人工智能:營銷傳播“數算力”時代的到來

■ 劉 珊 黃升民

人工智能在近年來呈現出爆發式發展的狀態。在這股世界性的浪潮中,我國也陸續發布《中國制造2025》《互聯網+人工智能三年行動實施方案》《新一代人工智能發展規劃》《促進新一代人工智能產業發展三年行動規劃(2018-2020年)》,并在《“十三五”國家科技創新規劃》《“十三五”國家戰略性新興產業發展規劃》《2017年全國政府工作報告》《十九大報告》《2018年全國政府工作報告》等政府工作報告中提出鼓勵人工智能產業發展。在這些發展規劃中,可以看到重點內容包括促進人工智能的發展,讓中國人工智能產業競爭力進入國際第一方陣；帶動我國產業升級和經濟轉型,培育發展人工智能新興產業,鼓勵智能化創新。連續兩年的政府工作報告提到人工智能,大數據、云計算、物聯網等技術的重要性且反復強調,可以看出在人工智能已成為引領科技發展的重要驅動力的當今環境下,政府把人工智能上升到國家意志的決心。

那么,人工智能是否也給營銷傳播領域帶來了一定的影響和改變呢？我們認為這種影響和改變其實也是相當顯著的。本文將要討論的正是在人工智能的影響之下,營銷傳播產業開始進入全新的“數算力”時代,發生著巨大的變革,但在目前的技術條件支持和實踐探索之中,仍然面臨著不小的難點亟待解決。

一、數據是人工智能與營銷傳播的連接點

學界和業界在討論人工智能對人類社會帶來的改變時,多數聚焦于金融、醫療、教育、交通等熱門領域,在營銷傳播方面的探討總體來說是比較少的,并且缺乏體系化的梳理和研究。我們認為,這兩者之所以能夠緊密連接,核心在于數據。

(一)數據環境是人工智能發展的重要基礎

我們認為,從人工智能自身的發展來看,數據、計算能力和算法是其重要支撐。

1.人工智能發展中的“兩起兩落”都與數據相關

從1956年達特茅斯夏季會議上人工智能這個概念被提出到今天,人工智能的發展大致經歷了三個階段：

第一個階段中,感知器為人工智能發展提出了可行的計算方法,但解決問題面臨的博弈組合龐大無比,當時的計算機提供的處理能力難以支撐龐大的并行計算量。所以在早期的人工智能發展中,計算能力的束縛成為非常明顯的掣肘之一。

第二個階段中,“專家系統”是非常典型的代表,其核心之一就是讓這些系統擁有足量的專業知識數據,從而完成相應的人機對話。所以數據量級和種類的限制都使得當時的學界業界無法突破人工智能的發展障礙。由此可見,人工智能發展史上的兩起兩落,一個根本原因就在于數據——缺乏足量的數據,也缺乏相當的數據計算能力。

而反過來說,這也是人工智能在第三個階段,也就是今天的移動互聯網時代能夠得到爆發性發展的重要原因——前兩個階段有益探索的基礎,加上數據量、運算力、算法優化突飛猛進的進步,共同賦予了人工智能實現突破性發展的重要支撐。隨著摩爾定律下計算機性能的進步,其存儲能力、計算能力不斷提升,機器的計算能力成指數化增長，甚至有一天運算能力將可以窮舉或者近似窮舉棋譜。在第二次浪潮期間,關于算法研究也取得了突破性的進展,機器學習的概念出現,進而又引發了機器翻譯、自然語言處理和機器視覺等應用領域的起步,為今天以深度學習為代表的人工智能第三次熱潮打下基礎。①

2.數據、計算力、算法是人工智能“數算力”的構成

一來,大數據在今天已經不是一個新鮮概念,無論是在數據量、數據類型,還是數據挖掘和處理技術體系方面,我們都已經獲得了長足的發展。據國際數據公司(IDC)統計,全球數據總量預計2020年達到44ZB,其中中國數據量將達到8060EB,占全球數據總量的18%。2018年5月,中國信息通信研究院發布的《大數據白皮書(2018)》顯示,2017年,我國大數據產業規模達4700億元,同比增長30.6%,大數據與實體經濟融合提速。數據化、信息化使得數據能夠流通,網絡化則實現了數據及時的互聯互通,海量數據能夠沉淀并為機器所用,使得供機器訓練用的數據級大大提高,為計算機提供了具有豐富“經驗”的可能性,而且數據傳遞環節可以通過網絡即時完成,算法性能得到提升的周期將縮短。隨著傳感器的開發和應用,物聯網的普及將使數據積累范圍進一步擴大到環境數據、行為數據等。這一點我們已經從AlphaGo戰勝李世石的技術解讀中看到了數據量對機器訓練的重要性——AlphaGo用了2000萬局的對子對弈進行訓練,每一次都能提升棋力。

