人工智能:营销传播“数算力”时代的到来

■ 刘 珊 黄升民

人工智能在近年来呈现出爆发式发展的状态。在这股世界性的浪潮中,我国也陆续发布《中国制造2025》《互联网+人工智能三年行动实施方案》《新一代人工智能发展规划》《促进新一代人工智能产业发展三年行动规划(2018-2020年)》,并在《“十三五”国家科技创新规划》《“十三五”国家战略性新兴产业发展规划》《2017年全国政府工作报告》《十九大报告》《2018年全国政府工作报告》等政府工作报告中提出鼓励人工智能产业发展。在这些发展规划中,可以看到重点内容包括促进人工智能的发展,让中国人工智能产业竞争力进入国际第一方阵；带动我国产业升级和经济转型,培育发展人工智能新兴产业,鼓励智能化创新。连续两年的政府工作报告提到人工智能,大数据、云计算、物联网等技术的重要性且反复强调,可以看出在人工智能已成为引领科技发展的重要驱动力的当今环境下,政府把人工智能上升到国家意志的决心。

那么,人工智能是否也给营销传播领域带来了一定的影响和改变呢？我们认为这种影响和改变其实也是相当显著的。本文将要讨论的正是在人工智能的影响之下,营销传播产业开始进入全新的“数算力”时代,发生着巨大的变革,但在目前的技术条件支持和实践探索之中,仍然面临着不小的难点亟待解决。

一、数据是人工智能与营销传播的连接点

学界和业界在讨论人工智能对人类社会带来的改变时,多数聚焦于金融、医疗、教育、交通等热门领域,在营销传播方面的探讨总体来说是比较少的,并且缺乏体系化的梳理和研究。我们认为,这两者之所以能够紧密连接,核心在于数据。

(一)数据环境是人工智能发展的重要基础

我们认为,从人工智能自身的发展来看,数据、计算能力和算法是其重要支撑。

1.人工智能发展中的“两起两落”都与数据相关

从1956年达特茅斯夏季会议上人工智能这个概念被提出到今天,人工智能的发展大致经历了三个阶段：

第一个阶段中,感知器为人工智能发展提出了可行的计算方法,但解决问题面临的博弈组合庞大无比,当时的计算机提供的处理能力难以支撑庞大的并行计算量。所以在早期的人工智能发展中,计算能力的束缚成为非常明显的掣肘之一。

第二个阶段中,“专家系统”是非常典型的代表,其核心之一就是让这些系统拥有足量的专业知识数据,从而完成相应的人机对话。所以数据量级和种类的限制都使得当时的学界业界无法突破人工智能的发展障碍。由此可见,人工智能发展史上的两起两落,一个根本原因就在于数据——缺乏足量的数据,也缺乏相当的数据计算能力。

而反过来说,这也是人工智能在第三个阶段,也就是今天的移动互联网时代能够得到爆发性发展的重要原因——前两个阶段有益探索的基础,加上数据量、运算力、算法优化突飞猛进的进步,共同赋予了人工智能实现突破性发展的重要支撑。随着摩尔定律下计算机性能的进步,其存储能力、计算能力不断提升,机器的计算能力成指数化增长，甚至有一天运算能力将可以穷举或者近似穷举棋谱。在第二次浪潮期间,关于算法研究也取得了突破性的进展,机器学习的概念出现,进而又引发了机器翻译、自然语言处理和机器视觉等应用领域的起步,为今天以深度学习为代表的人工智能第三次热潮打下基础。①

2.数据、计算力、算法是人工智能“数算力”的构成

一来,大数据在今天已经不是一个新鲜概念,无论是在数据量、数据类型,还是数据挖掘和处理技术体系方面,我们都已经获得了长足的发展。据国际数据公司(IDC)统计,全球数据总量预计2020年达到44ZB,其中中国数据量将达到8060EB,占全球数据总量的18%。2018年5月,中国信息通信研究院发布的《大数据白皮书(2018)》显示,2017年,我国大数据产业规模达4700亿元,同比增长30.6%,大数据与实体经济融合提速。数据化、信息化使得数据能够流通,网络化则实现了数据及时的互联互通,海量数据能够沉淀并为机器所用,使得供机器训练用的数据级大大提高,为计算机提供了具有丰富“经验”的可能性,而且数据传递环节可以通过网络即时完成,算法性能得到提升的周期将缩短。随着传感器的开发和应用,物联网的普及将使数据积累范围进一步扩大到环境数据、行为数据等。这一点我们已经从AlphaGo战胜李世石的技术解读中看到了数据量对机器训练的重要性——AlphaGo用了2000万局的对子对弈进行训练,每一次都能提升棋力。

