智能营销与全站推广有冲突吗

智能营销和全站推广并不一定有冲突，它们可以相互补充和促进。

智能营销是指利用先进的技术手段，例如人工智能、大数据、机器学习等，对市场和用户行为进行分析和预测，从而精准地定位目标用户，为他们提供个性化的产品或营销服务。

而全站推广则是指在整个网站范围内，通过多种手段（如SEO、SEM等）进行宣传推广，吸引更多的用户流量和关注度，提升品牌知名度和用户黏性。

在实际应用中，智能营销可以帮助全站推广更加精准地定位和吸引目标用户，并针对他们的需求进行个性化的推广和营销；而全站推广则可以为智能营销提供更多的数据和场景支持，帮助智能营销更好地预测和分析用户行为和趋势。

买家人群和货品的成长是智能营销方案中的两个重要组成部分。买家人群的成长是指增加更多的买家，而货品的成长是指增加更多的货品种类。

对于智能营销方案来说，买家人群和货品的成长都是非常重要的。买家人群的成长可以帮助企业拓展更多的销售渠道，从而提高企业的销售量；而货品的成长可以满足更多的客户需求，从而提高企业的市场占有率。

因此，买家人群和货品的成长都是智能营销方案中非常重要的，两者都有助于企业的发展。

9月27日，由证券时报主办的“2019中国AI金融探路者峰会暨第三届中国金融科技先锋榜”在深圳举行。蚂蚁金服集团数字金融智能运营部总经理彭业飞分享了主题演讲《数字金融AI智能运营实例》。

对于AI金融的从业人员来说，一个金融科技产品，如何从用户中来到用户中去，做到个性化投放的最大效率，是最关心的问题之一。在这次主题演讲中，在人工智能、神经网络、信息检索等方面有着资深履历的技术大咖彭业飞详细做了解答，同时分享了其对数字金融AI营销的理解，以及边缘计算、可解释性等最新技术应用。

在多个场合，蚂蚁金服都曾强调持续创新、聚焦科技和开放平台是其三大立身之本，通过自主创新的BASIC(区块链、人工智能、安全、物联网和云计算)技术能力，解决社会解决问题之际，实现技术全方位开放输出。在这次演讲分享的最后，彭业飞详细分享了技术创新开放的愿景：“希望这个平台更敏捷、更智能、更开放，能够快速复制，同时开放给我们的合作伙伴。”

以下为演讲原文，券商中国作刊发以飨读者：

营销应回归用户全生命周期

我们先看一下历史上营销行业的趋势，从70年代开始，大家的关注焦点在货品上的营销，慢慢转向了以交易为营销目标，到2000年，再到怎么样全面管理消费者的关系，慢慢到了最近这些年我们更加在乎如何深刻理解个人、如何理解消费者的情感、如何构建一个忠诚度的维系，越来越以人为本。

什么叫营销呢？本质上营销就是怎么理解消费者的行为，进而试图影响消费者行为的学科。最早在1899年西方就有过这种研究，就是用户看到什么东西，他注意力在哪里，他的兴趣在哪里，他想什么东西，最后他做了一个什么样的行为。可以看到这个理论不断深化，其实基本的框架还是一百年前的框架，不管发展几千年，人还是人，消费者的行为还是类似的。

人的行为是受两块影响，一是外因，一是内因。中间就关于这个人本身，他对自己的认知是什么样的，他的生活方式是怎么样，他会有一个需求，最后影响了一个他的决策过程。从技术角度来讲其实就是一个用户画像，这个人是什么样的人，我怎么理解这个人。他的内因就是他的决策过程，这是我们尝试去理解的。外因其实就是我们能够去施加一些影响力的。比如用户在我们的产品里面或者APP里面，我们怎么触达他，其实是能够影响他的一个外因。最终我们希望这些内因和外因加在这个人身上能够让他真正在行为上产生一些改变。

这是反映在用户跟行为关系上，他是怎么用你的产品，他是不是买你的产品。这在数据上都能得到，他最终的结果，他跟你的交互是什么样的，最终我们要把这些东西归因到你的内因和外因上，这样才能完成循环，才能进一步再去改进我们如何跟用户交互，怎么做多点地触达。

话说回来，最根本的还是用户的全生命周期，从这一个维度来切入。任何的一个新东西，我们如何让用户知道这个产品也好、这个服务也好，怎么做拉新，怎么做增长，怎么促进他的活跃，怎么防止他的流失，永远可以有一个维度做参考。