二來,在人類數據計算能力的提升上,除了超級計算機之外,適配大數據發展需求的云計算服務的成長也是一個典型代表——云計算可以讓使用者體驗每秒10萬億次的運算能力。根據市場研究公司Gartner2017年10發布的報告顯示,2017年的全球公有云服務營收達到2602億美元,較2016年的2196億美元增長18.5%；預計到2020年時,全球公有云服務營收將增長至4114億美元；到2021年時,70%的公有云服務營收將由前十大公有云服務提供商主導,包括亞馬遜公司、微軟公司、甲骨文公司、阿里巴巴集團等。工信部在2018年4月10日發布的《云計算發展三年行動計劃(2017-2019)》提出,到2019年,中國云計算產業規模達到4300億元,突破一批核心關鍵技術,涌現2到3家在全球云計算市場中具有較大份額的領軍企業。云計算的共享資源模式從根本上提高了資源使用效率,并讓沒有大量計算資源的企業有機會應用人工智能,從而產生基于云服務的其他服務形式,進而構建其更加全面的人工智能生態。

最后,在算法突破方面,深度學習成為了人工智能在移動互聯網時代崛起的重要利器。作為機器學習、人工神經網絡算法基礎上進一步深入拓展的一種革命性算法,深度學習可幫助計算機理解大量圖像、聲音和文本形式的數據。利用多層次的神經網絡,現在的計算機能像人類一樣觀察、學習復雜的情況,并做出相應的反應,有時甚至比人類做得還好。這樣便提供了一種截然不同的方式,用于思考數據、技術以及人類所提供的產品和服務。近幾年來,深度學習在圖像識別、語音識別、自然語言處理、機器人、醫學自動診斷、搜索引擎等方面都取得了非常驚人的成果,并且通過手機和互聯網開始全面影響人類的工作和生活。

在此,我們將人工智能發展的這三個支撐,即數據、計算力、算法,稱為“數算力”。顯然,數算力的高低強弱,與人工智能的發展程度是成正比的,可以直觀地反映出人工智能的成熟度和智能化程度。

(二)營銷傳播科學體系的構建有賴于數據

營銷傳播學科的建立已有百年歷史,能夠作為獨立學科出現,在于自覺性、一般性、系統性、科學性等條件的具備。反過來,學科的成長與發展也論證了營銷傳播活動本身的科學性與有效性。

1.營銷活動與傳播活動在本質上是相通的

如果將“營銷傳播”拆開討論狹義的概念,那么“傳播”側重于媒體產業的信息活動,“營銷”側重于廣告行業的信息活動。一方面,從本質上來看這兩類活動都屬于“信息傳播”的范疇,無論廣義還是狹義,無論是基于大眾媒體還是新媒體,都與數據有著緊密的聯系；另一方面,基于媒體渠道進行的傳播活動,其實也是一種營銷——按照5W傳播理論來看,傳播者是利用各種方式和手段,讓受者更好地接收到傳播信息,滿足受者對于信息的需求。在這個認知基礎之上,我們將通過三個步驟拆解營銷傳播活動科學性、有效性與數據之間的聯系。

2.營銷傳播活動的有效是基于對需求的精準把握

在心理學中,需求是指人體內部一種不平衡的狀態,對維持生命發展所必需的客觀條件的反應。從營銷學的角度來看,需求是“有支付能力購買具體的商品來得到滿足的欲望”②。營銷是一個發現需求并且滿足需求的過程,供需雙方通過交換創造價值,而營銷就是對這個過程的管理,從而讓這個過程變得更有效、通過管理創造價值最大化。無論是傳播活動還是廣告活動,科學有效的前提都是對目標對象需求的精準了解和把握,進行制定針對性的執行策略。因此,在一定程度上也可以說營銷傳播的目標就是發現需求、滿足需求。我國學者錢旭潮等編著的《市場營銷管理:需求的創造和傳遞》一書則干脆將營銷界定為:由需求的把握和創新來構思有效的產品,通過市場交換送達消費者,以滿足消費者的需求,始于需求、終于需求。③

3.需求的把握有賴于科學的調研

為了更好地把握需求,我們需要通過合適的調研活動來完成。從現在的廣告活動和傳播活動來看,為了更加清晰地了解需求、斧正決策、執行策略,調研活動基本貫穿了整個營銷傳播活動的始末,而各種調研工作的重要意義之一就是,通過對大量信息的收集形成數據,通過對這些數據的分析從而為與管理者提供營銷決策和參考依據,讓數據說話。例如,在廣告活動中,我們會通過各種各樣的方式和方法來記錄消費者的行為、語言和信息,并且利用大量的類似數據去推測消費者的需求。有時候還需要通過更多的渠道和方式來了解消費者的內心,研究其潛意識,掌握他們的隱性需求,并且通過與他們的深度對話來斧正數據結果。所以,定量和定性的研究方法在了解目標用戶和消費者的需求時,通常都是一起使用的。

4.營銷傳播的科學體系構建是一個“數據化”的過程

在營銷傳播活動的發展過程當中,有三個方面決定了其逐漸構建“科學體系”的可能性：

首先關于目標對象,我們通常假定他們的需求是“可測量、可誘發、可創造”的,這些目標對象是可以通過一些渠道和方法被接觸到的。

其次,為了與這些目標對象進行溝通,媒體渠道和平臺的信息傳播功能發揮了重要的作用。在互聯網時代,這種溝通變得更加暢通無阻,目標對象的各種信息和數據也更加透明、頻繁、全面地被留在了這些傳播平臺上,讓我們可以用更低的成本,更快地獲得更多的數據,從而更好地了解他們的需求。