二来,在人类数据计算能力的提升上,除了超级计算机之外,适配大数据发展需求的云计算服务的成长也是一个典型代表——云计算可以让使用者体验每秒10万亿次的运算能力。根据市场研究公司Gartner2017年10发布的报告显示,2017年的全球公有云服务营收达到2602亿美元,较2016年的2196亿美元增长18.5%；预计到2020年时,全球公有云服务营收将增长至4114亿美元；到2021年时,70%的公有云服务营收将由前十大公有云服务提供商主导,包括亚马逊公司、微软公司、甲骨文公司、阿里巴巴集团等。工信部在2018年4月10日发布的《云计算发展三年行动计划(2017-2019)》提出,到2019年,中国云计算产业规模达到4300亿元,突破一批核心关键技术,涌现2到3家在全球云计算市场中具有较大份额的领军企业。云计算的共享资源模式从根本上提高了资源使用效率,并让没有大量计算资源的企业有机会应用人工智能,从而产生基于云服务的其他服务形式,进而构建其更加全面的人工智能生态。

最后,在算法突破方面,深度学习成为了人工智能在移动互联网时代崛起的重要利器。作为机器学习、人工神经网络算法基础上进一步深入拓展的一种革命性算法,深度学习可帮助计算机理解大量图像、声音和文本形式的数据。利用多层次的神经网络,现在的计算机能像人类一样观察、学习复杂的情况,并做出相应的反应,有时甚至比人类做得还好。这样便提供了一种截然不同的方式,用于思考数据、技术以及人类所提供的产品和服务。近几年来,深度学习在图像识别、语音识别、自然语言处理、机器人、医学自动诊断、搜索引擎等方面都取得了非常惊人的成果,并且通过手机和互联网开始全面影响人类的工作和生活。

在此,我们将人工智能发展的这三个支撑,即数据、计算力、算法,称为“数算力”。显然,数算力的高低强弱,与人工智能的发展程度是成正比的,可以直观地反映出人工智能的成熟度和智能化程度。

(二)营销传播科学体系的构建有赖于数据

营销传播学科的建立已有百年历史,能够作为独立学科出现,在于自觉性、一般性、系统性、科学性等条件的具备。反过来,学科的成长与发展也论证了营销传播活动本身的科学性与有效性。

1.营销活动与传播活动在本质上是相通的

如果将“营销传播”拆开讨论狭义的概念,那么“传播”侧重于媒体产业的信息活动,“营销”侧重于广告行业的信息活动。一方面,从本质上来看这两类活动都属于“信息传播”的范畴,无论广义还是狭义,无论是基于大众媒体还是新媒体,都与数据有着紧密的联系；另一方面,基于媒体渠道进行的传播活动,其实也是一种营销——按照5W传播理论来看,传播者是利用各种方式和手段,让受者更好地接收到传播信息,满足受者对于信息的需求。在这个认知基础之上,我们将通过三个步骤拆解营销传播活动科学性、有效性与数据之间的联系。

2.营销传播活动的有效是基于对需求的精准把握

在心理学中,需求是指人体内部一种不平衡的状态,对维持生命发展所必需的客观条件的反应。从营销学的角度来看,需求是“有支付能力购买具体的商品来得到满足的欲望”②。营销是一个发现需求并且满足需求的过程,供需双方通过交换创造价值,而营销就是对这个过程的管理,从而让这个过程变得更有效、通过管理创造价值最大化。无论是传播活动还是广告活动,科学有效的前提都是对目标对象需求的精准了解和把握,进行制定针对性的执行策略。因此,在一定程度上也可以说营销传播的目标就是发现需求、满足需求。我国学者钱旭潮等编著的《市场营销管理:需求的创造和传递》一书则干脆将营销界定为:由需求的把握和创新来构思有效的产品,通过市场交换送达消费者,以满足消费者的需求,始于需求、终于需求。③

