人工智能营销：使用AI来说服
现在我们已经使用我们的AI超级大国来找到所有那些难以捉摸的潜在客户，我们需要引导他们并轻轻地说服他们购买。如果您销售泡泡糖或香烟，您的所有工作都集中在品牌和分销上，因此您可以跳过本章。我们其他人需要掌握那些愿意加入的人
我们关于“客户之旅”。
在2000年，我共同撰写一个名为白皮书：“E-度量业务为新经济指标” 1 马特卡特勒，在一个公司的创始人 第一个 网络 分析 公司。 在 其中， 我们 描述 了 客户 生命周期漏斗（图 5.1）。
如果您可以汇总并可视化您的潜在客户的行为数据，您可以根据结果漏斗的形状告诉您需要注意的位置。
如果你的漏斗类似马提尼酒杯，那么你吸引了很多错误的人。玛格丽塔玻璃表明合适的人出现了，但他们失去了兴趣。葡萄酒杯指示prob- LEMS 密封 的 交易 在 该 端 的 所述 过程。 该 镜头 的玻璃 是 你最好的朋友。你找到了合适的人; 他们感兴趣; 他们遵循您设计 的 最佳 站点 路径; 和他们结束了在购买。这一切都非常天真。
165
166
非目标 促销吸引了错误的 人
良好的目标劝说无效
转变
良好的劝说 不良转换
良好的说服力良好的转换
转变
图5.1客户生命周期漏斗
这个想法来自我们的B2B背景和我们多年来所做的销售渠道报告。自然进展始终是相同的直线：
■
怀疑
■
展望
■
Quali fi
ed 领导
■
热门 领导
■
谈判
■
关闭
但是B2C的消费者旅程并不是一条直路。它从一个通道到另一个通道漂移，而不是在特定的序列中。购买过程中没有明确的识别开始或中间位置，一旦宣传和保留被投入混合，结尾就会变得朦胧。（见图5.2。）
我们可以期望的最好的，根据克里斯托弗・ 贝瑞，在加拿大广播公司产品智能Direc-
TOR，是认识到类似的行为，并充分利用它。“我们谈论的是人类，他们都是不同的。如果我们能够科幻ND，一些低级别的任务
是 预测， 我们是 领先 的 的 游戏。 机器 学习 是 在那个比试图根据总和来预测行为的更好的
个人的 心灵。”
 |
3. 商业
图5.2动态客户决策之旅
资料来源：Brian Solis。
167
168
这使得我们 与 该 任务 的 优化 一个 给定的 时刻 ，及时帮助个人 实现 他 或 她的 当前 或 未来的事业。在零售环境中，这种推销方式被认为是正常的。只有现在我们才能把我们在网上学到的知识应用到现实世界中。
店内经验
走进商店，店员回应大量的信息。
■
年龄
■
性别
■
服装 款式
■
头发 风格
■
肢体 语言表达的兴趣
如果业务员配备了一个应用程序，他还可以依靠的购买历史，网上调研
活动，品牌AF网络nities，历史价格区间，社会
廓， 和 更多的， 因为 你 会 想到 要 捕捉 网上 的 以及店内忠诚卡 数据。
零售商还增加了技术，以捕捉购物者通过商店的路径所表达的兴趣。Digital Mortar提供
使用视频和Wi-Fi跟踪的店内客户跟踪系统。商店绩效评估，商店布局评估和工作优化都在菜单上以及客户 服务。
与在线应用程序相结合，支持AI的商店可以平滑在线交易，这些交易旨在用于商店取货或允许人们在线购买并返回商店，反之亦然。绑在一起，这些试图确定该存储是否正在销售时是至关重要的。 作为在线购买物品的返回中心的商店可能是客户满意度的关键组成部分，而不是“失败”的零售 地点。
Digital Mortar的联合创始人Gary Angel 指出 ， 店内活动也可以产生在线销售。“如果有任何区域 网络显示的 广告 是 工作，这是再营销。通过 商店到数字的加入，您有机会根据店内行为进行数字化营销。这将把展厅带到一个新的更好的水平。“
数字砂浆可以为零售商回答很多问题。全渠道计划对商店运营和销售互动有多大影响？全渠道任务是否由权利处理
169
员工？全渠道客户的商店行为是否明显不同？
但是，由于AI能够管理高维数据，我们可以提出以下问题：
■
店内音乐对销售的产品类型有何影响？
■
更拥挤的商店是否会增加 销量？
■
天气如何影响产品 选择？
■
我们是否应该向折扣派对的社交团体发出邀请？
■
我们如何优化商店布局以鼓励冲动购买？
■
在 客户面前为项目发送数字促销的价值是什么？
■
更改商店布局是否为回访客户创造了积极的体验？
然后是销售员自己的优化。“对于大多数零售商店来说，劳动力成本占整体运营成本的很大一部分 – 通常约占销售额的百分之十，”Angel说。“在围绕客户满意度和客户流失的无数分析努力中，两者的一个不变因素是员工互动的质量。人们很重要。“
数字 迫击炮 系统 都 能够 以 区分 客户 从 为了不把它们组合起来或完全忽略他们同时监测人员。“没有客户旅程的任何部分，商店的任何部分都不会对旅程，销售和品牌满意度产生更大的影响，而不是与销售 人员的互动。”
了解文员与客户互动的频率是值得的。这种互动持续了多长时间？他们多久一次导致销售？“你 可以，” 安吉尔 说 ， “隔离员工互动本应发生但未发生的情况 的 数量 和 影响。您还可以找出接触是否是烦恼，可取或必要的。您可以了解哪些关联组合最有效，团队凝聚力有多大，以及高级员工和平均员工之间的价值差异。“
这是利用比我们收集的更多类型数据的另一个例子，我们可以立即牢记这一点 。
