审校 | 王楠楠

编辑 | Cici

这是《2018，营销所面对的5大阻碍》系列文章的终极回！
如果你还没有看第一部分：数字化转型、第二部分：微做事与API、第三部分：垂直竞争、第四部分：数字化的统统，您可点击链接进行阅读。

2018，营销所面对的5大阻碍（1）：数字化转型

2018，营销所面对的5大阻碍（2）：微做事和API

2018，营销所面对的5大阻碍（3）：垂直竞争

2018，营销所面对的5大阻碍（4）：数字化的统统

最近由Resulticks进行的一项研究创造，人工智能是当今市场营销中最被过分浮夸的术语。
它在与大数据、全渠道、即时营销和个性化等盛行词的激烈竞争中拨得头筹。

以是我们很随意马虎对这个术语持疑惑态度。
在Gartner的发展曲线模型中，我认为人工智能在市场营销中即将要到达顶峰，随之而来的是抱负的迅速破灭。
实际上我相信，Gartner发展曲线的频率在增加——可以在一年内从发展的高峰期跌落到谷底。
但这是另一个话题了。

但正如我今年早些时候写的，对付Gartner的发展曲线，大家忘却的一件事情是，纵然发展进程起起伏伏，但底层技能也在不断进步。

人工智能不会为你做市场营销。
（谢天谢地，否则你会失落业。
）没有Alexa可以语音辅导你，神奇地向你展示精确的营销策略。
具有“通用智能” 的人工智能的愿景仍旧是科幻小说的一部分。
事实上，如果它能够存在，则非常具有争议，正如FrançoisChollet所言：

“没有’通用智能’这种东西。
在抽象层面上，我们通过“没有免费午餐定理”知道这一点——没有任何办理问题的算法可以涵盖所有产生问题的随机有时性。
如果智能是一种办理问题的算法，那么它只能被理解为详细的问题。
更详细地说，我们可以凭履历不雅观察到，我们知道的所有智能系统都是高度专业化的。
我们本日构建的AI的智能在极其狭窄的任务中过于专业化 - 例如玩Go，或将图像分类到10,000个已知种别。
章鱼的聪慧专注于章鱼的问题。
人类的聪慧专注于人类的问题。
”

更讽刺的是：只管Gartner的发展曲线浮夸了AI在未来12-24个月内可能为营销做的事情，但现实生活中人工智能在营销领域的运用仍旧得不到认可。

去年我最喜好的一篇文章是Dave Chaffey和Robert Allen的《人工智能在市场营销中的15个运用》这篇文章，列出了“AI”已经实现运用的一些情形，如下图所示：

他们描述的大多数用法都可以由下述三种AI中的一种来支持：

1.机器学习

2.方向性建模

3.自然措辞处理（NLP）

这些都不是你在电影中看到的浪漫化的AI超级机器。

他们大多是试图找到并匹配已有模式，然后将其推断出来进行预测的统打算法。

当然，这些是自动完成的。

这是数学，不是邪术。

但是，这并不是这些AI运用程序的拍门砖。
凭借本日的数据量和处理速率，这些算法非常高效。
例如，在线索评分（lead scoring）系统，机器学习和方向建模正在打败人类和基于规则的启示性算法（这里有一个案例研究，结果是发卖额增长了27％）。

注：线索评分是一种打分标准，用于给潜在客户排名的一种方法，评分标准代表了每一个线索对企业的感知代价。
大多数的营销自动化平台会采取线索评分法，给某一网站浏览行为、转换事宜、乃至社交媒体互动授予相应的数值。
得分结果用来剖断哪种线索已经具备购买意向了，发卖代表该当立即跟进了，或者哪种线索该当进一步的造就。

从某种意义上说，机器学习只是优于速率和规模的统计数据，但是这很强大。
正如Redpoint Ventures （以及我们即将举行的MarTech大会上我们的常规发言人之一）的风险投资家Tomasz Tungu最近在一篇关于机器学习将扰乱SaaS市场的文章中写道的：

“总体而言，当今SaaS中最常见的机器学习运用程序是效能运用程序——即自动实行大容量的流程并降落本钱。
因此，如果您打算建立一个基于机器学习的SaaS公司，那么去探求一个非常昂贵的内部流程并将其自动化。
“

同样，自然措辞处理（NLP）无疑是很酷的，它为谈天机器人和语音助手的会话界面供应了支持，但如今它已经变成了相对平凡的软件技能。
这是来自Chatbots杂志一篇文章的一个很棒的可视化，它阐明了大多数“AI chatbots”背后的技能堆栈：

