本文出自

AI,我的行銷神器!

AI,我的行銷神器!

2021年8月號

設計AI專屬行銷策略

How to Design an AI Marketing Strategy
湯瑪斯.戴文波特 Thomas H. Davenport , 阿布希吉.古哈 Abhijit Guha , 杜魯.葛瓦爾 Dhruv Grewal
瀏覽人數:646
Giulio Bonasera
AI的發展日新月異,而能從中獲益最多的,就是行銷。全球有高達七成的AI高階主管認為,三年之內,AI會整合到所有的企業應用程式中。各家企業領導人與行銷長,該如何充分運用AI的潛力,以獲得豐富報酬?本文告訴你箇中訣竅。

在企業的所有職能部門當中,可從人工智慧(AI)中獲得最大效益的,可能是行銷部門。行銷的核心活動,是了解顧客需求、配合那些需求開發產品和服務,然後說服人們購買,這些能力都能透過AI大幅強化。難怪2018年,麥肯錫顧問公司(McKinsey)對四百多個進階使用案例的分析顯示,行銷是AI可貢獻最大價值的領域。

行銷長對這項科技的接受度愈來愈高:2019年8月,美國行銷協會(American Marketing Association)的一項調查指出,前一年半當中,AI的實施躍升27%。2020年,德勤顧問公司(Deloitte)對AI早期採用者進行的全球調查顯示,AI的前五項目標中,有三項是行銷導向:增強現有的產品和服務、創造新的產品和服務、強化與顧客的關係。

儘管AI已進入行銷領域,但我們期望,未來幾年,AI在整個行銷部門會扮演日益重要的角色。這項科技擁有龐大潛力,因此對於行銷長很重要的是,應了解目前可用的行銷AI應用程式類型,以及它們可能如何演變發展。我們根據十多年來研究數據分析、AI和行銷的成果,以及為各產業的公司提供有關這些主題顧問服務的經驗,發展出一套架構,可協助行銷長對現有AI專案進行分類,並規畫如何推出未來的專案。但我們在說明這個架構之前,先來檢視這個領域當前的情況。

本文觀念精粹

挑戰:許多企業的行銷職能正迅速接納AI。但為充分發揮這項科技的龐大潛力,行銷長必須了解不同類型的應用程式,以及它們可能會如何演變發展。

架構:依據AI的智慧程度(究竟是簡單的任務自動化,還是使用先進的機器學習)和結構(是獨立的應用程式,還是整合進較大平台內),對AI進行分類,可協助企業規畫應採用哪種科技,以及何時採用。

執行:企業應採取循序漸進的方法,首先採用以規則為基礎的獨立應用程式,以協助員工做出更好的決策,然後假以時日,逐步在接觸顧客的情境中,部署更複雜和整合度更高的AI系統。

AI現在有多神

現在,許多公司使用AI來處理範圍狹小的任務,例如,數位廣告的展示位置〔也稱為「程式化購買」(programmatic buying)〕;協助執行範圍廣泛的任務,例如,增強預測的準確性(比方銷售預測);在顧客服務之類的結構化任務中,擴增人類執行的活動(有關AI能支援的一些常見活動,見邊欄:「完備建立的AI行銷應用程式」)。

企業也在顧客歷程的每個階段都運用AI。當潛在顧客在「考慮」階段研究產品時,AI會精準地提供廣告給他們,有助於引導他們進行搜尋。我們在線上家具零售商Wayfair看到這種情況,這家公司使用AI,來判定哪些顧客最有可能被說服,然後根據這些顧客過去的瀏覽紀錄,挑選要展示給他們的產品。Vee24等公司具有AI功能的機器人,可協助行銷人員了解顧客的需求,提高顧客在搜尋時的投入程度,把他們往公司希望的方向輕推(nudge)一下(例如導向特定的網頁),而且在必要時,透過聊天、電話、視訊,或甚至「共同瀏覽」(cobrowsing)功能,讓他們連結到真人銷售代表,而其中的共同瀏覽,可讓銷售代表協助顧客一起瀏覽螢幕。