170
购物协助
赛帝网络实验室创建了一个基于位置的智能互动plat-形式，可以捕捉顾客的意图，情绪，问题和需求 来 推动 销售。 客户 把 他们的 移动 应用程序
就像 一个 销售 业务员。
■
我在哪里可以找到Ralph Lauren 男士的毛衣？
■
不要 你 做 礼品 包装 吗？
■
如果 是 在 洗手间？
■
什么在 出售？
响应是实时的，并且可以根据需要将请求路由到最适合的人。学习方面来自直接反馈，有几个按钮，表示“是的，就是它”或“那不太正确。”因为它是基于位置的，所以答案是具体的而不是通用的。
最重要的部分是系统学习如何以一百种方式询问同一个问题。基于菜单的常规系统需要采用分层分类法，这可能会使普通购物者感到困惑。组织已经习惯了他们自己的术语，他们 可能 不会在名为Foundation Wear的按钮下对运行短裤的子类别进行 三思 而后行。对于标有Nike AEROSWIFT的按钮，客户将徒劳无功。
梅西百货推出了梅西在通话中10个店的时间为在英语和西班牙语2016和假期。商店导航详细信息由部门，品牌和产品类别提供，如果没有人在视线范围内，则可以为客户提供一种方法。如果必须，可以将其称为ShopBot，但是关于给定商店的布局，商品和服务的数据组合 对于每个位置都是如此独特，以至于该应用对于引导购物者以及培训新员工非常有用。
培训需要时间。2017年开始的，梅西 在 呼叫是“最有用”，但仍然有 一些 扭结 来 上班 了。 当被问及在加利福尼亚州圣塔安妮塔商店买“男士袜子”时，梅西百货的 On Call回答说：“购买男士基本款？在Huntington Drive 入口附近的Men’s Accessories旁边的1楼参观男士基础知识。“
当被问及“你有男士的金趾袜子吗？”时，同样的答案被提供了。当最后用错字（“/”）问这个问题时，答案是“6”（参见图5.3）。
当被问及“你是机器人吗？”时，它不确定。（参见图5.4。）“不幸的是，我们对此并不确定，”应用程序回答道。“我们
仍然在学习，我们将努力为将来的查询获得这个问题的答案。还有什么我们可以帮助你吗？
图5.3 Macy的On
Call应用程序仍在学习中。
171
图5.4梅西百货的On Call身份危机
172
173
“请查看下面这些可能对您有所帮助的链接：孩子们
主页男士服务女士
这是Macy’s On Call的学习方面。也许它可以从Guess
the Animal中学到一些东西。
然而，教训是计算机正在学习如何更好地进行交流。随机访问导航（RAN）是由Assi.st的首席执行官兼联合创始人Shane Mac在一篇关于Medium的文章中创造的。 2 他的公司的目标是“让人们能够在 没有明确的道路的情况下进行导航，同时也能够随时改变主意 。”
人们应该能够以与现实生活相同的方式与技术互动。我们相信RAN为最常见的机器人批评提供了多种解决方案：固定决策树。它能够以100％的自动化完成更复杂的任务，同时提高客户满意度，减少摩擦，而不是让人等待。
RAN的想法有四个方面：
1.
它检测执行意图所需的所有参数（使用上下文）。
2.
它允许用户改变主意而不回头。
3. 它与Web 视图无缝协作。
4. 它需要一个完全不同的写作拷贝方式。
Assi.st与Sephora合作开了一个预约化妆预约的应用程序。（见图5.5。）
我们使用RAN来了解缺少的内容或需要更改的内容，然后在那里导航。我们检测（或可以推断）的参数（上下文）越多，客户的步骤就越少。
图5.5将上下文智能映射到应用程序
174
175
Mac指出一个真正的人永远不会“回归”。
“回来”的想法是我们与网络组成，消息 是 关于 持续 推进 和 是 能够 以 任何改变主意 的时间。
创作 决策 树 和 在无限 失败 过 的场景 是相当的任务。我们已经看到人们花费数周时间写复制 和流 媒体 而不 知道人们甚至想要 什么。这导致我们行业的“抱歉，我不明白”问题[见图5.6]。
我们决定重新考虑为RAN编写副本的整个过程。我们认为提供人们想要的东西要容易得多。
以下是我们对此的看法：
■
我们假设用户输入永远不会 完整。
■
需要捕获所有参数以根据隐含的 上下文执行当前意图。
 |
图5.6即时经典机器人笑话
图片来源：Amir Shevat。
176
■
一旦我们拥有所有参数，您始终可以覆盖任何参数，因为我们有上下文。（这是人们可以随时改变主意的方式 。）
主要的前提是“去网络NE的意图，训练引擎了解参数，复制根据缺什么写，并提供 经验， 是 帮助 人们 得到 的东西 做 快 和 比以前更简单。”
丝芙兰还全力投入Snapchat和Kik的自动化通信，包括开始与您建立关系的能力。“你想参加一个简短的小测验，这样我们才能了解你吗？”年龄和品牌偏好对于个性化体验有很大帮助。丝芙兰知道观众在屏幕上花费的时间。
这些 各种各样 的 机器人 工作的 完美 音响NE 网上 为 好;
1-800-Flowers已将您需要的礼物（GWYN）纳入其网站并增添了一点个性。关于花束自由形式的询问后 我 的妻子 格温 不 只是 响应 机器人， 但 有 她自己的看法。
“你在寻找什么类型的植物或植物？例如：郁金香，玫瑰，百合，康乃馨等，“她问道。