3.需求的把握有赖于科学的调研

为了更好地把握需求,我们需要通过合适的调研活动来完成。从现在的广告活动和传播活动来看,为了更加清晰地了解需求、斧正决策、执行策略,调研活动基本贯穿了整个营销传播活动的始末,而各种调研工作的重要意义之一就是,通过对大量信息的收集形成数据,通过对这些数据的分析从而为与管理者提供营销决策和参考依据,让数据说话。例如,在广告活动中,我们会通过各种各样的方式和方法来记录消费者的行为、语言和信息,并且利用大量的类似数据去推测消费者的需求。有时候还需要通过更多的渠道和方式来了解消费者的内心,研究其潜意识,掌握他们的隐性需求,并且通过与他们的深度对话来斧正数据结果。所以,定量和定性的研究方法在了解目标用户和消费者的需求时,通常都是一起使用的。

4.营销传播的科学体系构建是一个“数据化”的过程

在营销传播活动的发展过程当中,有三个方面决定了其逐渐构建“科学体系”的可能性：

首先关于目标对象,我们通常假定他们的需求是“可测量、可诱发、可创造”的,这些目标对象是可以通过一些渠道和方法被接触到的。

其次,为了与这些目标对象进行沟通,媒体渠道和平台的信息传播功能发挥了重要的作用。在互联网时代,这种沟通变得更加畅通无阻,目标对象的各种信息和数据也更加透明、频繁、全面地被留在了这些传播平台上,让我们可以用更低的成本,更快地获得更多的数据,从而更好地了解他们的需求。

第三,为了实现有效的营销传播,专业机构不断发展,广告公司、媒介代理公司、数据服务机构、公共关系机构、咨询公司等出现,这些专业机构的发展中,工具化、程序化成为显著特征之一,进一步保障了营销传播活动有效性的可复制性。至此,各个环节彼此依存,环环相扣,形成一个稳定而成熟的体系,其被构建的目的就是为了不断的接近真实的需求。与此同时,低成本、高效率成为了成功营销传播活动的两条重要考核标准。同时,这也是一个不断调整、修复、优化的过程,在这个过程中,数据自始至终都扮演着非常重要的角色,因此我们也将这样一个以不断接近真实需求的过程称为数据化的过程。

简言之,营销传播的核心是对需求的探知与满足,而这一目标需要通过大量的数据搜集和处理来实现。大数据和人工智能技术的发展,使得人类在数据类型、数据量级和数据处理的方法、速度、成本上都得到了彻底的变革,因而对于营销传播会带来颠覆和重构性的改变。这一点其实我们在2012年一篇题为《“大数据”背景下营销体系的解构与重构》的论文中已经进行了完整的论述:大数据技术颠覆传统营销体系的同时,也给我们带来了更大的空间与全新的可能性。④营销传播与大数据之间的连接点,恰好成为了人工智能改变营销传播产业的基础。

二、人工智能对营销传播带来的影响和改变

通过上文的梳理和论证,我们解释了人工智能的发展与“数据”之间的关联,反过来人工智能的进步所带来的各种技术的突破,其实也会进一步带动“数据”业态的前进——而“数据”业态的变化则会进一步改变营销传播产业。事实上,人工智能改变营销传播业态的可能性并不只是理论层面的设想,而是已经发生在了眼前的现实之中。接下来,我们从媒体和广告两个视角,探讨人工智能究竟如何影响了营销传播产业。

(一)人工智能对媒体运营的影响

媒体运营的核心之一,是对内容的运营,这也是媒体传播中的核心——“信息”。所以,我们将重点探讨人工智能对媒体内容运营的改变。根据周艳教授在《新媒体理论与实务》中对媒体内容运营的界定,我们将媒体内容运营划分为内容获取、内容编辑和集成、内容分发、内容交易四个主要环节。

1.内容获取:辅助生产与自动生产

虽然购买是重要来源,然而通常用来考量一个媒体机构内容运营实力的还是内容生产。在这个方面,人工智能的应用已经崭露头角。

图文资讯领域,机器人写作已经不是新鲜的概念。2016年《华盛顿邮报》推出了一个名为Heliograf的写作机器人项目,它可以自动生成简短的报道。在此后的一年中,《华盛顿邮报》上发表了850篇出自Heliograf之手的报道。此外,美联社应用的Wordsmith写作机器人则能够抓取公司年报、赛事报道等制式化的公开数据,并将其导入编辑模板,最后审核和发布；腾讯研发的Dream Writer和《今日美国》的短视频制作机器人WIBBITZ可以将图片和视频剪辑在一起并用合成的语音进行新闻播报的类型；BuzzFeed的BUZZBOT能够自动从新闻现场收集信息；路透社的NEWS TRACER智能算法能帮助记者判断消息的真实性,基于传播渠道、可信度和新闻价值为消息评分。

