你应该相信人工智能来推动你的内容营销吗？

早餐前，我会查看脸书和LinkedIn的新闻提要，快速了解当天的情况。当我冲淋浴的时候，我点击了网飞推荐电影的“下载”,知道我今晚要做长途飞行。当我狼吞虎咽地吃着麦片时，我点击了一次，为下周朋友的生日买了一份礼物。我的iPhone告诉我，如果我想去54英里外的早会，我现在就要离开。当我上车时，我用语音激活播放我最喜欢的Spotify播放列表，苹果地图告诉我今天早上开车去火车站需要五分钟。

有了市场中可论证价值的真实例子，我们再也不能讽刺地开玩笑说AI意味着“几乎实现了”。

我们都习惯于在日常生活中依赖技术，不仅是为了交流，也是为了决策。正如尼古拉斯·卡尔在《浅滩》中所写的那样，这种不断深化的技术界面正在重新连接我们的大脑，以不同的方式处理信息。我们的顾客也是如此。

流行的消费应用程序已经导致人们无意识地大量采用先进的预测技术。然而……虽然我们越来越多地将认知过程外包给无数的消费者应用程序和工具，但企业现在才意识到客户期望的新水平。当我们考虑到我们现在相信汽车内置的防撞系统可以保护我们的生命时，这种不平衡的采用就非常明显了。然而，我们仍然怀疑机器是否能够推荐营销计划中的下一个内容，或者哪个客户应该收到新产品报价。

我们相信人工智能可以安全驾驶我们的汽车，但不会推荐营销策略。

难以忽视的真相

在过去的10年里，营销自动化已经发展成为一个价值数十亿美元的产业，它承诺为营销项目带来个性化和效率。事实证明，自动化潜在客户培育、潜在客户评分和触发对关键潜在客户活动的响应的诱惑对B2B组织来说是不可抗拒的:2014年拥有营销自动化的公司比2011年初增加了近11倍(SiriusDecisions)，到2014年，营业额至少5亿美元的公司中有60%采用了营销自动化(Raab Associates)。

然而，关于第一代营销自动化的一个难以忽视的事实是，它并没有真正自动化。这是一个很棒的中央工作流工具，可以实现规模化，但是它需要资源来设置、集成、管理和优化。事实上，在许多B2B组织中,“喂野兽”这个短语已经被市场营销用语接受，作为描述营销自动化的资源需求的一种方式。最根本的是，存在规则蔓延的问题。当你组织活动时，你定义业务规则:“如果A发生了，那么做B”或者“如果个人有这个特征，那么把他们放在段4中。”这些可以简单地开始，但总是不足以减少复杂多样的买家旅程。所以，你添加更多的规则，使运动更有针对性。每次你衡量结果，结果都是需要写更多的规则。我们的一些企业客户估计他们花费500美元，在营销自动化的这些手动元素上，每年要花费1000万美元，这还没有考虑到在持续的内容创作上至关重要的重大投资。

虽然营销自动化向世界承诺，但它实际上是自动执行内容营销，而决策仍然是不切实际的手动工作。它为营销人员提供了强大的工作流程甚至洞察力，但未能提供一种自动化的方式来大规模地根据这些洞察力采取行动。从根本上说，这些系统中的内容是愚蠢的；系统不理解内容是关于什么的，谁应该阅读它。去追踪那些想解决这个问题的人， Forrester最近开始了一个新的研究主题，它称之为“内容智能”，它定义为“使用人工智能技术来理解和捕捉任何内容中固有的品质。”正如营销技术分析师大卫·拉布所说，“有些东西必须放弃:要么营销人员停止试图做出最佳决策，要么他们停止依赖规则。”

期望差距

面对不断上升的客户期望，领先的营销人员正在投资基于人工智能的工具——这一类别包括从个人在线行为“学习”以更有效地推荐内容的个性化工具，到可以检测大规模消费者数据集细微模式并预测未来行为的工具。人工智能在市场营销中的潜在应用越来越多，以下是其中最有趣的一些:

内容策略 –推荐下一步要创建的内容
竞选策略 –建议交付何种通信序列
个性化 –根据行为为每位客户推荐合适的内容
分割 –根据行为或意图对客户进行分类
复印自动化 –自动生成主题行和描述
线索或客户优先级 –根据达成交易的可能性对销售线索或客户进行排名
销售策略 –推荐适合销售的产品/服务和内容
销售意图 –预测合适的产品供应、交易规模和成交日期
重新定位 –在重新定位的广告单元中推荐正确的内容

由于主要的营销套件尚未完全部署或产品化他们的人工智能产品，采用人工智能通常需要混合点解决方案和数据集。

事实上，营销人员越来越多地从一流的单点解决方案中拼凑出他们自己的技术堆栈，允许技术围绕客户需求而不是供应商特性来构建。特别是在复杂的客户环境中——例如，购买周期长的高接触关系销售——人工智能的应用有望开始弥合客户期望和实际体验之间的差距。这在全球商业中最为贴切，因为人工智能解决了 (并依赖于)规模。

对于IHS Markit的高级营销总监拜伦·奥戴尔(Byron O’Dell)来说，采用预测性机器学习而不是营销自动化，是为了克服规模挑战。他解释说，“实现大规模营销相关性具有挑战性，但预测性机器学习为我们提供了实现这一目标的途径。”

最初，大多数营销人员考虑两个关键用例:个性化和预测性线索评分。个性化需要将内容与不断变化的客户需求相匹配，尤其是当内容被大规模生产且通常分类不当时。预测性销售线索评分是由对新销售对话的贪得无厌的渴望推动的，在这种情况下，识别感兴趣客户的信号很难识别或发现。