AI营销如何做到个性化投放的最大效率？

我们自动化的智能营销还是有这几个阶段，第一个是自动化，自动化是什么呢？机器，我们希望帮助人自动化这个过程，省掉人工的劳动，哪怕你没有智能化，第一步你要做到自动化，自动化负责更好的决策；然后是智能化，其实是智能和人工的一个结合，这是机器和人的结合；最终是把自动化和智能化结合起来，产生一个更好的工具。这工具里面就自带了人工智能所有的东西，让你用起来的时候感觉不到，实际它已经内置了很多智能应用在里头。

说到自动化，我们有一个运营工作台，能够让大家很容易用。我们会有一个决策引擎，这里面涉及到算法规模化，毕竟我们的产品已经是数亿用户在里头。得到了结果以后，我们需要有一个深度分析，自动地回流，这样才能知道我们为什么这样做、做得好不好，才能不断去改进。

再来讲讲智能化，智能化是说什么呢？怎么样决策跟用户的沟通。因为最终我们给用户看到的不管怎么样的，是APP也好，是一个网站也好，它总是一个产品；用户在产品上看到了什么最终是你产品的一切，一切都体现在他看到什么东西。你怎么去触达用户？我们会有很多的决策在里头：

比如我们想触达什么样的人，用一个什么样的渠道触达。这个渠道还可以有很多方面，比如在APP里面可以显示不同的东西、推荐不同的东西，哪怕用户搜索一个东西，也可以给他看到不同的结果；你还可以主动触达用户，给他发一个短信，也完全可以用人工智能生成这句话，每个人看到的这句话是不一样的，是针对用户最感兴趣的东西、怎么帮助用户理解这个产品、理解这个服务来生成这句话。在每个方面，其实都可以由中间的大脑来进行决策；进行决策以后，再把这些东西加到用户身上，给用户触达；触达了之后，我们需要实时反馈、实时更新，不断调整我们策略、不断改进，让大脑不断演进，基本是这么一个过程。

再说到营销。成功的营销策略至少要做到这些方面：个性化的投放最大化效率，同时它一定是多次触达，跟多个用户、不同地方的交互；任何的营销，很多情况下都涉及到成本问题，你怎么控制你的成本同时你还需要可灵活调整目标，这什么意思呢？毕竟营销策略是由人来做出的，不同的情况下我们有不同的目标，这个机器其实是无法理解的，必须由人来告诉这个机器，对于这部分用户群体，我的目标是什么——是需要最大化他的点击率还是最大化的转化率，这不是机器能够考虑的。

举一个强化学习的例子。强化学习就是类似于一个儿童或者一个小孩是怎么来学习演进的，比如我拿了这块糖，大人是鼓励你吃这块糖还是惩罚你，但你通过这些得到了反馈，就会从反馈中学习。不是任何事都预先告诉你应该这样做、那样做，这是远远不够的，你需要不断探索这个世界，通过反馈学习我这个策略对不对，我如何改进，人都是这样的过程。我们的营销系统也可以这样学习，我们也会采取行动，去触达这些用户。用户会给我们反馈，包括是一个正向的反馈还是一个负向的反馈，再不断调整我们的系统。

我们系统会自我调整，这只是我们一个例子。我们用强化学习形成了一体化的解决方案，就会做到哪些呢？实时预测在线应该怎么投放、怎么触达用户，跟踪用户的生命周期，还要做多目标融合，这需要我们跟用户交互来学习、建模，最后完成这个循环，不断改进我们的算法。

智能营销走向实时化：可解释性和边缘计算

刚才这只是我们其中一个算法，原来的算法都是离线，比如每天更新一次，但现在随着计算能力越来越强，我们技术越来越发展，我们是要走向实时化。深度学习当然是这些年已经最流行的一个算法了，下面我稍微解释一下可解释性和边缘计算。

为什么我们需要可解释性？什么叫可解释性？本来我们构建一个机器学习模型，人是不能理解的，因为一个模型可能有上亿的参数在里头，模型做出了一个决定说这个人喜不喜欢这个东西，它是没法跟你解释的，因为它可能有上亿甚至十亿参数在里头，它不能说为什么做这个决定，比如神经网络深度学习模型，它不能告诉你这个事情的。

这有什么效果呢？打一个不太恰当的比方，机器学习在很多方面是很强的，它可能数学特别厉害，这好比一个天才算算数特别厉害，但是它在其他方面很弱，比如他可能生活不太能自理，他交流能力、沟通能力特别差，他能力非常强，但是你没法跟他交流，你不知道他为什么做了这个决定，很多时候他也没法主动跟你交流说理解这个业务、理解这个产品，他其实也不理解，这时候你是不是很放心，比如把一个很大的事情，生死攸关的一个事情交给这样一个天才来做呢？可能很多时候你不一定很放心，因为你无法知道他如何做这个决策的。