“郁金香很好，”我回答道。
“郁金香 让我微笑，不错的选择。我会记得当 我寻找 礼物时…. 这就是我找到的东西。我希望你的妻子喜欢我的建议！“
因为 我 记录 的， 格温 会 记得 谁 我 逛街了，该场合，和什么样的FL owers 和安排，我喜欢。如果我愿意，她还允许我修改这些笔记。（见图5.7。）
餐馆
HonestCafé在英国经营无人食品亭，出售健康零食，果汁，水果茶，爆米花和热饮。他们转向AI，了解他们的客户 出售 到 ，但 从来没有看到。根据客户的选择，时间和星期几，并注意到谁集体作为社交体验，公司发现使用信用卡付款的 人 更有可能与朋友一起在咖啡馆里闲逛并消费更多的 好东西。
HonestCafé能够通过自动售货机赠送免费物品，可以奖励忠诚的顾客并吸引那些被认为具有最高可能客户终生价值的潜在客户。（见图5.8。）
177
 |
图5.7 1-800-Flowers的GWYN存储器是可调节的。
HonestCafé收集的数据对于协调商店布局，调整产品组合以及组织库存补货非常有用。
商店运营
随着客户的全面分析，是时候将我们的注意力转移到商店本身，从布局作为优化对象开始。如果你 把 在 牛奶 在 了 后面 的 的 商店 ，并 在 新鲜 蔬菜 对立面的网站上的肉类柜台，以推动更足TRAF科幻C到店的中间，以提高冲动性购买？
在设计小面包店时，体验设计不是饼干面包师会想到的。但是，当第一个面包通风烤炉 到 该 街道 在 前面 的 的 店， 灯泡 就 在 所有 在 零售业领域。
178
 |
图 5.8HonestCafé跟踪无法看到的人。
这是很难要考虑的试验用的东西作为具体的店面布局，但有足够的时间还是足够的位置，足够的数据可以被收集到显示获胜组合。员工优化基础上的脚TRAF科幻C，产品知识，以及性格匹配可以大大有助于降低工资开销和很长的路要走增加销售。监控影响消费者的外部因素 （天气， 促销， 竞争）， 作为 以及 作为 消费 行为 和 供应链的历史，可以被用来以收紧了股票在手而reduc- ING中断。这些只是Gary
Angel of Digital 的问题
砂浆正在为他的客户解决。
尽管思想的一个很好的协议已经投入，因为之前优化零售沃纳梅克的 大车厂在费城在1876年开业，上述大量欠的债务 感谢 到 网络世界。
通话中
通过语音到文本，自然语言处理，以及组合 机器 学习，这是现在比较合理的，以搜集意味着从电话通话。
动态生成的电话号码通过特定的cookie精确定位到特定呼叫的促销或登录页面。如果你看到 一个 广告 ，并 制作 一个 电话， 他们 知道 哪些 广告 ，你看到的。如果你点击了
179
通过登录页面，他们知道哪个广告驱动了交通以及您在网站上的行为。
Invoca 可以 关联 呼叫 到 网站 页面 访问， 关键字 搜索，和 以前的 数字 营销 约定， 所有 同时 在 手机 的 犹。 该 系统 不断地 学习 ，以 比分 领先 的质量 和 风险 流失，为了将呼叫路由到适当的代表，并提出劝说策略。
该系统可用于识别呼叫者并提供购买倾向评级，将出站促销与入站呼叫相关联，并帮助指导营销支出，甚至触发营销自动化工作流程。
“在 整 点 是 要 给予 可视性 到 的 呼叫 中心 来 的mar-科汀部门，”软件工程迈克尔高级总监韦弗告诉我，“学习发生与人类的帮助。我们已经人听来和得分一千元或使电话呼叫，无标记荷兰国际集团他们欺诈，客户服务，预约设定，销售关闭，或者不管我们客户的目标是“。
后 的 召唤， 作为 该 Invoca
系统 identi音响ES 主题 的 谈话，包括竞争对手提到，功能或服务引用，并senti-彪 表示。 它 可 也 承认 ，当 一个 目标 是 满足 上 的 电话，提供适当的归属于通道设置预约或关闭 出售。
曾经是基于设备类型，日常业务规则的责任 和 时间 的 号召， 新 或 重复 呼叫， 地理 定位， 源 调用等，现在是自我改进，机器学习系统的域。
“实施机器学习系统验证了许多工程师直观地了解营销人员需要欣赏的内容，” Weaver强调说。 “你需要非常明确的目标，所以你可以提出非常好的问题，然后一切都依赖于拥有 非常 好的 数据。所以，这是 90％的准备，其中10点％的机器学习魔法。”
这种魔力不仅限于机器以超人的速度发现模式，而是在广泛的范围内。当机器学习作为服务提供，一般的相关性可以从囊括所有 呼叫Invoca来自所有客户的过程。评分可以受到众多其他人的呼叫的影响，使得系统一分钟变得更加智能。
现场经验 – 网络分析
互联网是一项突破，因为它具有一种技术洞察力。
一个电话呼叫者曾经通过交换网络连接到另一个电话呼叫者。想想操作员手动插入一个
180
线 成 一 插件板， 物理 连接 的 呼叫者 在 一个 开关。如果交换机无法使用，则呼叫无法通过。在20世纪70年代，分组交换用于将信息（包括语音）从一台计算机移动到另一台计算机，而 无需中央控制器。
包 的 数据 包括 从 和 到 地址 作为 以及 作为 一个 序列号。 当所有数据包最终显示时，可以听到呼叫者，可以播放视频，并且可以显示网站。 如果丢失了数据包，则接收方机器可以请求它们填充空白。
