人工智能与人各司其职，那么营销人应搞懂的AI基础知识

随着人工智能（AI）在媒体和广告业应用势头的增加，越来越多的广告代理商就此课题发表见解或撰写文章。这一趋势在中国可能仍将继续，特别是中国政府最近雄心勃勃地宣布将中国打造为全球AI研发领导者后的情况下。具体而言，中国计划在接下来的几年向AI核心项目投入220亿美元，到2025年，每年投入约600亿美元。

实现AI领导者的雄心壮志，对中国来说并非妄言，其在AI领域已取得有目共睹的若干成功。例如，全球最智能公司50强（榜单由《麻省理工科技评论》发布）中有7家来自中国。其中3家（科大讯飞第6、腾讯第8、旷视科技第11）排名前11位，另外8家则全部为美国企业。总体而言，中国拥有诸多优势，如，可用的计算能力、7.31亿网民（数据截至2017年1月）产生的数据，及众多的学术发表人才等，使其能够在迈向AI制高点的竞赛中名列前茅。

尽管存在所有这些AI利好，但却易于让人盲目乐观。广告生态系统的各参与方，包括品牌、媒体平台、代理商、数据中介和技术提供商，都想借机分一杯羹，即便不是为了收益，至少在理念引领和市场占有率方面是如此。巨大的热情很容易导致类似于互联网时代，或几年后，对“大数据”那样的大肆炒作。而多数夸大其词，最后的结果无一不是幻灭。为避免自欺欺人和无望的虚幻，厘清‘AI’含义，纠正理解谬误非常重要。

本文阐明了AI语境中最常见的一些表述，并专门以广告营销领域的应用为例证。即便如此，读者也应注意，本文中的定义可能同样带有主观性。因此，数据科学家或商务人士对这些解释将会有不同看法。正如林肯所说，“the subject is difficult, and good men do not agree（问题虽难，但君子求同存异）”。尽管如此，本文仍可望有助于消除对AI本质的歧义。

人工智能简而言之就是“机器模仿人类智能行为的能力”。因此，它是对人类智能所固有或通常必需的过程的模拟。这些过程包括语音识别、视觉感知、问题解决、决策及语言间的翻译等。所以，AI的最终目的是创造出能和我们一样工作及一样反应的计算机系统。

聊天机器人（Chatbots）以一种相当清晰的方式展现了AI在市场营销中的应用。这些自动化程序可通过语音指令或聊天文本（或二者）模仿人类交谈。他们就如同真人服务员一样与人们互动，能够接收并处理客户的信息，并对他们的问题或要求做出应答。

同人类思维一样，“学习”在AI中具有重要作用。AI其实并非是给计算机编程，并让它们机械地执行一套指令来解决特定问题，而是以某种方式对机器进行训练，使其能够通过大量数据解决问题、完成任务。而这正是IBM研发的Watson，一种可对以自然语言提出的问题进行回答的计算机系统所做的事情。在研制Watson时（初衷是参加美国的一档益智比赛节目《危险边缘》Jeopardy!），研发人员使用了2亿页的结构性和非结构性内容，包括全部的维基百科文本，对其算法进行训练。另一个例子是由Google DeepMind研发的围棋游戏计算机程序AlphaGo。后者在2017年5月击败了世界排名第一的围棋高手柯洁。

正是这种“从数据中学习的软件”（与之相对的是“由人类编写的软件”）的理念才使AI与机器学习（ML）密不可分。按照Arthur Samuel 于1959年的定义，ML是计算机科学的一个分支，赋予了“计算机无需明确编程即可学习的能力”。其实质是创建能够从数据中学习并根据数据做出预见的算法，特别是当具有良好效果的明确编程原则实现起来太困难或简直不可行时。

ML在营销领域的典型应用包括搜索（排名）、电子邮件过滤，或电商网站上的产品推荐。阳狮媒体开发的Content Predictor（帮助预测即将上演的电视剧收视率的工具）也是基于机器学习。尽管我们可以用“人工”方式创建算法，用于预测某个单一市场或单个目标受众（TA）的收视率，但因为现实中“市场+TA”的组合总数太大（当前总计超过1,800种），我们的研发团队只能通过机器学习技术来进行预测。