毕竟做任何一个营销活动也好，我们还是希望能够理解说为什么我们做了这件事情，我们需要从中产生一些洞察，哪怕先训练一个黑盒模型，我们也会基于此尝试去产生一个白盒的人群的洞察。有了这个人群洞察以后，我们会尝试分析和理解它，有了这个理解加上洞察能帮助我们更好作出这个营销的决策。这就是人和机器的结合，这也是在近些年机器领域很热门的一个点，就是可解释性。

再说边缘计算，这也是这几年一个热点之一。云计算，大家都很理解，就是说我的数据都要把它发到一个数据中心去做很复杂的处理，训练很复杂的模型，然后再把这个决策从云端发到你的手机上去执行了，叫云计算。边缘计算是什么？很多计算很多是在你手机上完成的，它不需要上到云，为什么呢？

这里有一个说法，到2020年每人每天平均将产生1.5GB的数据量，这个数据量非常大，不是说所有数据都值得或者都应该把它上载到云端的，因为在云端的存储也需要很多开销，这些数据不一定非要上载云端，但这些数据有没有用呢？其实很有用，因为每一个跟手机上APP的交互都蕴含了里面的信息量，都是可以帮助你对用户的理解。

还有很多很细微的数据，这些数据是不是都会上载到云端？其实不会。它会不会影响决策？其实是会的。我们现在的终端、我们的手机计算能力非常强，它远远大于十年前一台PC机，它已经可以执行一些模型的推理甚至是模型的构建，它完全是有这个能力的，所以就会有边缘计算这个概念。我们很多决策，大的决策是在云端做出的，这个决策到了你的手机端，根据你手机上实时产生的数据再做调整，这个调整是在你的手机上完成的，当然手机只是一个概念、一个意思，其实还有很多其他终端设备都可以做这个边缘计算，这也是这些年的热点之一。

智能敏捷模型快速复制，即为己用更对外开放

再讲到工具化，因为最终我们是希望能够有一套智能应用的框架，使之非常容易地应用到各个不同的场景。比如说蚂蚁金服的服务，我们有花呗、借呗、余额宝、理财等，各种各样的。我们能不能把(一套智能应用框架)快速复制到这些业务里，哪怕我们不断产生新业务，我们需要有一套框架能被快速复制到所有新场景，这就需要我们把这些东西非常好的工具化。

所以我们会有一套智能应用的体系，这里面底层是以数据为基础的，上面就有智能决策的引擎，里面包括各种各样的办法，最终做成一个数据产品。

这个数据产品会支撑内部应用、外部应用，比如外部应用是跟很多第三方合作的一些机构、平台，他们最终会触达用户，(这部分用户)不管是内部还是外部用户。当我把这套东西做好以后，能在满足自己使用之外 ，很容易既把我们自己的能力复给别人、快速复制到不同场景里。

我们希望这个平台更敏捷、更智能、更开放，能够快速复制、非常好的智能化，同时开放给我们的合作伙伴。

我们每个人都是一个高度智慧的生物，每个人脑子里其实有千亿级别的神经元。换一个角度来看，我们做的机器学习很多用的是什么？神经网络，其实它(机器)里面也是神经元，只不过它是机器来做的神经元，它有多少神经元呢？你可以做非常大的网络，可以做上亿的神经元的网络，但我们更希望把人脑里面的神经元和机器做出来的神经元结合在一起，就像刚才讲的，我们所做出的决策当前机器在某些方面还达不到人的状态，哪怕它(机器)做出多少亿神经元在里头，它还是达不到人脑的状态。

如何把人的神经元和机器神经元结合起来，一起做出一个决策，这是需要不断被探讨和深入研究的。有了这个(两者相结合的)神经元以后，我们还要快速执行，因为天下武功唯快不破，能够把它快速执行下去，这样才能把智能营销做出来。

另一个角度，金融行业也有金融行业的一些特性、金融产品的特性，不像在淘宝买件东西，它有前中后各个不同的阶段，比如我在淘宝上买了一个冰箱就结束了，淘宝跟你的交互基本就结束了，我是不知道你在家里用这个冰箱是怎么样的，你是每天用还是每天不用，用得好不好。但如果你买了一个理财产品，这个理财产品一直在你的账户里，理财产品的变化，比如基金的价格涨了还是跌了对你还是很有影响的，它是持续不断的过程，这也需要我们深入理解这个产品形态，把前中后结合起来才能更好做出决策。

（文章来源：券商中国）

郑重声明：发布此信息的目的在于传播更多信息，与本站立场无关。

---