在 很 自然 的 这种 技术 托底 给 上升 到 一个 叫做科幻场 网络 分析。 简单地 展示 了 在 一个 网站上 提供了 一个 信息的网站有用的一知半解所有者。当询问一个特定的ç 页， 该 浏览器 份额 的 下面 用 的 服务器：
■
时间和 日期
■
IP 地址
■
域名
■
操作系统和 版本
■
浏览器类型和 版本
■
请求的页面
■
错误
即使是那么少量的信息也足以推出十几家销售日志文件分析软件的公司。从这些输出 系统 是 相当 多的 限制 来 告诉 你 如何 许多 游客出现了什么他们感兴趣的 最多。
这些信息因缺乏记忆而遭受损失。请求来自IP地址，页面已发送，然后连接 丢失。开发Cookie是为了记住访问者从一次点击到下一次访问，以便可以设置偏好设置和购物车。这很多次请求来自该IP地址，但是没有办法知道同一设备上是否有多个人，或者是否有一个人在多个不同的 设备上。
然后， 页面标记 技术 解锁 一个 伟大 的交易 的 有关访问者的经验和行为的其他信息。页面标签可以收集可能显示的动态信息，购物车的总价值，部分表单完成，甚至是微小的鼠标移动，例如暂时悬停在按钮上。这使得 营销人员可以开始拼接哪些促销活动促使哪些人寻求更多关于哪些产品和哪些产品特征最 有趣的信息。
181
其他数据收集技术包括记住浏览器的指纹：浏览器的品牌和版本，操作系统版本，激活的特定插件等。 如果访客因某种原因被诱导登录并显示 电子邮件地址，我们突然从一个匿名用户变成了一个血腥的人。移动技术增加了另一层识别。
这样 的 压倒性 的高 电平 的 维 耦合 的数据与来自社交媒体进来甚至超过并行处理系统（大的mas-西伯簇的能力 的数据）。
但随着机器学习。。。
着陆页优化
客户体验很难在野外进行管理。潜在客户在某处，点击，滚动，发推和观看，但当他们来到您的网站并点击该登录页面时，您可以通过推送和拉动来改变他们的行为。
通过图形，复制和交互性，您可以测试和调整着陆页并显着提高您的底线。蒂姆・阿什，笔者 的 着陆
页
优化
（Sybex出版， 第2 版， 年4月 24， 2012），写 的是 登陆 网页， 给予 适当的审查，可以帮助：
■
确定您网站的关键任务部分及其真正的经济 价值。
■
定义重要的访问者类和关键转换 任务。
■
部署 强大的 神经营销 技术 ， 让 人们 采取行动。
这是A / B和多变量测试的问题，可以根据您的意愿改变网站访问者的行为。在正确的时间向正确的人传达正确的信息在客户旅程中也很重要，而不仅仅是在广告中。
A / B和多变量测试
A / B测试是每个网络管理员的 梦想。这很容易向公司的其他人解释，结果总是被视为福音。只需将90％的网络流量发送到常规页面，将 10％发送到变体。然后坐下来，等到足够多的人已经 来 过 ，以 达到 统计 显着性 和 您 可以 清楚地看到哪个版本更好。
182
多变量测试大致相同，但多变量测试寻求发现哪种元素组合效果最佳：这个图形与该副本和此号召性用语相比，而不是面对面的竞争。给定足够的交通（用于统计显着性），这种测试可以快速确定黑白产品照片是否更好用蓝色字体，或者如果带有红色文本的全彩色景观是否击败所有其他组合。
Sentient Ascend使用遗传算法生成要测试的网页候选。营销人员提出了关于按钮颜色，徽标大小，布局，内容排序，消息等的更改的建议，并且可以实现超过一页到整个站点访问。然后Ascend推广最成功的想法来重现。每个页面都表示为基因组，如图5.9（左侧）中的两个示例页面所示。
然后进行模拟的遗传操作，例如交叉（两个基因组中的元件的重组;中间）和突变（随后改变后代中的一个元件;右侧）。如果父母的基因组是那些很好地转换之间选择，那么一些 的 他们的 后代 的基因组 是 可能 要 执行 好，比他们的父母太甚至更好。每个页面只需要在可以确定它是否有前途的范围内进行测试，即它是否应该作为下一代的父级，或者应该被 丢弃。3
虽然 这种 方法 可以 更 快速地 检测 数以百万计 的 设计 超过 人类 以往任何时候都
可以， 但 只 需要 到 测试 几千 到 网络ND 的 通过学习最好的哪些元素的组合是最 有效的。
在首先潜入头部之前，Conductrics的Matt Gershoff 在你的车里 担任 安全带“ping” 。“总是有一个没有暴露在机器学习系统中的控制组。 永远。“
现场用户体验
当人们抱怨他们的在线体验，当他们打电话给呼叫中心，或者当他们提交低满意度分数时，你可以告诉他们有什么不对劲。但很难说它是什么。他们为什么不开心？
会话回复记录每个鼠标移动和点击，并可以快速显示用户或网站出错的位置。虽然这在个人基础上提供了非常丰富的信息，但人们无法观看数小时的网站故障。
图5.9 Sentient Ascend的变异生成器决定谁可以重现。
183
184
SessionCam捕获并分析对您网站的记录访问，以首先使用客户斗争分数突出显示最高价值问题。这些区域通过热图和电影 报告显示出来，指出应由人类审查的会话记录。
推荐引擎
亚马逊 是 在 第一个 来 带给 我们 的 一键® 按钮， 一个 突破性的便利为我的信用卡账单会证明这一点。他们也是第一个普及在线 推荐的人。
一开始，这是通过蛮力跟踪完成的。
■
这些物品通常一起购买。
■
买这个的人也买 了。
■