AI可使用極為詳細的個人數據,包括即時地理位置數據,來簡化銷售流程,以創造高度個人化的產品或服務。在顧客歷程的後期,AI能協助追加銷售(upselling)和交叉銷售(cross-selling),同時可以降低顧客放棄數位購物車的可能性。舉例來說,在顧客裝滿購物車之後,AI機器人可以提供激勵性的舉證說詞來協助完成銷售,例如:「你真會買!佛蒙特州的詹姆斯也買了同一款床墊。」這類做法,可以讓轉換率提高五倍以上。

銷售之後,來自Amelia(之前稱為IPsoft)和Interactions等公司、AI賦能的服務代表,可以全年無休地將顧客提出的要求加以分類,而且比真人代表更能妥善處理波動的服務需求量。他們可以處理簡單的查詢,例如交貨時間,或是安排預約日期等,也可以將更複雜的問題上報給真人代表處理。在某些情況下,AI可以分析顧客的語氣,依據不同情況提出回應的建議,以協助真人代表,指導他們如何以最佳方法,來滿足顧客需求,或是建議由主管介入協助真人代表。

如何展開架構

行銷用AI可根據兩個面向來分類:智慧程度;以及是獨立的AI,還是更廣泛平台的一部分。某些科技,例如聊天機器人(chatbot)或推薦引擎(recommendation engine),可屬於任何一種類別,這取決於它們在特定的應用程式中如何執行。

首先,讓我們來檢視這兩種類型的AI。

任務自動化(task automation)。這些應用程式執行重複、結構化的任務,需要的智慧程度較低。它們被設計為遵循一組規則,或是根據既定的輸入資料,來執行預先設定順序的各項作業,但這些AI無法處理複雜的問題,像是很詳細的顧客要求。這類AI一個例子是,會自動向每位新顧客發送歡迎電郵的系統。較簡單的聊天機器人,像是透過Facebook Messenger,和其他社群媒體供應商提供的聊天機器人,也屬於這個類別。在基本互動中,這些AI可為顧客提供某些幫助,引導顧客按照預先定義好的決策樹進行各個步驟,但他們無法辨別顧客的意圖、提供客製化的回覆,也無法經過一段時間之後,從多次的互動中學習。

機器學習(machine learning)。這些演算法使用大量數據來接受訓練,以做出相當複雜的預測和決定。這類模型可以辨識圖像、解密文本、區隔顧客,並預測顧客對不同的計畫(例如促銷),會如何回應。機器學習已推動線上廣告的程式化購買、電子商務推薦引擎,以及顧客關係管理(CRM)系統中的銷售傾向模型。機器學習與它更複雜的變異版本「深度學習」(deep learning),是AI中最熱門的技術,目前正迅速成為行銷的強大工具。雖然如此,我們仍有必要清楚說明,現有的機器學習應用程式,仍只執行範圍狹窄的任務,而且必須使用大量的數據來訓練。

現在,讓我們來比較獨立的AI和整合的AI。

獨立的應用程式(stand-alone application)。最好將它們理解為清楚界定或獨立運作的AI程式。它們和顧客了解、購買,或是獲得支援以使用公司產品的主要管道,是分開的,而且與員工用來行銷、銷售或服務這些產品的主要管道,也是分開的。簡單來說,顧客或員工必須透過這些管道之外的特別歷程,才能使用這種AI。

讓我們來檢視下列這個例子:塗料公司貝爾(Behr)創造的「發現色彩」應用程式。這項應用程式使用IBM Watson系統的自然語言處理,以及色調分析器(Tone Analyzer)功能(可檢測文本中的情緒),根據消費者對空間期望達成的心情狀態,提供幾種個人化的貝爾塗料色彩建議。顧客使用這項應用程式,為自己想要塗裝的房間挑選二或三種顏色。接下來,儘管這個應用程式可以連結到家得寶(Home Depot)下訂單,但實際的塗料銷售,是在這個應用程式之外執行。

整合的應用程式(integrated application)。這些AI應用程式嵌入到現有系統中,因此對於使用它們的顧客、行銷人員和銷售人員來說,它們的可見程度,通常低於獨立的應用程式。例如,能在瞬間決定要向用戶提供哪些數位廣告的機器學習,是內建於處理整個購買和安排廣告流程的平台內。網飛(Netflix)的整合式機器學習,已為顧客提供十多年的影片推薦服務;它的選擇,會單純顯示在觀看者上平台時看到的產品選單上。如果那個推薦引擎是獨立的,他們就必須使用專用的應用程式,然後請求提供建議。