“自然措辞处理”组件和大多数运用于“机器学习”的算法现在可供所有人利用：内置于通报平台，可在云中以非常便宜的价钱出租，或仅作为开源工具包供应。

谈天机器人的差异化和竞争上风，在“行动”和“信息来源”的部分中变得有趣。
“什么样的数据和做事对您的业务是独一无二的呢”这将成为AI发光的地方。

这点怎么强调都不过分：好的AI依赖于良好的数据。

这是目前

AI运用程序在营销领域面临的最大寻衅。

不幸的是，大多数营销系统的数据质量仍旧不是很好。

就在几个月前，Demand Gen Report中的83％的B2B营销者抱怨他们的数据迂腐过期。
71％的人没有韶光或资源来履行有效的处理流程从而提高数据质量。
这不是什么好事。
这些不良数据纵然通过良好的机器学习算法仍不能给出精确的答案。
如果不打开机器学习算法的黑盒子，你可能不知道那些糟糕的答案是缺点的。

（有趣的是，现在只有36％的公司声明他们的数据是伶仃的，回到第二部分：微做事和API，系统被越来越多地连接起来并且共享数据，但是如果数据不好，那么这种大略的凑集就像是送你得了流感的孩子去上学，这对其他人而言是很不幸。
）

人工智能中的缺点数据不仅仅影响到营销领域。

事实上，阅读一些AI专家和数据科学家关于更宽泛领域的不良数据的毛病和风险的一些最新写作，可能对你会有所帮助。

人工智能的真正危害在于，AI可以由于如下的做法造成“侵害或歧视”：

利用有偏差或质量差的数据来演习模型

定义不明确的规则

在高下文之外利用它

创建反馈循环

麻省理工学院媒体实验室的研究科学家Rhaul Bhargava的另一篇文章《我们的算法没有偏差，有偏差的是我们》深入研究了这个问题，他阐明了为什么在机器学习中，对付机器学习的内容而已，更主要的是利用了什么教科书以及老师是谁。

科学美国人中的一篇文章：《如何破解智能机器》，先容了黑客如何故意利用不良数据欺骗智能系统制造屈曲的缺点。
IEEE频谱中的另一篇文章解释了轻微的路牌修正如何完备欺骗机器学习算法将熊猫识别发展臂猿：

人们开始意识到数据质量和数据安全性对付营销职员来说是两个不小的寻衅。
不仅仅是为了防止不良行为者盗取您的数据，保护数据安全，还包括防止不良行为者将不良数据传播到您的系统中，从而误导您的机器学习系统。

这都是与数据干系的问题。

那么，除了紧张的数据外，关于机器学习（详细指任何类型的营销算法）我们须要记住的另一个成分是这些算法超快的运行速率。

正如阿利斯泰尔克罗尔最近在《这便是自动化》中写到的，“我们把AI和自动化混为一谈。
然而自动化的力量不是算法，而是不间断的平行专注。
“在谈到人工智能系统如何在数小时内学会如何击败一款盛行的国际象棋软件程序，Alistair指出：

不要惊异人工智能打败国际象棋软件，更令人惊奇的该当是，它在4小时内玩了1,228,800,000场比赛。

这完备改变了优化和仿真运用的速率和规模。

对付市场营销中的真实示例，请参考MarketBrew，这是一个针对SEO团队的人工智能平台。
常日，SEO专业职员会对网站进行变动，并且必须等待60天才能看到这些变动如何反响在Google上的排名。

然而，MarketBrew的人工智能引擎可以自行抓取网页并创建一个平行的“Google”。
它利用机器学习来开拓一个相称准确的Google排名网站排名模型。
然后，它可以不断更新此模型以反响Google算法的变革。
因此，一位SEO专业人士可以向MarketBrew提交一个网站发起的变更，MarketBrew可以在90分钟内对其排名所产生的影响给出预测答案。
这很让人佩服。

然而目前这个模型只是很近似Google排名模型，并没有达到与Google排名模型同等的程度。

我想终极，这将成为为什么人与人工智能的互助会如此激动民气的缘故原由。
人与智能算法合营事情每每会有更好的结果。
埃森哲峡湾报告中关于机器、人类或两者一起检测癌症准确性的报告只是一个例子：

人类带来机器学习算法目前仍无法理解的的背景和“知识”，另一方面，AI带来了比人类更强大的数学精度和指数打算能力。
人和机器一起互助将变得更强大。
以是在未来几年营销中最大的一次机会将会是如何管理这种互助关系以发挥其最大的潜力。

作者简介

Scott Brinker，chiefmartech.com的博主，同时在HubSpot担当平台生态系统的VP，在此之前，是interactive 公司的合资人和CTO。
Interactive是一家帮助营销职员创建和测试交互内容的软件公司。

译者简介

张大新，95后数字营销新司机。
欢迎前辈同行示正互换哟~

审校简介

王楠楠，互联网数据剖析从业者。