那些 有兴趣 在 这个 主题 是 也 有兴趣 在 那 一个。
■
评价这件事的人也喜欢那 件事。
■
与你相似的人买了这些 东西。
■
和最受欢迎的畅销书。
这种协作式交叉销售/追加销售对亚马逊来说效果很好。
在 北 脸 已 创建 一个 基于对话框的
推荐 引擎建议外衣。一旦您输入了您可能喜欢的夹克或您正在计划的户外活动的详细信息，该应用程序会询问您的目的地。 后 告诉 的 北 脸 XPS （专家 个人 购物者）
，我 是 领导 ，以 芝加哥 为 商务 会议， 它 检查 的天气。一旦予选定的一个套代替的一个背心 和 一个 轻松的 网络连接牛逼
了 一个 活跃的网络T，我得到了三个护套选择。毋庸置疑，当我建议我去冰岛徒步冰川时，建议是不同的。（见图
5.10。）
这些应用程序仍处于早期阶段。The
North Face要求的反馈仅限于我的经验（我不喜欢它;没关系; 我喜欢它），我找到了满足我需求的夹克（是/否）; 我会再次使用它吗？而且，“我们能 改进什么吗？”
个性化
一到一个营销向来只是遥不可及。如果您登录，您就是客户，我们会记住您的信用卡号，鞋号和配偶的生日。但个性化匿名访客的体验有点棘手。我们从经典分段开始，并尝试实现关系数据库。
图5.10 North Face提供最便宜的最符合我需求的产品。
185
186
虽然细分很有用，但它并不是非常精细。虽然关系数据库是有效的，但它们并不能很好地扩展。我们正在寻找亚秒响应时间。
AI在这里发挥其优势：
■
在忽略 其余属性的同时查找最具预测性的属性
■
根据实际数据而不是人类猜想做出决策
■
不断更新其 “信念”
Adobe Target
Premium“汇总来自各种在线和虚拟资源的客户数据，包括网络和应用分析，客户关系管理（CRM）数据库以及面向内部的企业资源规划（ERP）和数据仓库（DWH）系统电信设备制造商。在您显示此数据时，Target的机器学习算法可确定哪些变量最能预测转换，从而消除客户信息中的混乱。和Target的 与集成 观众 经理 意味着 你 可以 利用 外形相似的 造型 ，自动科幻ND新的客户群，扩大你的观众意想不到的 方向“。
Godiva.com 解释“每一次点击，网站搜索和页面视图来显示最相关的产品，以每个网站访问者右走， 模仿 他们的 技术 销售人员 认为 目前 的选择 基于 对 哪些客户正在寻找在店里。这种奢侈的购物体验引起了购物者的共鸣：自实施反映以来， Godiva.com的转换率已经上涨了近25％ 。“4
HSN（家庭购物网络）使用IBM的Watson来跨设备进行个性化。你 在这里开始 对话并在那里捡起来。这意味着客户便利性和更高的忠诚度。
MERCHANDISING
虽然在约翰瓦纳梅克时代之前就开始对店内商品进行研究，但在线商品推销已被降级为算法。目标网页上应该包含哪些商品？它们应该如何展示？首先应该弹出哪些颜色选择？什么时候应该提供奖励？数字商品推销不是商店布局和产品分类的静态混合，而是一种动态展示，更接近于一对一，每人的说服力。
187
价钱
动态定价的尝试令消费者感到不安。旅行网站遇到麻烦，显示Mac用户比PC用户更昂贵的酒店。在亚马逊购物的人们实时播放了亚马逊。删除 Cookie后，机票被认为会减少。
穆罕默德伊斯兰教，在Aiimi
/盎格鲁主要数据的科学顾问水， 建议 尝试 用 不同的 价格 在几个孤立的市场。这可能是一个非常复杂的undertak-
ING，所以伊斯兰教创造了一个机器学习 系统 来 工作 的 吧。 （见图 5.11。）
由于产品具有不同的价格弹性，因此动态价格优化对于单个产品要求极高。我的算法是一种自学习方法，它根据各个产品的历史购买和最先进的数据挖掘方法的最佳方式来改变价格，根据价格弹性做出个别定价决策。
与价格规划和优化解决方案相关的直接财务收益可能具有吸引力。
例如，保证金，销售额（按收入计算）或销售量（以单位计）。与给定产品相关的销售速度通常非常高，这意味着销售额的一小部分增长或保证金的小幅增加等同于一年内显着的货币价值。可能是通过优化价格，特定类别的总体销量减少而整体利润率影响为正。
在 经典的 方法 来 分类 管理 已 被确定SPECI网络Ç策略，以确保 角色 和 目标 的 每一个 单独的 类别 被 满足。
这些策略往往侧重于库存，分类，促销和价格。使用价格计划和优化解决方案可以将这些策略的定价元素映射到特定的定价方法并自动应用。这确保了价格策略的一致性和完整性，从而有助于整体的类别管理过程。五
188
我们应该自动化动态定价吗？不，这是不建议与人们的价值观念发挥，但它是最好用今天的技术，以帮助确定价格。
市场篮子分析
人们把他们的购物车放在什么地方？什么物品一起进去了？从购物车 到购物车的顺序购买了哪些商品？删除了哪些项目？ 放弃了什么物品？这些问题的答案一直在推动商品推销， 因此自1937年Sylvan Goldman发明了购物车以来的销售。
2016年，Adobe Systems在回答这些问题时获得了专利。6
描述了在线购物车分析。在一个或多个实施方式中，构建的模型可用于计算给予在线购物车中具有未购买物品的在线商店的给定顾客返回购买那些物品的可能性。为了构建模型，针对已经放弃在线购物车的其他客户收集描述在线购物车中的未购买商品的在线商店交互和属性的历史数据。使用该模型，输入为已经放弃在线购物车的后续顾客收集的数据，并且返回该顾客返回购买未购买物品的可能性作为输出。基于计算的可能性，客户可以与对应于不同营销策略的不同广告片段相关联。