顧客關係管理系統的廠商,愈來愈常把機器學習功能內建在自家的產品中。在Salesforce,Sales Cloud Einstein套件具有好幾項功能,包括以AI為基礎的潛在顧客評分系統,這套系統會根據顧客購買的可能性,自動為企業對企業(B2B)的潛在顧客排名。Cogito之類的供應商,銷售可指導電話客服中心銷售人員的AI,也將他們的應用程式,和Salesforce的顧客關係管理系統整合在一起。

把這兩種類型的智慧,與兩種類型的結構結合在一起,就能產生我們架構的四個象限:獨立的機器學習應用程式、整合的機器學習應用程式、獨立的任務自動化應用程式,以及整合的任務自動化應用程式。

了解應用程式屬於哪個象限,有助於行銷人員規畫引進新的用途,以及安排引進的順序。

循序漸進的方法

我們認為,以規則為基礎和任務自動化的簡單系統,雖然可以增強高度結構化的流程,為獲得商業報酬提供合理的可能性,但透過追求整合的機器學習應用,行銷人員最終會看到最大的價值。但請注意,目前任務自動化和機器學習結合在一起的情況日益增加,以便從訊息中提取關鍵數據、做出更複雜的決策,以及讓溝通個人化,成為跨越不同象限的混合形態。

獨立應用程式的優點雖然有限制,但在難以整合或不可能整合的地方,它們仍持續有可發揮之處。因此,我們建議行銷人員應透過一段時間,逐步把AI整合到現有的行銷系統中,而不是繼續使用獨立的應用程式。的確,許多公司正朝著這個整體方向移動;在2020年德勤顧問公司的調查中,全球74%的AI高階主管同意:「在三年之內,AI將會整合到所有的企業應用程式當中。」

著手開始

對AI經驗有限的公司來說,開始推動的一個好方法,是建立或購買以規則為基礎的簡單應用程式。許多公司採用「爬、走、跑」的循序漸進方法,一開始先採用獨立、不是直接面對顧客、任務自動化的應用程式,例如指導真人服務代表與顧客互動的應用程式。

公司一旦掌握了基本的AI技能,以及大量的顧客和市場數據之後,就可以開始從任務自動化,轉移到機器學習。後者的一個好例子,是服飾電商Stitch Fix的挑選服裝AI,它能協助自家公司的造型師為顧客策畫產品組合,而且是根據顧客自己提出的款式偏好、保留和退還的物件,以及回饋意見。後來公司開始請顧客在名為Style Shuffle的功能中挑選自己喜歡的照片,創造了有價值的新數據來源,於是這些模型就變得更為有效。

行銷人員應持續尋找新的數據來源,例如,內部交易、外部供應商,甚至潛在的購買來源,因為大多數的AI應用程式,尤其是機器學習,都需要大量的高品質數據。以包機公司XO的定價模型為例。這個以機器學習為基礎的模型,使得XO的息稅折舊攤銷前利潤(EBITDA)提高5%:關鍵是利用外部來源獲得私人飛機的供應數據,以及影響需求的因素,例如,重大事件、總體經濟情勢、季節性活動和天氣預報。XO公司使用可公開取得的數據,但只要情況許可,尋求專有來源也是個好主意,因為競爭對手也可以複製使用公開數據的模型。

隨著企業在使用行銷用AI方面,變得益發先進與複雜,許多公司將某些類型的決策完全自動化,把真人完全抽離決策迴圈。這種方法對重複性的快速決策很重要,例如程式化廣告購買所需的決策(在這種情況下,數位廣告幾乎是即時投放給用戶)。在其他領域,AI可能只是向面臨選擇的人提供建議,例如向消費者推薦電影,或是向行銷主管推薦策略。而影響最重大的問題,通常會保留給人來做決策,例如,是否要繼續一項廣告宣傳活動,或是否要核准所費不貲的電視廣告。

企業應盡可能轉向自動化程度更高的決策。我們相信,這會是從行銷用AI中獲得最大報酬的地方。

挑戰與風險

即使是執行最簡單的AI應用程式,也可能會遭遇困難。獨立的任務自動化AI,儘管技術的複雜度較低,但仍可能難以針對特定的工作流程來設定,而且公司必須取得合適的AI技能。要把任何種類的AI引進工作流程當中,都需要審慎地整合真人任務與機器任務,讓AI能擴增人們的技能,而且實施方式不會產生問題。例如,儘管許多組織使用以規則為基礎的聊天機器人,以便自動化進行顧客服務,但功能較差的機器人可能會激怒顧客。更好的做法,是讓這類機器人協助真人服務人員或顧問,而不是讓機器人直接與顧客互動。

