公司的所有职能里，营销也许是最能借由人工智能（AI）获得提升的。营销的核心活动是理解客户需求，提供相应的产品和服务，并说服人们购买——AI可以大幅度增强这些能力。2018年麦肯锡一项涵盖四百多个高级使用场景的分析表明，AI在营销领域最能发挥价值。
首席营销官逐渐开始采用这类技术：美国营销协会2019年8月的一次问卷调查表明，AI应用率在之前一年半的时间里提升了27%。2020年德勤针对AI早期采用者的一项全球调查表明，采用AI的前五个目的里有三个是营销导向：加强现有产品及服务，开发新的产品及服务，巩固客户关系。
AI在营销方面的应用已经取得一定的进展，我们期待在接下来几年里，AI还能在其他各个职能领域发挥更多更重要的作用。AI技术具有巨大的潜力，首席营销官必须了解当下可用的营销AI类型及其发展方向。我们研究数据分析、AI和营销及咨询公司十余年，总结经验，制定出了一套方法，可以帮助首席营销官分类了解现有的AI项目，并为将来的AI做好规划。不过在介绍这套方法之前，我们先来看看现状如何。
今天的AI
现在很多公司的AI用途主要有：处理小任务，如数字广告配置（又称“计划性的广告投放”）；协助大任务，如提升预测准确度（如销售预测）；在结构化任务里作为人工的辅助，如客服工作。（边栏“成熟的AI营销应用”列出了一些常见的AI辅助活动。）
企业还将AI运用于客户旅程的每一个阶段。潜在客户处于“考虑”阶段，查阅关于某产品的资料时，AI会针对其提供广告，协助引导他们寻找产品。线上家具零售商Wayfair用AI确定哪些客户最有可能被说服，随后根据这部分客户的浏览历史，选择一部分产品呈现给他们。Vee24等公司的AI聊天机器人可以帮助营销者了解客户需求，让客户更积极地搜索，推动客户朝向营销期望的方向（比如某个网页），若有需要，还可以让客户与销售人员接触，通过聊天、电话、视频乃至“同步浏览”（让销售人员与客户共享屏幕）等方式进行交流。
AI可以利用非常详细的个人数据（如实时地理位置）提供高度个人化的产品或服务推荐，提升销售效率。客户旅程稍后的阶段，AI协助进行向上销售和交叉销售，并降低客户丢下数字购物车离开的可能性。例如客户将产品加入购物车时，AI可以给出鼓励的话，比如“真有眼光！佛蒙特州的詹姆斯也购买了这款床垫”，协助完成销售。这类举措可令转化率提升五倍以上。
销售完成后，Amelia（正式名称是IPsoft）和Interactions等公司提供的AI服务代理可以7天24小时不间断处理客户咨询，因为咨询数量不定，AI比人工处理的效果更好。AI可以应对送达时间查询和预约等简单的咨询，将更为复杂的问题转给人工服务。有时AI可以协助客服人员，分析顾客的语调，给出回复建议，指导客服满足顾客需求，或建议主管出面干预。
方法
营销AI可以根据两个维度分类：智能水平和独立程度（是独立运行，还是属于某个更大的平台）。聊天机器人和推荐引擎可以划入任意类别：决定其分类的是在具体应用中的使用方式。
首先看看智能的两种类型。
任务自动化。这类应用处理的是所需智能水平较低的重复性、结构化任务。这种应用根据一套规则，或是根据特定的输入执行一系列操作，但无法应对复杂问题，如细致的客户要求。自动向新顾客发送欢迎邮件的系统就是一个例子。Facebook和其他社交媒体平台上简单的聊天机器人也属于这一类。这些应用可以通过基本的互动为顾客提供一些帮助，用确定的决策树引导顾客，但无法识别顾客意图、提供有针对性的回应，也无法从互动中学习。
机器学习。这类算法经过大量数据训练，可以进行相对复杂的预测和决策。这种模型可以识别图像、辨认文本、划分顾客群体，并预测客户对营销推广等各种活动的反应。机器学习驱动了网络广告、电商推荐引擎，以及客户关系管理系统中销售倾向模型的计划性购买。这种更加复杂多变的深度学习是最热门的AI技术，而且正在迅速成为强大的营销工具。不过有必要明确一个事实：现有的机器学习应用执行的任务范围依然狭窄，而且必须以大量数据加以训练。