结束交易
甚至在转换时将针头移动几点 也 会使很多收入降到 最低点 。 在 经典的 转换 漏斗 想象 成千上万的人在上面，表达某种兴趣。当他们进入漏斗时，他们越来越多地参与其中，直到他们 从底部辍学成为 客户。
该 营销人员 必须 决定 在那里 来 投资 资源。它的不得了时的广告部门增加了他们的预算时，它清楚地表明漏斗（说服）或漏斗（转换）的底部中间需要改进。这是倾注更多的人进入了前当漏斗本身是一种浪费泄漏。
初始化步骤
图5.11伊斯兰教的算法框架
学习步骤
申请步骤
189
190
转换程序是在第一个有用的比喻，但没有线性顾客 旅程 网络连接TS 里面 一个 漏斗。 个人的 利益 蜡 和衰落。究其原因，他们应受科幻扣动扳机买电器可以 有 更多的 到 做 与 他们的 母亲在法律
即将 来 参观 比 一个良好的旅行客户旅程。
Google将智能目标作为其Google Analytics套件的一部分提供。
智能目标使用机器学习来检查有关您网站会话的数十个信号，以确定哪些信号最有可能导致转换。每个 会话都分配一个分数，“最佳”会话被转换为智能目标。智能目标模型中包含的信号的一些示例是会话持续时间，每会话页数，位置，设备和浏览器。（再营销智能列表使用类似的机器学习模型来识别最佳 用户。）
要确定最佳会话，智能目标会通过选择大约来自AdWords的网站流量的前5％来确定阈值。设置此阈值后，智能目标会将其应用于您的所有网站会话，包括来自AdWords以外渠道的流量。在Google
Analytics中启用智能目标后，可以将其导入AdWords。7
如果你的最大努力没有导致销售怎么办？Google已 准备好使用智能列表进行再营销。谷歌继续 擅长创造能够证明其 销售广告价值的技术。
再营销
花空闲小时左右研发的游戏笔记本电脑，缩小后 下 你的 选择， 广告 针对 的是 华硕 ROG Strix公司 GL553VD跟随你周围的整个互联网，显示您的手机上了，让你的Facebook新闻订阅看起来像华硕目录。欢迎 再营销。
您在搜寻和行为所表达的意图具有时触发复位此输出 的 无情的 狗 的 商业 是 可以 嗅出 你 出去 和 猎犬你无情。在最顽强的广告来你的方式，当你放入购物车的东西，然后未做购买摒弃了会议。你表达的意图是如此之高，ven-多尔将支付顶部美元，以把其产品在前面的你 再次 和
191
再次。然后广告将包含折扣。然后广告将包括折扣和免费送货。
虽然上述内容是负面的，但这种类型的广告越来越普遍，因为它运作良好。对于所有你的人骚扰，有足够多的谁进行购买，以 使 该 抵押物 的损害 可以接受的。这 也是 一个 很好的 方式 来 获得 你想要购买的东西的折扣。
电子邮件营销
电子邮件 是 在 主力 的 互联网 广告。 一旦 你 有 一个 悠维杜阿尔的 电子邮件地址，并允许使用它，你可以磨练你的消息刺激所期望的 响应。
无论您是在发出优惠券或产品announce-发言：，将广告放在其他人的 通讯， 或者 简单地 发送感谢信到一个新的客户， 将 能 以 说话 直接向他们居住的地方（在他们的电子邮件的人inbox）非常强大。显然，测试各种消息，格式，图片等的能力为AI提供了许多评估和利用
结果的方法。
Conversica旨在通过电子邮件吸引潜在客户来帮助销售人员。
■
我看到你下载了我们的白皮书。
■
我看到你多次去过我们的网站 。
■
我看你通过我们的展台前驻足 的 贸易 展会。
■
将周四或周五是一个更好的现场 演示？
在自动 吸引 潜在客户 和 客户之间 ， 当购买意图达到临界阈值时发送销售人员警报，并且不知疲倦地重新陈述陈旧潜在客户的能力，电子邮件对销售部门来说从未如此有用。
Conversica不是依赖网站活动和点击率，而是与潜在客户进行真实的对话并分享他们的实际回复。当潜在客户准备参与销售流程时，Conversica会立即向销售代表发出警报。
与Marketo，Pardot和Eloqua等营销自动化平台集成是这些工具的赌注。
像Boomtrain这样的公司可以智能地 自动化 谁 可以获得 有多少内容的电子邮件。他们的客户，Chowhound，
192
通过使用特定的常绿内容来定制电子邮件，使订阅者对订阅者更有价值，否则这些内容将保持在黑暗中。Chowhound的电子邮件开放率增加了28％ ， 点击率增加了150％。
据帕特里克・沙利文，产品的吃货的导演，“Boomtrain之前，我们的小编辑团队争先恐后地策划每周 时事通讯 在 4个 不同的 地区 和 我们 没有 看到 我们想要的结果。通过 Boomtrain，我们可以大多放手，让软件完成所有艰苦的 工作。“
虽然这里使用了AI的优势（发现预测属性，制定 基于数据的
决策， 并 更新 其 加权 因子）， 但机器可以使用多种杠杆来测试多种组合。
■
时间 一天
■
日 星期
■
从 线
■
主题 行
■
主题 长度
■
标题
■
标题
■
称呼
■
内容 文本
■
内容 图像
■
布局
■
配色 方案
■