洞察力驱动的业务

这些新方法解决了一个根本性的挑战:购买过程已经发生了变化，买家越来越有权力、有见识、有联系，但企业在很大程度上仍以他们一贯的方式销售。使用内容来吸引、吸引和转化是解决方案的一部分，但领先的营销人员也在使用内容来了解客户。

在竞争日益激烈的世界中，随着新的数字优先竞争对手的增长，任何不了解其买家的企业都将迅速失去市场份额。颠覆者痴迷于他们的客户；他们专注于提供卓越无缝的客户体验；他们没有被过时的技术和僵化的流程所束缚。他们意识到，获得并利用对客户的深入了解可以建立竞争优势。

Forrester Research正在围绕其所谓的“洞察驱动的业务”构建一个证据体。对这些企业的一个定义是，在理解客户和做出下一个回应之间，它们没有摩擦。有一个完全自动化的反馈回路。Forrester在这一类别中定义的一批企业——基于对客户的理解和体验进行创新的快速增长的公司——应该会让现有公司真正感到恐惧。

营销人工智能承诺实现非结构化的实时客户交互，从而带来价值。当前基于规则的系统根本无法扩展，营销团队也无法在交付相关性所需的时间内完成手动流程。

成功因素

随着越来越多的企业投资于基于人工智能的方法，成功项目的共性变得越来越清晰。

高管赞助 –一次又一次，对整体概念的明确的管理层支持上升到列表的首位。虽然中层营销人员可能会成功购买单点解决方案，但大型组织将会发现，要打开正确的数据集并推动整体业务价值，他们最终需要一个执行发起人来支持更加自动化的方法。
确定的结果 –早期的创新者不得不在没有明确目标的情况下大胆创新。但是，随着供应商环境的成熟和客户实例的记录，每个项目都可以而且应该有与有价值的和可测量的业务成果相联系的目标。
可用数据集 –大多数专家都会同意，拥有大数据集的平庸算法总是胜过拥有小数据集的伟大算法。深入研究可用的选项，清理可以清理的东西，集成新的数据源，并运行测试来查看结果。
团队组成 –尽管人工智能系统的目标是减少人工任务，但该技术仍需要融入理解其价值的团队和业务流程。越来越多的非技术业务用户得到了服务，但与此同时，重要的是要确保团队理解数据，并有足够的技术来掌握算法方法的优势和缺点。或许更重要的是，他们必须谦虚好学，并且以数据为导向(即，愿意将活动与结果联系起来)。
供应商选择 –尽管有内部构建或使用代理来定制应用程序的情况，但市场上供应商提供的选项菜单越来越多。要选择正确的供应商，请询问数据集，尝试多个竞争性演示或试用，并努力了解系统是否经过预先培训或需要您来做。

预测企业

向预测型企业的转变需要在思想和实践上重新致力于理解客户。人工智能提供的竞争优势不是基于算法或最终应用，而是基于更深入地了解客户——并在那一刻根据这种洞察力采取行动。

显而易见的障碍完全是以组织为中心的:政治、技术障碍、资源限制和“不在这里发明”综合症。然而，在一个扁平的世界里，颠覆性的新进入者专注于高质量和无缝的客户体验，唯一可持续的选择是在竞争中领先投资。

套用韦恩·格雷特斯基(Wayne Gretsky)的名言，现在是时候滑向市场的未来，而不是它曾经去过的地方。讽刺的是，在这种情况下，你不需要猜测，也不需要依靠直觉。顾客已经搬走了。作为一个客户，我期待一个受脸书启发的内容提要，随之而来的是隐私的交换。我希望类似亚马逊的推荐会有用。还有，一个谷歌，我希望你能预料到我的需求，在我开口之前提供帮助。带来智能和可预测的企业。

关于开始的思考

对预测营销的初步尝试已经与大客户管理和CRM系统中的第一方档案数据挂钩。这并不总是干净的数据，但这是一个好的开始。更深入、更有说服力的方法解决了一个根本上更难的问题:将非结构化的客户数据转化为可操作的洞察力。

非结构化数据通常称为暗数据，在企业中很少使用，但却占收集的所有数据的88%(IBM Research)。在Idio，我们用“你读什么，你就是什么”这个命题来总结我们处理黑暗数据的方法我们的意思是，你消费的内容高度表明你的兴趣，高度预测你的意图。人工智能工具分析这些暗数据——本质上是你的客户如何参与和行为你的内容——来预测他们的兴趣和意图，并个性化他们的体验。

考虑使用此项目清单来帮助您进行预测性营销:

基于人工智能的方法有管理层的支持吗？
我是否定义了几个业务成果？
实现这些成果是否有紧迫性和明确的时间框架？
有数据集可以建模吗？
我的团队接受这个项目了吗？
我是否评估了构建还是购买的决策？
我是否创建了一个供应商的短名单？
他们的系统是经过预先培训的，还是有一个漫长的培训过程？

关键术语的定义

当你开始真正利用人工智能和预测营销的好处时，每个人都以相同的定义为基础是很重要的。这里有一个简单的入门:

人工智能 是制造机器的科学，这些机器如果由人类来做，就会被认为是智能的。
机器学习 是AI的子集，允许计算机在没有显式编程的情况下进行学习。常见的机器学习用例有优化(随着时间的推移选择最佳选项来实现既定目标)、识别(从图像或文本中提取意义)、异常检测(隔离发生在规范之外的事件)和分割(基于推断或已知特征的聚类)。
内容智能 是人工智能在内容管理方面的应用，最显著的是对内容的理解和分类，以提高针对性和衡量绩效。
预测营销 是人工智能在营销中的应用，通常用于识别潜在客户，预测他们可能感兴趣的内容，并推荐下一个最佳的内容或产品信息。