第三,為了實現有效的營銷傳播,專業機構不斷發展,廣告公司、媒介代理公司、數據服務機構、公共關系機構、咨詢公司等出現,這些專業機構的發展中,工具化、程序化成為顯著特征之一,進一步保障了營銷傳播活動有效性的可復制性。至此,各個環節彼此依存,環環相扣,形成一個穩定而成熟的體系,其被構建的目的就是為了不斷的接近真實的需求。與此同時,低成本、高效率成為了成功營銷傳播活動的兩條重要考核標準。同時,這也是一個不斷調整、修復、優化的過程,在這個過程中,數據自始至終都扮演著非常重要的角色,因此我們也將這樣一個以不斷接近真實需求的過程稱為數據化的過程。

簡言之,營銷傳播的核心是對需求的探知與滿足,而這一目標需要通過大量的數據搜集和處理來實現。大數據和人工智能技術的發展,使得人類在數據類型、數據量級和數據處理的方法、速度、成本上都得到了徹底的變革,因而對于營銷傳播會帶來顛覆和重構性的改變。這一點其實我們在2012年一篇題為《“大數據”背景下營銷體系的解構與重構》的論文中已經進行了完整的論述:大數據技術顛覆傳統營銷體系的同時,也給我們帶來了更大的空間與全新的可能性。④營銷傳播與大數據之間的連接點,恰好成為了人工智能改變營銷傳播產業的基礎。

二、人工智能對營銷傳播帶來的影響和改變

通過上文的梳理和論證,我們解釋了人工智能的發展與“數據”之間的關聯,反過來人工智能的進步所帶來的各種技術的突破,其實也會進一步帶動“數據”業態的前進——而“數據”業態的變化則會進一步改變營銷傳播產業。事實上,人工智能改變營銷傳播業態的可能性并不只是理論層面的設想,而是已經發生在了眼前的現實之中。接下來,我們從媒體和廣告兩個視角,探討人工智能究竟如何影響了營銷傳播產業。

(一)人工智能對媒體運營的影響

媒體運營的核心之一,是對內容的運營,這也是媒體傳播中的核心——“信息”。所以,我們將重點探討人工智能對媒體內容運營的改變。根據周艷教授在《新媒體理論與實務》中對媒體內容運營的界定,我們將媒體內容運營劃分為內容獲取、內容編輯和集成、內容分發、內容交易四個主要環節。

1.內容獲取:輔助生產與自動生產

雖然購買是重要來源,然而通常用來考量一個媒體機構內容運營實力的還是內容生產。在這個方面,人工智能的應用已經嶄露頭角。

圖文資訊領域,機器人寫作已經不是新鮮的概念。2016年《華盛頓郵報》推出了一個名為Heliograf的寫作機器人項目,它可以自動生成簡短的報道。在此后的一年中,《華盛頓郵報》上發表了850篇出自Heliograf之手的報道。此外,美聯社應用的Wordsmith寫作機器人則能夠抓取公司年報、賽事報道等制式化的公開數據,并將其導入編輯模板,最后審核和發布；騰訊研發的Dream Writer和《今日美國》的短視頻制作機器人WIBBITZ可以將圖片和視頻剪輯在一起并用合成的語音進行新聞播報的類型；BuzzFeed的BUZZBOT能夠自動從新聞現場收集信息；路透社的NEWS TRACER智能算法能幫助記者判斷消息的真實性,基于傳播渠道、可信度和新聞價值為消息評分。

視頻領域的智能應用也在探索之中。例如,2012年成立的Wochit就是行業內最早的一家短視頻制作服務平臺,并在全球已經吸引了超過350家媒體使用其付費服務。使用者輸入一個網址或者關鍵詞,Wochit系統就會為其搜集相關的視頻素材,例如圖片、視頻片段、推文或者圖標。然后用戶便能在智能Timeline上編輯視頻,并一鍵生成適配各個分享平臺的視頻內容。2016年,IBM旗下人工智能系統Watson成功地為《摩根》這部90分鐘的電影制作了出一段時長6分鐘的預告片。這次成功嘗試的基礎是Watson通過對100部恐怖電影的預告片進行鏡頭級別的視覺、音頻、場景構成的分析,完成了基礎學習。

2.內容分發:精準推薦

無論是新聞推薦、社交推薦、廣告投放、文娛內容推薦,還是智能互動,媒體機構都在思考如何讓內容如何更快速、精準地抵達用戶,以及如何爭取到用戶更多的注意力資源,而人工智能技術的應用給了我們解決這些問題的可能性。

以改變了歐美新聞分發和社交媒體盈利的模式的Facebook為例:Facebook根據對過往數據的大量積累和分析,建立起一套自己的內容排序規則——Facebook EdgeRank。一方面,Facebook收集每位用戶發布的內容(包括分享的內容),關注好友的狀態更新,加入的群組,點贊、評論、分享等行為信息；另一方面,Facebook根據權重(早期標準有:互動/親密度/時間等)對監測數據進行評級,展示信息流排名評級高也即用戶最感興趣的內容的推送至用戶。后來,Facebook在原來EdgeRank的基礎上,更加細致地定義了不同層級的親密度。用深度神經網絡理解圖片內容和文字內容,從而可以知道圖片中的物體是不是用戶感興趣的。隨著產品迭代,也加入了更多產品特征,諸如閱讀時間長短、視頻內容、鏈接內容等。