隨著企業採用更複雜、整合度更高的應用程式,其他考量也出現了。把AI整合到第三方平台,可能會特別棘手。這方面的一個例子,是寶僑家品(P&G)的歐蕾皮膚顧問(Olay Skin Advisor)。這項服務使用深度學習,來分析顧客的自拍相片,評估他們的年齡和皮膚類型,然後推薦適合他們的產品。它跟電子商務和忠誠度平台Olay.com整合在一起,改善了某些地區的轉換率、跳出率(bounce rate)、平均購物量。不過,這項服務一直都較難以跟實體零售店和電商亞馬遜(Amazon)整合起來。亞馬遜是占歐蕾銷售額很高比率的第三方,而歐蕾在亞馬遜上的大型網路商店,無法使用「皮膚顧問」,妨礙了這個品牌在亞馬遜平台上提供由AI輔助、流暢無阻礙顧客體驗的能力。

最後,企業必須優先重視顧客的利益。AI應用程式愈聰明、整合度愈高,顧客對隱私、安全和數據所有權的擔憂就會愈多。顧客可能會感到不安,擔心在自己不知情的情況下,應用程式會掌握與分享有關他們所在地點的數據,或是擔心智慧型音箱可能正在竊聽他們。一般來說,消費者願意(甚至渴望)讓出某些個人數據和隱私,以換取創新應用程式可提供的價值。對Alexa之類AI應用程式的擔憂,似乎大於對它們所帶來好處的欣賞。因此,行銷人員在擴展本身的AI智慧程度和運作範圍時,關鍵就是要確保AI系統對隱私和安全的控制是透明的,顧客對如何蒐集和使用他們的數據有發言權,而且,他們的數據可從企業那裡換取合理應得的價值。為保證設置這些保護措施,並維持顧客的信任,行銷長應建立道德和隱私審查委員會,成員應包括行銷和法律的專家,以審查AI計畫,尤其是牽涉到顧客數據,或是可能會受偏見影響的演算法,例如信用評分的演算法。

發揮AI的潛力

行銷用AI雖然具備龐大的潛力,但我們敦促行銷長務實看待它當前的能力。人工智慧雖然受到大規模的宣揚,但仍然只能完成範圍狹小的任務,無法運作整個行銷部門或流程。不過,AI已為行銷人員帶來可觀的好處,而其實在某些行銷活動中,AI已不可或缺,功能也正在迅速成長。我們認為,AI最終將會改變行銷,但可能需要數十年的歷程。行銷職能和支持行銷的組織,尤其是資訊科技部門,將必須長期關注於建立AI能力,並處理任何潛在風險。我們敦促行銷人員今天就開始擬定策略,以善用AI當前的功能,以及它未來可能具備的能力。

(蘇偉信譯自“How to Design an AI Marketing Strategy,” HBR, July-August 2021)



湯瑪斯.戴文波特

湯瑪斯.戴文波特 Thomas H. Davenport

美國貝伯森學院(Babson College)管理與資訊科技校聘傑出教授、麻省理工學院數位經濟計畫(MIT Initiative on the Digital Economy)研究員、德勤分析(Deloitte Analytics)資深顧問。他著有十多本管理書籍,新作是《只有人需要應徵工作》(Only Humans Need Apply: Winners and Losers in the Age of Smart Machines,繁體中文版書名是《下一個工作在這裡》),以及《AI優勢》(The AI Advantage)。


阿布希吉.古哈 Abhijit Guha

美國南卡羅萊納大學達拉莫爾商學院(Darla Moore School of Business, University of South Carolina)行銷學副教授。


杜魯.葛瓦爾 Dhruv Grewal

美國貝伯森學院行銷學教授、商業與電子商業學講座教授。他與人合著有《行銷與零售管理》(Marketing and Retailing Management),著有《零售行銷管理》(Retail Marketing Management: The 5 Es of Retailing)。


本篇文章主題行銷