音调（个人与 公司）
■
优惠
■
登录 页面的链接
■
号召 行动
■
结束
PS：手动管理所有上述计划的测试几乎不受任何人的投资回报限制。
另一个重要因素是营销服务提供商不仅限于使用您的数据进行优化。他们可以学习所有 的 他们的 客户。 营销 顾问 卡伦・ 塔拉韦拉点出的是“试金石 使用专有的算法，使用实际的电子邮件数据库的模拟和比较来预测可能的开放，点击和跳出率结果到数十亿的其他测试使用，实际数据以动力
193
结果。Phrasee的语言分析工具预测主题行中的哪些情绪触发将推动更多的反应。两种服务都使用结果来重新定义并改进预测。“ 8
回到开始：归因
归因是在线营销中最受争议的概念之一，也是我们真诚希望AI能够解决的概念之一。
自上而下的营销组合建模和自下而上的网络分析都解决了同样的问题。如果您将广告和促销预算划分为多个接触点，哪些会得到信用？他们应该获得多少信贷？
在现实世界中，有没有，如果人们真正听到电台广告说服力的，看到你的电视广告，在你的报纸夹入扫了一眼，发现或在公共汽车侧面的海报。但在线，我们 可以捕获如此多的信息，将接触点交互拼接在一起，以建立营销功能之间的吹牛权利，如果不是我们 希望的那么简单的话。
Google Analytics提供七种不同的归因模型。9
客户点击您的某个AdWords广告即可找到您的网站。一周后，她通过点击社交网络返回。同一天，她通过您的一个电子邮件活动第三次回来，几个小时后，她再次直接返回并进行购买。
在最后交互归因归因模型中，最后一个接触点 – 在这种情况下，直接渠道 – 将获得100％的销售信用。
在最后的非直接点击归因模型中，所有直接流量都被忽略，并且销售的100％信用额转到客户在转换之前点击的最后一个渠道
– 在这种情况下是电子邮件 渠道。
在最后一次AdWords点击归因模型中，最后一次AdWords点击此案例，第一次也是唯一一次点击付费搜索频道 – 将获得100％的促销信用。
在第一个互动归因模型中，第一个接触点 – 在这种情况下，付费搜索频道 – 将获得100％的出售信用。
194
在线性 归因模型，在转换每个接触点路径，在这种情况下，付费搜索，社交网络，
电子邮件， 和 直接 渠道，将
共同 为平等信贷（各25％） 转让。
在时间衰减 归因模型中，与 销售或转化最接近的接触点获得大部分信用。在这个特殊的销售，直接与电子邮件 ，因为客户互动渠道将获得最多的功劳 与 他们 中的 一个 几个 小时 的 转换。
该社交网络渠道获得的功劳将少于无论是直接或电子邮件渠道。由于付费搜索互动发生在一周前，这个频道的信用额度会大大降低。
在基于位置的归因模型中，每个第一次和最后一次交互分配40％的信用，剩余的20％信用均匀分配给中间交互。 在 这个 例子中， 在 付费 搜索 和 直接渠道各自获得40％的功劳，而 社交网络和电子邮件渠道各自获得10％的功劳。
虽然每一个都经过深思熟虑，但它们都是人工的，并且基于猜想。鉴于人工智能的优势之一是能够根据实际数据而不是人类猜想做出决策，这种有些模型的有用方法并不理想。（见图 5.12。）
伊恩・ 托马斯， 主要 组 项目经理，客户数据和分析，在微软，知道“的归属问题是一个真正艰难的一个几个原因。”
10
■
数字营销渠道不会独立地驱动用户行为，而是组合起来，并且相互干扰（例如，电子邮件活动可以推动搜索 活动）。
■
用户“状态”（用户曝光的历史记录和对营销的响应）一直在变化，因此为分析目的拍摄用户快照非常困难。
■
归因模型最终包括如此多的假设 （ 例如， “腐朽 曲线” 或 “adstock”以影响某些渠道），它们最终是对假设的反映，而不是对现实的反映。
图5.12 Ye olde归因模型
195
196
麻烦的是，大多数企业明白，他们不能 只是 继续 以 投资 在， 执行， 并 分析 他们的数字 营销 在 一个 孤立的 通道，通过通道 的方式; 他们希望创建自己的一个一致的，连贯的对话框 观众 是 跨越 渠道 和 设备。
但是怎么做呢？
托马斯指出，标准的自动化可以通过淘汰表现不佳的广告，但决定提高-the- FLŸ活动 是否 该 活动 是 成功的 是 一个 由通道后视镜镜努力。
在优化三类属性（受众，要约和策略）时，您必须仔细选择广告系列应用于优化的属性。
属性选择（在数据科学界称为特征选择）是优化工作的关键步骤。选择太多的属性，引擎会将观众切成小块，每个小片都需要很长时间才能提供统计上显着的结果，这意味着优化将花费很长时间来收敛和提升电梯。另一方面，选择太少，发动机将 快速收敛
（因为它将没有多少选择和大量数据），但升力可能非常适度，因为由此产生的“优化”实际上不会非常针对观众。选择错误的属性，系统根本不会优化。
将所有这些数据转化为真正的跨渠道优化任务的最大问题之一是需要整合营销功能和运营。这个问题不是技术问题，而是政治问题。
托马斯提供了一系列采用机器学习来解决这个粘性检票口的公司。
■
基于预测分析和机器学习的Amplero-Digital 广告系列 智能 和 优化 平台
■
Optimove-Multichannel活动自动化解决方案，结合预测建模，超级定位和 优化
■
Kahuna-Mobile专注的营销自动化和优化解决方案
197
■