2017年上半年,《紐約時報》對其網站和App進行個性化改造,被用戶稱為“模仿Facebook”。在后續的幾個月里,它陸續進行了一些個性化實驗,比如根據用戶的閱讀習慣、訪問時間、地理定位來決定推送內容,最終希望達到的是,在傳統報紙編輯選薦與網絡個性化模式之間達到平衡。當然,基于算法推薦機制的個性化分發也正在面臨讀者“過濾氣泡”“信息繭房”等質疑。近期,哈佛尼曼實驗室的一篇報告詳細地探討了這一技術機制,承認個性化算法的力量,但也不能只將個性化留給算法,“你仍然需要一個人類編輯”。

3.內容運營的管理:版權管理是重點之一

在內容運營的管理層面,人工智能和相應的數據工具也在被積極使用。例如,為了提供一套可行的版權及內容管理方式,Google于2011年上線了Content ID并運用于旗下視頻網站YouTube的運營之中。Content ID為版權所有者提供免費的內容數據管理方式,并提供封鎖、追蹤和獲利三種方式,讓版權所有者自行決定所擁有的版權內容以何種形式出現在YouTube上。Content ID功能包含了影片ID(Video ID)和音頻ID(Audio ID)兩種數據標簽化管理功能,分別具有比對視頻、音頻是否侵權的功能。YouTube Contend ID以熱圖(Heat map)的數據處理方式比對影片,因此即使不是完全符合的影片,如內容包含加框、影音歪斜、左右鏡像、水印、質量不佳的狀況的影片,一樣可進行比對其是否侵權。

與此同時,基于版權內容的評估和交易方面,大數據與人工智能技術同樣在發揮著積極的作用。我們對于如何將數據運用于內容評估的研究始于2009年,并成立了中國傳媒大學內容銀行實驗室進行實踐探索。基于對大數據的長期積累,沉淀了包括多個平臺的播出數據、文本反饋數據等結構化、非結構化數據,并訓練相應的人工智能算法,實現對內容的價值評估,包括投融資預測、個性化推薦算法、潛力內容營銷資源挖掘等,可以在內容生產、傳播、營銷變現等全流程中發揮作用,幫助各個產業鏈發現優質內容及相關要素。

(二)人工智能對廣告營銷的影響

具體到廣告營銷領域,人工智能技術的應用主要體現在四個方面,一是營銷調研,包括消費者研究和調查；二是營銷策略的制定,包括廣告創意的制定；三是營銷策略的執行,主要體現在媒體投放的程序化和自動化；四是營銷效果的評估和預測。

1.營銷調研:更好地了解目標對象

在營銷調研尤其是消費者研究中,結合大數據技術的人工智能可以極大地優化調研成果并提升研究效率。正如前文所述,在當下的移動互聯網環境中,消費者在各種平臺和產品中留下了自己的痕跡和信息。以往,這些有價值的信息和痕跡是很難被有效利用的,但大數據和人工智能技術則解決了這些問題。

例如,早在2013年時微軟的研究人員就表示,只要200條推文,大約有2500到3000個單詞,就可以對一個用戶進行性格評價,并構建該其性格分析圖。在BAT中,利用海量數據和人工智能技術進行用戶畫像已經是非常常見的操作。騰訊將日常沉淀下來的海量用戶數據大致歸類為賬戶數據、交易數據、商戶數據、QQ平臺數據、微信平臺數據和安全平臺數據,為了利用這些數據進行用戶畫像,其日均計算量達到了1.5萬億次。利用這些數據,騰訊可以進行多層次身份分析、多維度行為刻畫、多場景風險評分,實現更加智能化的營銷:基于用戶歷史購物行為,騰訊能夠分析出用戶偏向于哪種消費軌跡,是喜歡手機支付還是網絡購物,常去的商圈和用戶自身地理位置又分別如何。然后,這些數據會被實時提取到后臺數據倉庫,通過機器學習、模型分析等方式后,騰訊可以逐步得到精準營銷客戶方式的依據,比如有些用戶適合在微信窗口渠道推薦、有些廣告適合在部分客戶的朋友圈投放、有些客戶適合在理財通應用的內部渠道里推薦等等。

2.廣告創意:優化創意與生成創意

在營銷創意方面,一方面人工智能技術能夠幫助我們更好地進行創意策略制定和實現,另一方面它甚至可以代替人類完成營銷創意工作。

例如,2012年三星為其Galaxy S III智能手機的發布,推出了一支與iPhone 5的比較性廣告。在這則廣告中,描繪了一個消費者排隊等待蘋果手機發布的場景。用戶在閑聊、對話中將兩款產品在諸多方面進行了對比,從而突出三星手機的優勢。廣告片中的對話內容全都來自于當時社交媒體上用戶們對于這兩款手機的討論:廣告創意人員在設定了一定的關鍵詞之后,通過抓取工具獲得了大量社交媒體上的相關發言與評論等,再利用文本分析的方法去解讀這些信息,最終抽取出了兩款手機被消費者認同度最高的優缺點,呈現在廣告內容之中。