接下来看看独立AI和属于更大的集成系统的AI。
独立的AI应用。这类应用可以理解为界限清晰的独立AI程序。这种程序区别于顾客用于了解、购买公司提供的产品或服务，或获取售后支持的基本渠道，也不同于员工用于营销、销售或提供服务的渠道。简言之，顾客与员工必须在基本渠道以外投入额外的精力，自主使用这类AI。
例如涂料公司Behr开发的色彩探索应用，运用IBM沃森的自然语言处理和语调分析（Tone Analyzer）能力（可以检测出文本中的情绪），根据消费者想要的房间气氛给出个性化的Behr涂装色彩建议。顾客利用这个应用列出两到三种备选颜色。涂料的实际销售在应用之外进行，不过应用内部也提供直接跳转到家得宝（Home Depot）订购相应涂料的链接。
集成于更大的系统中的AI应用。这类应用内嵌在既有系统里，对于使用它们的顾客、营销者和销售人员而言没有独立应用那么高的可见度。例如，在瞬间决定向用户投放哪种数字广告的机器学习，内嵌在处理整个购买和广告呈现过程的平台里。奈飞（Netflix）的机器学习十余年来一直为顾客提供视频推荐，推荐条目显示在选项菜单上，用户打开网页就能看到。假如这个推荐引擎是独立应用，用户就必须打开一个专门的应用并提出需求，才能获得建议。
越来越多的客户关系管理系统开发者将机器学习能力嵌入其产品。Salesforce的Sales Cloud Einstein套件有若干功能，其中包括基于AI的计分系统，根据购买意愿自动为B2B客户线索排序。供应商Cogito研发的AI用于培训呼叫中心销售人员，也将这一应用整合进了Salesforce的客户关系管理系统。
将这两种智能类型和两种构建方式结合起来，就得到了我们的四个象限：独立的机器学习应用、整合的机器学习应用、独立的任务自动化应用、整合的任务自动化应用（详情见图表“四种营销AI”）。
了解某一AI应用属于哪种类型，可以帮助营销者做好引入新应用的规划。
我们相信，虽然基于规则的任务自动化系统可以强化高度结构化的工作流程，且可提供合理的财务回报潜力，但最终能够为营销者提供最大价值的是整合的机器学习应用。不过要注意，时下的任务自动化越来越多地与机器学习相结合，以便从文字信息中提取关键数据、进行更复杂的决策和实现个性化沟通，这是一种跨象限的组合。
独立应用仍会在整合应用难以触及的地方占有一席之地，但作用有限。因此，我们建议营销者在目前的营销系统内逐步转向整合的AI应用，不要继续发展独立应用。许多公司都在朝着这个方向前进。2020年的德勤问卷调查中，全球企业的AI负责人有74%认同“AI将在三年内整合进所有企业应用”。
起步
对于AI经验有限的公司而言，起步的一种好方法是构建或购买基于规则的简单应用。很多公司采用“爬——走——跑”的方式，从并非面向客户的独立任务自动化应用起步，比如指导人工服务业务员如何与顾客交流的应用。
公司购买了基本AI技能和大量的客户及市场数据，就可以着手从任务自动化过渡到机器学习。后者的一个好例子是Stitch Fix用于选择服装的AI，根据客户自述的风格倾向、保留和退还的商品以及反馈，帮助造型师管理为客户提供的东西。后来公司提供各种风格的照片让客户选择，形成贵重的新数据源，效率进一步提升。
营销者应当对新的数据源——内部交易、外部供应商，乃至可能的收购计划——保持关注，因为大部分AI应用，特别是机器学习，需要大量高质量数据。例如飞机租赁公司XO运用基于机器学习的定价模型，将息税折旧摊销前利润（EBITDA）提升了5%，关键在于获取关于私人飞机供应和需求影响因素（如重大事件、宏观经济、季节活动和天气）的外部数据源。XO使用的是公开数据，不过尽可能地寻找专有数据源也是个好主意，因为使用公开数据的模型可能会被竞争对手复制。