视频领域的智能应用也在探索之中。例如,2012年成立的Wochit就是行业内最早的一家短视频制作服务平台,并在全球已经吸引了超过350家媒体使用其付费服务。使用者输入一个网址或者关键词,Wochit系统就会为其搜集相关的视频素材,例如图片、视频片段、推文或者图标。然后用户便能在智能Timeline上编辑视频,并一键生成适配各个分享平台的视频内容。2016年,IBM旗下人工智能系统Watson成功地为《摩根》这部90分钟的电影制作了出一段时长6分钟的预告片。这次成功尝试的基础是Watson通过对100部恐怖电影的预告片进行镜头级别的视觉、音频、场景构成的分析,完成了基础学习。

2.内容分发:精准推荐

无论是新闻推荐、社交推荐、广告投放、文娱内容推荐,还是智能互动,媒体机构都在思考如何让内容如何更快速、精准地抵达用户,以及如何争取到用户更多的注意力资源,而人工智能技术的应用给了我们解决这些问题的可能性。

以改变了欧美新闻分发和社交媒体盈利的模式的Facebook为例:Facebook根据对过往数据的大量积累和分析,建立起一套自己的内容排序规则——Facebook EdgeRank。一方面,Facebook收集每位用户发布的内容(包括分享的内容),关注好友的状态更新,加入的群组,点赞、评论、分享等行为信息；另一方面,Facebook根据权重(早期标准有:互动/亲密度/时间等)对监测数据进行评级,展示信息流排名评级高也即用户最感兴趣的内容的推送至用户。后来,Facebook在原来EdgeRank的基础上,更加细致地定义了不同层级的亲密度。用深度神经网络理解图片内容和文字内容,从而可以知道图片中的物体是不是用户感兴趣的。随着产品迭代,也加入了更多产品特征,诸如阅读时间长短、视频内容、链接内容等。

2017年上半年,《纽约时报》对其网站和App进行个性化改造,被用户称为“模仿Facebook”。在后续的几个月里,它陆续进行了一些个性化实验,比如根据用户的阅读习惯、访问时间、地理定位来决定推送内容,最终希望达到的是,在传统报纸编辑选荐与网络个性化模式之间达到平衡。当然,基于算法推荐机制的个性化分发也正在面临读者“过滤气泡”“信息茧房”等质疑。近期,哈佛尼曼实验室的一篇报告详细地探讨了这一技术机制,承认个性化算法的力量,但也不能只将个性化留给算法,“你仍然需要一个人类编辑”。

3.内容运营的管理:版权管理是重点之一

在内容运营的管理层面,人工智能和相应的数据工具也在被积极使用。例如,为了提供一套可行的版权及内容管理方式,Google于2011年上线了Content ID并运用于旗下视频网站YouTube的运营之中。Content ID为版权所有者提供免费的内容数据管理方式,并提供封锁、追踪和获利三种方式,让版权所有者自行决定所拥有的版权内容以何种形式出现在YouTube上。Content ID功能包含了影片ID(Video ID)和音频ID(Audio ID)两种数据标签化管理功能,分别具有比对视频、音频是否侵权的功能。YouTube Contend ID以热图(Heat map)的数据处理方式比对影片,因此即使不是完全符合的影片,如内容包含加框、影音歪斜、左右镜像、水印、质量不佳的状况的影片,一样可进行比对其是否侵权。

与此同时,基于版权内容的评估和交易方面,大数据与人工智能技术同样在发挥着积极的作用。我们对于如何将数据运用于内容评估的研究始于2009年,并成立了中国传媒大学内容银行实验室进行实践探索。基于对大数据的长期积累,沉淀了包括多个平台的播出数据、文本反馈数据等结构化、非结构化数据,并训练相应的人工智能算法,实现对内容的价值评估,包括投融资预测、个性化推荐算法、潜力内容营销资源挖掘等,可以在内容生产、传播、营销变现等全流程中发挥作用,帮助各个产业链发现优质内容及相关要素。