深度学习是一个常被提及的与AI相关的术语，它是机器学习的分支，是“基于人工神经网络（ANN，人脑的结构和功能）原理的算法”。我们无需了解太多技术细节，只需要知道ANN的美妙之处在于能根据接收的输入及产生的相应输出而改变（或学习）的能力。

以电子邮件过滤为例，ANN可通过分析已被标记为“垃圾邮件”或“非垃圾邮件”的示例邮件，并利用分析结果从未标记的电子邮件中识别出垃圾邮件。这与生物体大脑中神经元的结构或工作方式十分相似，因此被称为“人工神经网络”。

此外，数据挖掘（data mining）是另一个常使用ANN的领域，相当于轻量级的机器学习。按照维基百科的定义，数据挖掘的目标是“从大量数据中提取模式和知识”。然后，这些被转换成一个可以理解的结构，这样它们就可以被用于商业目的。

消费者画像、离网预测、广告活动优化、交叉销售，或市场购物篮分析（例如，对于捆绑产品的规格）等仅是数据挖掘在市场营销或客户关系管理（CRM）中众多应用中的一些。一般而言，数据挖掘能够帮助发现的模式包括数据记录的分组（聚类）、新发现的归类（分类）、异常记录的识别（异常甄别）、依附性的建立（关联规则），或变量间函数关系的发现（回归）。

回归（或更为准确地说是多元线性回归模型）是对市场营销特别关键的另一领域——计量经济学的基本工具。计量经济学的定义为“统计学方法在经济数据中的应用”，这在概念上有一定误导性。数据科学常常使用它来通过真实世界的数据验证假设。在商业中最重要的应用之一是营销组合模型（MMM）。它常被用于优化与某一KPI（销售收入、利润、品牌意识等）相关的广告组合和推广方案，并利用针对时间序列数据的回归评估各种营销手段对KPI的影响，然后预测其对未来的影响。MMM研究所提供的洞见（包括单个媒体触点的ROI、营销活动的效果、每周最佳GRP等。）为各种媒体计划，或营销策略提供了一些最重要的信息元素。

然而，MMM并非是建立在统计学上的唯一技术手段。市场研究人员、广告人和CRM专家还经常使用统计学更好地了解其客户，或更广泛的消费者。统计分析通常分为两类：a）描述统计学，总结或定量描述一系列信息的特点（使用平均值、标准差，或z值等指数），和b）推断统计学，旨在归纳或推断某一人群样本的特征（例如，验证假设或推断预测）。

说道这里，有些读者可能觉得本文偏离了人工智能这一主题，但其实并非如此。相反，上述所有方法都是商业分析（BA），即“为连续不断探索和调查以往经营业绩，以获取洞见并推动商业计划的技能，技术和实践”，所必不可少的组成部分。在BA中，统计分析和预测模型既可被用于支持由人做出决策，也可驱动全自动化决策，这与AI所要实现的目标相似。在此意以上，BA与AI确实有几分共同之处。

实际上，我们建议在考虑采用人工智能前，设置好大量的结构化分析和自动化流程。在Nick Harrison和Deborah O'Neill为HBR所撰写的文章If Your Company Isn’t Good at Analytics, It’s Not Ready for AI（《倘若企业不擅分析，就难以迎接人工智能的到来》）中，他们强调了跨越最佳实践，直接向开销巨大的初创企业合作伙伴和先进技术（包括黑箱系统、云计算和开源工具包）进行投资所带来的风险。二位作者建议，应将时间和金钱花费在打造适宜的技术设施和能力上。对营销领域而言，这可能包括数据推送（如，来自电视收视率、社交媒体和广告追踪）自动化、数据处理标准化、参照同一主要“数据源”（如，提供消费者单一视角）的所有相关信息系统的连接，等。

顺便提醒，这些建议与Maurice Lévy今年早些时候在达沃斯论坛上的建议并无二致。他警告说，是否正确地使用数据决定着品牌在未来数十年成功和失败，在AI等领域进行考虑不周的试验可能会“葬送”品牌。

对此，我们都被告知了。

 

作者：王珞是阳狮媒体大中华区分析总监；Olivier Maugain是阳狮媒体大中华区分析部门总经理 编辑：陈詠欣