2016年4月,廣告創意機構麥肯(McCann)在日本任命了“世界上第一個人工智能創意總監”——AI-CD β。為了開發AI-CD β,項目團隊解構、分析和標記了大量的電視廣告,包括全日本放送聯盟廣告節(All Japan Radio & Television Commercial Confederation’s annual CM Festival)十年來的所有獲獎作品。之后,人工智能基于大數據,結合一定的邏輯算法,給一些產品和信息做出針對性的創意廣告指導。為了進一步提升創意能力,AI-CD β還會在廣告播出后評價分析廣告結果,總結經驗。

3.廣告投放:程序化廣告的發展

在廣告投放與媒介購買方面,程序化廣告的發展和成熟,是大數據與人工智能技術應用的直接產物。自動化和智能化是程序化廣告的兩大特性,也是能夠直接體現出人工智能作用力的方面。其中,自動化是指利用相應的數據和智能技術,傳統的人工購買媒介資源并制定定向策略的方式被自動化的方式以“程序”的形式取代；而智能化則是指,在投放程序化廣告時,運營水平的高低不再是由團隊成員的經驗和水平高低決定的,而是由智能化的技術所決定的。

2007年,谷歌以31億美元收購了網絡廣告管理軟件開發與廣告服務商DoubleClick公司,開啟了自身的程序化廣告業務探索。2018年2月,谷歌進一步將機器學習導入旗下廣告平臺AdSense,推出了新廣告工具“Auto Ads”用來吸引更多想要投放廣告卻沒時間管理投放活動的客戶。根據先前beta版本的測試,谷歌稱這一工具平均讓客戶的營收增加10%。這個系統工具以機器學習的方式實現,不僅可以為廣告選擇效益最大的位置,也能透過分析廣告成效,反過來再教育系統,讓投放能力不斷優化。

4.效果監測:實時與精準

在營銷效果監測方面,人工智能和大數據的結合徹底改變了傳統營銷活動中的“后測”方式,而是可以時時監測廣告營銷的效果,并及時反饋效果數據。

例如,在上文所提到的谷歌程序化廣告產品矩陣,可以使用同一條代碼同時監測和記錄廣告投放過程中的曝光、點擊、轉化與消費者行動數據,并構建歸因模型,分析廣告投放產生的直接點擊、轉化效果與品牌的KPI提升效果以及之間的關系。在品牌傳播效果方面,谷歌通過具體的衡量指標,幫助品牌廣告主判斷哪些廣告曝光給受眾留下符合預期的印象,指標包括有多少人記得某條廣告、他們對某個品牌的認識程度、他們購買其產品的概率等。同時,谷歌將廣告主用于做品牌廣告、CPC、CPA等效果廣告的不同預算投放,用同一套體系進行追蹤和監測,通過數據分析得到廣告與品牌、效果之間清晰的因果關系。

總體來看,人工智能和大數據技術的運用,使得營銷者可以利用各種程序化的工具,全自動地針對不同的人采用不同的營銷方案去推送,實現所謂的“千人千面”的精準效果。但是在根本上,人工智能是幫助營銷者去不斷接近真正的需求:利用數據、計算力、算法構成的數算力,實現營銷智能化。

三、營銷傳播“數算力”進化的下一步:與人工智能的互相促進

雖然人工智能在營銷傳播領域的應用和探索已經相當廣泛,但是仍然存在兩個問題。第一是對比金融、醫療、交通、工業等領域的技術發展程度,營銷傳播領域人工智能的運用其實還處在非常基礎的階段；第二是人工智能產業自身對于營銷傳播領域的重視并不足夠。而我們認為營銷傳播恰好是人工智能很好的試煉場,甚至在這個領域的技術突破有可能給人工智能本身發展中所面臨的問題和難點帶來重要的借鑒。實現營銷傳播智能化的未來,在營銷傳播領域體現數算力的未來,必然是這個領域與人工智能互相促進的結果。

(一)營銷傳播與人工智能的核心目標一致性

之所以這兩個產業能夠互相促進,一個根本的原因在于營銷傳播要解決的核心問題與人工智能的終極發展目標是吻合的。也就是我們所說的核心目標的一致性。

1.人工智能的終極目標是“模仿人類”

從人工智能的發展階段來看,我們目前還處在弱人工智能的階段,經歷著從計算智能向感知智能的發展轉變。但是,使用弱人工智能技術制造出的智能機器,只專注于完成某個特定的任務,不會有自主意識。強人工智能可以進行思考、計劃、解決問題、抽象思維、理解復雜理念、快速學習和從經驗中學習等操作,目標是使在非監督學習的情況下處理問題,并同時與人類開展交互式學習。到了理想中的超人工智能階段,計算機將跨過“奇點”,其計算和思維能力已經遠超人腦,擁有科學創新、通識和社交技能。我們可以看到,人工智能的目標是盡可能接近人,而在精神層面擁有自我意識則更是難上加難。人工智能從“有監督”向“弱監督”甚至“無監督”算法的進化,為的就是讓機器學會學習和思考。

從圖靈測試和莫拉維克悖論開始,人類對于人工智能的終極期待就是讓計算機越來越像人類,這種模仿絕不僅僅是讓人工智能不斷精進去解決復雜的問題,而是更希望有朝一日人工智能可以像科幻作品中描述的那樣,在知覺、情感和移動性方面能夠與人相似。那么,模仿人類的基礎是什么？顯然是更好的理解人類。

2.營銷傳播的核心任務是“理解人類”