公司使用营销AI的方式更加复杂，很多公司将某类决策完全自动化，不再需要人力。对于重复的快速决策，如计划性的广告投放（数字广告近乎即时地推送给用户），这种方法必不可少。在其他领域，AI只能为面临选择的人提供推荐，例如建议消费者看哪部电影、建议营销高管采用哪种战略。人工决策通常留给影响最大的问题，如是否继续某项宣传活动、是否通过某个昂贵的电视广告等。
公司应当尽可能地将各种决策交给AI处理。我们相信，这样能通过营销AI获得最大的回报。
挑战和风险
即使是最简单的AI应用，具体运用过程中也会遇到困难。独立的任务自动化AI，虽然技术复杂性低，配置具体工作流仍然有可能困难重重，需要公司获取合适的AI技能。将AI纳入工作流，需要将人力和机器各自的任务整合在一起，让AI辅助人力，避免部署方式产生问题。例如，许多组织用基于规则的聊天机器人将客户服务自动化，但能力不足的机器人会激怒顾客。这样的机器人用来辅助客服人员或咨询顾问，效果好过直接与客户交流。
公司采用更为复杂的整合应用，还会有其他难题。如何将AI并入第三方平台，可能是个尤其棘手的问题。例如宝洁公司的Olay肌肤顾问，运用深度学习分析顾客的自拍照，评估其年龄和肤质，推荐合适的产品。这一AI应用整合在电商及会员平台Olay.com中，协助改善了转化率、跳失率和一些地区的消费者平均购物量。然而，将该应用整合进零售店和亚马逊（在Olay总销量中占比很高的第三方电商）的难度较高。亚马逊上的Olay网店无法使用肌肤顾问，影响了Olay在亚马逊提供平滑无缝的AI辅助客户体验的能力。
最后，公司必须将顾客利益放在第一位。AI应用越智能、整合程度越高，顾客就越担心隐私、安全和数据所有权问题。在未经许可的情况下探测并分享所在位置的应用和监听谈话内容的智能设备，可能会让客户不安。一般而言，消费者愿意（甚至渴望）用一部分个人数据和隐私交换创新应用可以提供的价值。对Alexa等AI应用的担忧与这类应用带来的利益相比似乎不值一提。因此，营销者在提升AI应用的智能程度和触及范围时要注意的关键点是让隐私和安全控制保持透明，让消费者有权决定自己的数据被收集、被使用的方式，以及提供相当的价值作为交换。要保证这些防护措施，维持顾客信赖，首席营销官应当建立道德标准和隐私审查委员会，让营销和法律两方面的专业人士加入，一同审查AI项目，特别是涉及顾客数据和可能催生偏见的算法，如信用评分。
营销AI前景大好，不过，首席营销官一定要清醒地了解当前的实际能力。虽然现在吹得天花乱坠，但AI依然只能完成很少一部分任务，无法承担全部营销功能或流程。尽管如此，AI已经可以为营销者提供相当可观的利益，在一些营销活动中不可或缺，而且其能力还在迅速成长。我们相信，AI终将改变营销，但这个过程需要花费数十年的时间。营销部门和为其提供支持的组织，特别是IT部门，必须长期投入精力，打造AI能力，设法应对一切可能的风险。我们呼吁营销者从今天开始制定战略，利用AI目前的机能，并把握未来的可能性。
托马斯·达文波特是巴布森商学院信息技术及管理学总统杰出教授，牛津大学赛德商学院客座教授，麻省理工学院数字经济项目研究员，德勤AI业务高级顾问。阿巴吉特·古哈是南卡罗莱纳大学达拉摩尔商学院营销学副教授。杜鲁夫·格雷瓦尔是巴布森商学院贸易及电子商务丰田主席、营销学教授，《营销及零售管理》（Marketing and Retailing Management）作者之一，《零售营销管理：零售中的五个E》（Retail Marketing Management: The 5 Es of Retailing）作者。
托马斯·达文波特（Thomas H. Davenport）
阿巴吉特·古哈（Abhijit Guha） 杜鲁夫·格雷瓦尔（Dhruv Grewal） | 文