IgnitionOne-Digital营销平台，具有基于分数的消息优化; 能够跨多个渠道激活
■
BrightFunnel-Marketing分析平台，专注于属性建模
■
ConversionLogic-跨渠道营销归因 分析平台，使用基于ML的专有 方法
在最困难的工作的政治解决后的归属问题， 这 一切 是 它的 可变 性质。 这 是 一个 不断 变化的 目标。 当 潜在客户 看到 一个 新的 广告 或者 一个 老 一个 用于 在 ñ个 时间， 在 她是否会点击或购买概率微妙的 改变。
只有一个活跃的机器学习系统才能
在如此高维度的空间中观看和响应这么多人。公司如 C3 指标，视觉智商，并CUBED.ai 都奉献自己来解决这个问题。
当提及此事 有关 的 最大的 障碍 ，以 解决 归属问题，CUBED创始人罗素McAthy 争辩说， 问题 是 这样 固有 的心理 就 必须 要 委托 给 机器。
这是很容易证明到钱（媒体业务 成本）
花费 昨日 带来了 在 一个 特定的 值 的收入。
在 那一刻 人们 开始 以 行动 输出 从归属，本身就是一个巨大的障碍，便开始花钱 为 潜在 的未来 收入 ，他们 不能 还没有 看到。
在 那一刻 任何营销，分析师或河马（最高支付人的意见）挑选任何在佛罗里达州uencing因素调整中的归因模型的权重，他们已经失败的道路。
一个 智能 机器 学习 算法 是 将 只 得到一个什么样的高度变化的真正准确的表示方式 加权 计算。任何消费者与任何媒体合作 的 那一刻，景观都会调整 – 虽然非常轻微。每一个增量的印象，发电子邮件，访问，页面视图，或出售调整的价值的的分配给维它。
跟上这种动态复杂性的唯一方法是使用所有或许多可用数据的类似复杂的归因模型集。这种模式
198
将根据关键因素计算每次访问的倾向值。这样，模型可以查看销售记录，识别所有先前访问的倾向得分，并确定对购买倾向影响最大的访问。
更重要的是 – 以及经常遗漏的是 – 我们可以通过倾向和参数细分来识别和评分潜在客户，因为它们具有高度倾向或“易于”转换。这有助于我们确定“下一步最佳行动”的能力，即品牌应该采取的下一步行动，使这位消费者更接近更高的价值。
一个典型的例子是电子商务，其中经常进行研究和跨品牌比较。在最终点击方案中，内容营销，通用关键字和基于内容的内容的价值并不明显。借助机器学习归因模型，我们可以覆盖所有维度并突出显示要部署的最佳行动组合，以便将营销活动和战略重点放在效率和/或增长上。
可以将输出分配给媒体，受众定位或营销策略中的特定调整。
■
当我们预测更高的覆盖率时，将漏斗活动的中间位置（例如，通用PPC）调整为更高的CPC，因此我们可以在总体较低的CAC（客户获取 成本）下重新获得的数量。
■
将显示中的预算调整为目标展示位置，我们看到较高的短期LTV（1 – 2年）将LTV 计算 与 之前的 收购 行为联系起来， 并获得价值更高的长期客户，而不是“优惠券 ”。
■
确定客户生命周期中电子邮件活动的真实价值。我们如何影响发布电子邮件的下一个最佳动作？我们可以调整时间安排和内容以降低 失效倾向吗？
■
通过查看多 维度欺诈性销售和收购业务的相关性来减少欺诈。
不断变化的受众定位和营销环境意味着任何应用模型都应该能够不断地，不同地从一个企业到另一个企业进行迭代 。
199
笔记
1.
“电子衡量标准，新经济的商业指标”，http
：//www.targeting.com/ wp-content / uploads /
2010/12 / emetrics-business-metrics-new-economy.pdf。
2.
“有 是 一个 打方式来订购一咖啡：为什么你的阿呆机器人只允许？一” https://medium.com/assist/theres-a-dozen-ways-to-order-a-coffee-why-
do -dumb-bots-only-allow-one-27230542636d＃.umf5a6inj。
3. http://www.sentient.ai/how-sentient-ascend-works。
4. http：// re fl ektion.com/resources/godiva。
5.
“使用机器学习进行价格优化”， https：//www.linkedin.com/pulse/ price-optimization-using-machine-learning-mohammad-islam。
6. https://www.google.com/patents/US20160239867。
7. “智能目标”， https：//support.google.com/analytics/answer/6153083？hl = zh-CN。
9. 归因建模概述， https：//www.google.com/analytics/attribution。
10.
“解决 的 归属 难题 与 优化为基础的 营销，” HTTP：// www.liesdamnedlies.com/2017/01/solving-the-attribution-conundrum-with-
，基于优化的marketing.html。
意见反馈