前文我們已經論述過營銷傳播的核心任務是把握需求,而需求代表什么？在經典的需求理論中,馬斯洛理論把需求分成生理需求(Physiological needs)、安全需求(Safety needs)、愛和歸屬感(Love and belonging)、尊重(Esteem)和自我實現(Self-actualization)五類,依次由較低層次到較高層次排列。之后,馬斯洛又在《激勵與個性》一書中探討了他早期著作中提及的另外兩種需要:求知需要和審美需要。這兩種需要未被列入到他的需求層次排列中,他認為這二者應居于尊敬需要與自我實現需要之間。

可以說,人類終其一生就是在不斷滿足各種各樣的需求:“人是一種不斷需求的動物,除短暫的時間外,極少達到完全滿足的狀況,一個欲望滿足后往往又會迅速地被另一個欲望所占領。人幾乎總是在希望什么,這是貫穿人一生的特點。而人因需求所引發的行動都趨于成為整體人格的一種表現形式。”⑤從理解人類的角度來看,馬斯洛認為這些需求是心理的,而不僅僅是生理的,他們是人類真正的內在的本質,但是它們都很脆弱,很容易被扭曲,并經常被不正確的學習、習慣及傳統所征服。

由此可見,營銷傳播要完成對人類需求的探知其實是一項相當復雜的任務,長久以來我們能夠做到的也只是盡可能地還原需求,去接近真實的需求。從這個角度來看,營銷傳播活動中無論是對人類客觀留存數據還是主觀反饋數據的挖掘,其實都是為了更好的理解人類——這是能夠與人工智能的終極目標相匹配的。

(二)共同構建關于需求的場景平臺并挖掘數據的可能性

那么,這些用來理解人類的、關于需求的數據從何而來？其實,營銷傳播領域正是一個天然的關于需求的海量數據庫,而人工智能又給了我們對這些數據進行充分挖掘的可能性。

1.數據、標簽、場景,充分解讀需求

人類在移動互聯網環境下留下海量信息和痕跡,被營銷傳播機構記錄和積累,進而形成龐大的數據庫,用以完成需求分析。然而如何分析這些數據才能夠準確反映人類的需求？一個常出現的解決方案是“場景化”。經典的案例是:即便是簡單如“喝咖啡”這個行為,當消費者處于不同的場景環境中時,其狀態也是天差地別的,那么顯然我們應該了解其“喝咖啡”的具體場景——是早晨在辦公桌前,還是周末的下午茶,不同場景反映的是目標對象的不同狀態,而不同狀態中的需求顯然也是不盡相同的。

那么,基于場景化理解的營銷傳播,其核心就在于要根據目標用戶所處的時間、地點、環境和狀態的差異性,提供與之相匹配的信息、產品或服務,從而滿足其顯在或潛在的需求。此前的營銷傳播一直強調對于目標對象基本屬性的了解,例如年齡、性別、地域、學歷、收入、興趣愛好、過往行為等,而場景化則加入了“場景”這個獨特的考量因素,要求我們能夠更加精準地進行營銷傳播活動。而支撐我們去實現所謂場景化的重要基礎就在于利用大數據和人工智能技術所構建的數據庫及標簽體系。

2.構建三大場景平臺的數據庫及標簽體系

基于此,我們認為應當利用大數據和人工智能技術搜集盡可能多的數據,同時打通各類數據庫,構建起三個互相作用的場景平臺,以便實現更好地分析數據、理解需求。

第一個場景平臺我們將其稱為生活場景,是對消費者和用戶日常生活數據的積累和處理分析(如圖1)。從馬斯洛需求層級理論來看,人類一生的各類需求是可以被歸類的,這些需求將涵蓋研究對象所處的不同生命階段,涵蓋不同圈層的研究對象,并且最終關聯至營銷傳播需求和消費行為之上。

圖1 生活場景平臺的數據庫構建

第二個場景平臺我們可以將其稱為消費場景,是對消費者及用戶每個生命階段各類消費數據的積累和處理分析(如圖2)。根據消費者行為學的相關理論,我們可以清楚地知道所有人都扮演者消費者的角色,在不同的消費行為過程中發揮著相應的作用,主導、參與、影響著不同的消費行為。這些消費的需求和數據可以與社會生活中的各類情景及行為相對應,關聯著不同的媒體接觸和使用行為,關系著廣告活動的最終實現。線上線下相結合的消費方式給了我們更多的數據積累可能,也給了我們打通不同數據的挑戰。

圖2 消費場景平臺的數據庫構建

圖3 精神場景平臺的數據庫構建

第三個場景平臺我們稱之為精神場景平臺,需要構建的是研究對象情緒、心理、喜惡偏好、態度等數據的積累、分析和處理體系。根據心理學的相關理論知識,我們可以綜合運用各種研究方式,從研究對象的言行出發,分析其精神層面的狀態和需求,從而輔助我們進行營銷傳播策略的決策制定。在這個數據庫場景平臺的構建過程中,研究對象在媒體內容產品的選擇、消費和互動時留下的信息就尤為重要,往往可以直接反應其精神需求,所以也會成為我們關注的重點之一。

當我們將這三個場景平臺構建起來之后,人類將獲得更加全面、豐富的需求數據庫。如果能夠在此基礎之上恰當地進行數據分析,就有可能改變傳統營銷中零散的、斷點式的需求研究方式,讓我們在營銷傳播中擁有更多的主動權,同時也給人工智能的發展提供真實而海量的理解人類的數據集合。

