在客户名单,所以相对于传统方式,自动化建模的营销方式更有效,精准率更高。整个 AI 自动化建模的优点中,最重要还是全自动,包括分析、清洗、衍生、选择、迭代、上线整个流程都是全自动的。另外建模系统中嵌入了最新的双算法,即机器学习、深度学习,同时包含多模态能力,无论是结构化数据还是文本和图片数据,都能很好的应用和处理。 AI自动建模高效率应用的背后是分布式架构,可以应用营销、风控、运营等多场景,同时在部署上也是非常轻量化,可以对接线上 API 接口,定时/批量评分。下面介绍下基于自动化建模的名单策略,利用机器深度学习,为每一个人的营销响应概率评分,根据不同营销目的挑选出最适合转化的客户群体。例如存量客户有 100 万人需要销售衣服,我们首先计算出每个人的响应概率,根据不同营销目的,会有不同的名单策略:第一种,如果目标就是要卖更多的衣服,我们可以根据响应概率做筛选,假设营销目标 10 万人,就可以从 100 万人的响应概率中,挑最可能成交转化的前10 万人去营销。第二种,如果目标是要实现利润收入最大化,或者考虑 ROI 的效果,这时在模型会生成一个分位表,基于营销目标(预期收益或ROI),分位表会建议这次要投放多少人,可以达到预期收益或者ROI预期,这是非常科学与精细化的名单投放。第三种基于营销资源限制的排序,例如营销预算有500 万,但是有很多渠道和有很多产品可以选择,此时可以根据营销预算限制,针对每一个客户找到最适合的产品与渠道投放做到利润最大化。整个客户全生命周期,包括客户获取、客户提升、客户成熟、客户衰退、客户沉默这些阶段,都可以用到自动化模型工具,产出精准名单实现精准营销。例如在客户价值提升期,可以做复购/升级的模型。在客户成熟期,可以做流失预测的模型,或者甚至即使已经流失,可以做沉默客户召回模型,都是利用前面的自动化算法做智能推荐。步骤四:怎么应用口碑营销扩大传播?
口碑营销的前提是口碑,基于前期对客户精细化经营和精准营销后才有口碑。而做口碑营销的方法主要是内容营销,可以利用自有渠道,包括公司的公众号、会员管理系统、合作kol,基于大模型能力生成细致化的营销内容,去做口碑营销。在我们服务的案例中,包括全球领先的护肤、彩妆品牌,时尚鞋服行业的代表,今天分享的这套营销理论,在零售业是比较通用的,尤其现在零售业基本上都从线下门店拓展到线上消费,这是一套比较有效的方式,可以迅速抓住用户种草,抓住用户眼睛,借助人工智能,企业自己就可以做到非常细致化的图文内容,做到口碑裂变。
AI 大模型还是在刚开始起步阶段,存在比较多的问题跟优化空间。包括算法&算力非常消耗成本、缺乏可解释和调试能力、安全风险、部署困难等等。这里重点强调三个问题:第一是可靠性问题,也就是模型幻觉。第二是广度问题,比如在语义理解泛化能力上,可能没办法真的理解你的要问题。第三是回答深度,面对复杂的逻辑推理问题,效果不佳。这是大模型在落地应用中最需要克服的三个问题,现在最流行的有两个方式:一种是做检索增强生成,一个是AI Agent。一般而言,我们可以基于模型的问题对模型进行调整,但其中消耗的算法算力,不是每家企业都可以去做模型调整的,现在比较好的方式,不用调整内部模型参数,可以透过外部的数据增强模型回答的正确性,这叫做增强检索生成,把行业的、垂直的知识放进去。
通过RAG 技术,大语言模型在回答问题的时候,可以从企业知识库中检索最新相关的信息来生成内容,从而提高问题回答的准确性、关联性、新鲜度,而且可以有效解决幻觉问题,同时因为它是用的私有数据,所以可以保证企业的安全,数据安全。
而关于AI Agent,它是一种流程。当问题出来后,AI Agent不是通过提示去缩小答案范围,而是去拆解任务,它原理上是在大模型基础上,增加了规划、记忆、工具使用的能力,AI Agent可以自动理解问题,把它拆解成步骤,然后做一些规划和修正,达到解决复杂任务的目的。
这两种是现在比较主流的方式。在我们面对零售业、银行业时,我们内部也针对模型的正确性、泛用性、深度性做了研究,在这里可以分享给大家。
根据实际的客户需求和反馈,正确性是一个基本和刚性需求,因此如果说基于既有的专家规则或是小模型可以做到正确性,那我们会优先采用专家规则检索或小模型,然后用大模型去兜底。所以说我们不是一开始利用大模型,而是在确保小模型的正确性后,再逐渐去追求泛化和深度。这种方式在泛金融业或零售业内应用效果还不错。
AI 大模型是非常值得期待的,但离大部份场景落地应用还需要非常多的努力,不只是我们,业界都在努力,时间窗口也许就是今年,也许明年,不会太久。