3.從“監督學習”到“無監督學習”的數據挖掘能力

從概念上來看,監督學習是指通過已有的訓練樣本來訓練計算機,從而得到一個最優模型,再利用這個模型將所有新的數據樣本映射為相應的輸出結果,對輸出結果進行簡單的判斷從而實現分類的目的,那么這個最優模型也就具有了對未知數據進行分類的能力；無監督學習則是指,我們事先沒有任何訓練數據樣本,需要直接對數據進行建模；這兩者的中間狀態就是半監督學習或弱監督學習。深度學習的創始人杰夫·辛頓掀起的這場“非監督式學習”的革命,成為了“深度學習”的催化劑,也是當前人工智能最炙手可熱的領域。⑥深度學習用于營銷傳播領域,已經獲得了積極的成效。

例如,2015年,微軟在ImageNet數據集中的識別表現已經超越了同樣實驗條件下人類辨識照片的平均水平——這是在大量數據基礎之上訓練的結果。GoogleX實驗室開發出了一套具備自主學習能力的神經網絡系統,不借助任何外界信息幫助,就能從一千萬張圖片中找出那些有小貓的圖片——這是無監督式的機器學習探索。同樣,名聲大噪的AlphaGo戰勝人類棋手是建立在計算機通過海量的歷史棋譜學習參悟人類棋藝的基礎之上；而AlphaGo Zero則屬完全從零開始,不需要任何歷史棋譜的指引,更不需要參考人類任何的先驗知識,完全靠強化學習在對弈中以100∶0擊敗AlphaGo。可以看到,DeepMind的新算法AlphaGo Zero開始擺脫對人類知識的依賴:在學習開始階段無需先學習人類選手的走法,另外輸入中沒有了人工提取的特征。但是,弱監督與無監督目前都還沒有條件進行大規模應用。

場景分析至關重要,但是如何辨別目標用戶具體處于怎樣的“場景”之中,如何獲得足夠的數據來支撐我們構建初級標簽體系？現在的解決方案基本上都還依賴于高成本的有監督深度學習,依賴于人類對于計算底層架構的設計。這既是人工智能學術界中大家廣泛關注的問題,也是業界所面臨的挑戰,當然也是營銷傳播領域想要實現更高級智能化的難點與痛點。這種升級將是營銷傳播智能化,展現人工智能真正“數算力”的必經之路。

(三)利用機器算法與主觀經驗共同解決“黑箱”問題

大數據與傳統數據分析最大的區別是什么？涂子沛在其《大數據》一書中將其解讀為:大數據注重的是相關關系而非因果關系,所以本質是為了幫助人類預測未來,然而預測未來又談何容易。在形成知識的過程中,數據、信息、知識是一個穩定的金字塔結構——大量雜亂無章的數據中,有價值的信息是少量的,而通過信息分析形成知識則是更高的層次,同樣是一個去粗取精的過程。在目前的技術范式之中,輸入的數據和答案之間的不可觀察的空間,就像人腦的思考活動一樣,通常被稱為“黑箱”。我們認為,解決“黑箱”問題不能只依靠數據和算法,還必須有人類自身的加入。

1.主觀經驗是人工智能算法的輸入

人類的智慧能夠針對一個給出的結論進行推理和論證,但無法解釋我們得出一個特定結論的復雜、隱含的過程。相比人類而言,人工智能進行決策的過程是否更加透明？我們都已經知道人工智能的決策基礎是足量而多樣的數據,以及不斷優化的算法,但是這個計算過程和決策過程卻往往是無法被解釋的。比如說:機器到底是怎樣找到那些有價值的信號的？誰能確保它是對的？人類能在多大程度上相信深度學習？從這個角度而言,人工智能算法本身就基于對人類認知世界方式、看待數據方式的理解,因此,可以說人類的主觀經驗是所有算法的第一條輸入,離開主觀經驗,算法沒有立足的根基。此外,人工智能所依賴的數據,本身就已經經過了主觀經驗的選擇和甄別。

以智能音箱等舉例,看似具有智能的交互設備,其背后的算法需要依賴標注語料,而這些語料都是基于人類的知識和經驗進行切分和設計、建構的。AlphaGo同樣如此,其學習的棋局也全部都是主觀經驗的結晶。所以,在不少業界和學界孜孜不倦追求更大的數據量和更優的算法之時,我們認為對于人類主觀經驗的運用其實也是不可或缺的。未來最佳的解決方案,一定是人工智能與人類智慧的結合。在思考如何利用神經網絡解決黑箱問題的解決方案之時,其實也不妨更多地思考如何將這兩者進行有效的結合。

2.利用主觀經驗調整、矯正算法的輸出結果

那么,這種設想是否能夠成真？我們發現其實在營銷傳播領域當中,這件事情正在發生。前文已經論述過,由于營銷傳播要解決的是探測需求的問題,而人的需求往往是隱藏的、飄忽不定的、隨時發生的,因而并不容易,只依靠數據、算法、程序,都無法很好完成。因此,在利用人工智能的過程中,營銷傳播領域的專家們往往必須加入人為的控制。例如,無論是在營銷中的程序化投放、用戶畫像,還是在內容領域的內容創作、價值評估,算法都可以實現數據的采集、清洗和初步分析,但由于數據本身的不全面、算法的各方面缺陷,基于人工智能的營銷傳播,其效果必須要經過人工經驗的判斷、識別。

大數據最早被運用于廣告投放環節,造就了程序化廣告這個細分產業鏈,其中很重要的一個環節是基于對用戶識別所形成的DMP標簽體系——告訴計算機目前瀏覽頁面的用戶究竟有哪些特征,然后才能讓其在資源庫中匹配相應的廣告。而這些標簽體系的設計,必須要由專家對其進行精準度的實驗驗證,通過統計學規律確定用戶畫像的召回率。

(四)樹立健康正確的技術應用觀

人工智能給營銷傳播帶來的全新可能性固然令人欣喜,但是也要避免在這個智能化過程中出現的負面現象:例如盲目迷信和依賴技術,利用技術手段進行惡性競爭等。

1.認知技術的有限性

以大數據為例,我們很早就開始討論不可盲目追求大數據技術,夸大大數據有效性的問題。

一方面,海量數據的積累和運用都是一個漸進的過程,大數據并非萬靈藥,相反小數據也值得深入挖掘。即便數據海量如谷歌、蘋果和亞馬遜,也并非所有人都直接對海量數據進行分析,小數據的處理占有的比重也不小。因此,對于廣大營銷傳播的從業者而言,首先要注重對現有數據的挖掘和精耕細作,只有把握好小數據才能逐漸積累運營大數據的經驗。

另一方面,在數據的應用上,要用辯證的眼光審視和對待。大數據和人工智能技術確實催生了RTB廣告這一細分產業,能夠在毫秒級的時間內對消費者行為做出響應,實現廣告的精準推送。但如果將所有預算都投放到這樣的框架中,會導致品牌長期建設的相對缺失。不可否認,用戶信息、行為數據經過過濾和分析能夠給出指導性的意見,然而前提是運營者需要給數據和技術人員一個方向。算法雖然精到,但是人員經驗和感性認知也同樣重要,只有將兩者結合才能夠給出我們正確的指引。⑦即使數據源是最真實的,數據分析處理也是最客觀的,數據也不能完全反映一個人的內心變化。媒體和營銷最終要面對的是一個個活生生的人,人的思想、靈魂是難以用量化的數據來進行客觀描述的,再真實的數據反映的也不過是人所表現出來的行為表征。要想完整刻畫消費者,僅僅依靠數據是不夠的,還需要更多質化的研究作為補充,對消費者進行深入洞察。⑧

2.重視數據安全與數據造假問題

在利用技術進行不良競爭方面,數據安全和數據造假問題已經成為行業內眾所周知的事實。

2016年3月,Facebook正式宣布放棄Atlas DSP項目,其中一個重要原因就在于其DSP產品碰到了數量驚人的劣質廣告和虛假的機器人流量。2017年,寶潔的全球首席品牌官在美國互動廣告局(the interactive advertising bureau)年度領袖會議上的演講中表示:“為數字媒體法外開恩的時代已經結束,是時候長大了”。寶潔正在重新審計公司簽訂的所有媒介購買合同,并要求其合作的所有媒介代理機構、廣告技術公司、媒體必須啟用第三方測量廣告效果,采用統一的測量標準,并且合同必須細化,根除無效的廣告欺詐和媒介公司收受返點的現象。在由泡沫筑成的虛假繁榮破滅之前,在廣告主、資方和用戶的信任瓦解之前,在整個互聯網營銷生態一損俱損之前,我們必須開始正視互聯網數據造假日益泛濫這一趨勢。

而在數據安全方面,今年也有兩個典型案例:由于泄露用戶信息和隱私,扎克伯格被要求赴美國國會作證；因為一句“國內用戶對隱私信息不敏感”的發言,李彥宏引發了新一輪的輿論風波。

“數算力”的發展是否能夠在曲折中前進,迎來真正智能化的那一天,我們無比期待。

注釋:

① 劉贊、林任翔、張鳳編:《商業狂潮:人工智能的未來》,機械工業出版社2017年版,第7-12頁。

② [美]菲利普·科特勒、凱文·萊恩·凱勒著:《營銷管理(第十三版)》,盧泰宏、高輝譯,中國人民大學出版社2009年版,第4頁。

③ 錢旭潮、王龍、韓翔:《市場營銷管理:需求的創造、傳播和實現(第2版)》,機械工業出版社2010年版,第5頁。

④ 黃升民、劉珊:《“大數據”背景下營銷體系的解構與重構》,《現代傳播》,2012年第11期。

⑤ [美]馬斯洛:《馬斯洛人本哲學》,成明編譯,九州出版社2003年版,第1頁。

⑥ [美]盧克·多梅爾:《人工智能:改變世界,重建未來》,賽迪研究院專家組譯,中信出版集團2016年版,第53-55頁。

⑦ 黃升民:《魔幻化的“大數據”》,《廣告大觀·媒介版》,2014年8月刊。

⑧ 黃升民:《直面大數據所展示的新天地》,《廣告大觀·媒介版》,2012年9月刊。

(作者劉珊系中國傳媒大學廣告學院講師；黃升民系中國傳媒大學資深教授、博士生導師)