(二)人工智能对广告营销的影响

具体到广告营销领域,人工智能技术的应用主要体现在四个方面,一是营销调研,包括消费者研究和调查；二是营销策略的制定,包括广告创意的制定；三是营销策略的执行,主要体现在媒体投放的程序化和自动化；四是营销效果的评估和预测。

1.营销调研:更好地了解目标对象

在营销调研尤其是消费者研究中,结合大数据技术的人工智能可以极大地优化调研成果并提升研究效率。正如前文所述,在当下的移动互联网环境中,消费者在各种平台和产品中留下了自己的痕迹和信息。以往,这些有价值的信息和痕迹是很难被有效利用的,但大数据和人工智能技术则解决了这些问题。

例如,早在2013年时微软的研究人员就表示,只要200条推文,大约有2500到3000个单词,就可以对一个用户进行性格评价,并构建该其性格分析图。在BAT中,利用海量数据和人工智能技术进行用户画像已经是非常常见的操作。腾讯将日常沉淀下来的海量用户数据大致归类为账户数据、交易数据、商户数据、QQ平台数据、微信平台数据和安全平台数据,为了利用这些数据进行用户画像,其日均计算量达到了1.5万亿次。利用这些数据,腾讯可以进行多层次身份分析、多维度行为刻画、多场景风险评分,实现更加智能化的营销:基于用户历史购物行为,腾讯能够分析出用户偏向于哪种消费轨迹,是喜欢手机支付还是网络购物,常去的商圈和用户自身地理位置又分别如何。然后,这些数据会被实时提取到后台数据仓库,通过机器学习、模型分析等方式后,腾讯可以逐步得到精准营销客户方式的依据,比如有些用户适合在微信窗口渠道推荐、有些广告适合在部分客户的朋友圈投放、有些客户适合在理财通应用的内部渠道里推荐等等。

2.广告创意:优化创意与生成创意

在营销创意方面,一方面人工智能技术能够帮助我们更好地进行创意策略制定和实现,另一方面它甚至可以代替人类完成营销创意工作。

例如,2012年三星为其Galaxy S III智能手机的发布,推出了一支与iPhone 5的比较性广告。在这则广告中,描绘了一个消费者排队等待苹果手机发布的场景。用户在闲聊、对话中将两款产品在诸多方面进行了对比,从而突出三星手机的优势。广告片中的对话内容全都来自于当时社交媒体上用户们对于这两款手机的讨论:广告创意人员在设定了一定的关键词之后,通过抓取工具获得了大量社交媒体上的相关发言与评论等,再利用文本分析的方法去解读这些信息,最终抽取出了两款手机被消费者认同度最高的优缺点,呈现在广告内容之中。

2016年4月,广告创意机构麦肯(McCann)在日本任命了“世界上第一个人工智能创意总监”——AI-CD β。为了开发AI-CD β,项目团队解构、分析和标记了大量的电视广告,包括全日本放送联盟广告节(All Japan Radio & Television Commercial Confederation’s annual CM Festival)十年来的所有获奖作品。之后,人工智能基于大数据,结合一定的逻辑算法,给一些产品和信息做出针对性的创意广告指导。为了进一步提升创意能力,AI-CD β还会在广告播出后评价分析广告结果,总结经验。

3.广告投放:程序化广告的发展

在广告投放与媒介购买方面,程序化广告的发展和成熟,是大数据与人工智能技术应用的直接产物。自动化和智能化是程序化广告的两大特性,也是能够直接体现出人工智能作用力的方面。其中,自动化是指利用相应的数据和智能技术,传统的人工购买媒介资源并制定定向策略的方式被自动化的方式以“程序”的形式取代；而智能化则是指,在投放程序化广告时,运营水平的高低不再是由团队成员的经验和水平高低决定的,而是由智能化的技术所决定的。

2007年,谷歌以31亿美元收购了网络广告管理软件开发与广告服务商DoubleClick公司,开启了自身的程序化广告业务探索。2018年2月,谷歌进一步将机器学习导入旗下广告平台AdSense,推出了新广告工具“Auto Ads”用来吸引更多想要投放广告却没时间管理投放活动的客户。根据先前beta版本的测试,谷歌称这一工具平均让客户的营收增加10%。这个系统工具以机器学习的方式实现,不仅可以为广告选择效益最大的位置,也能透过分析广告成效,反过来再教育系统,让投放能力不断优化。

4.效果监测:实时与精准

在营销效果监测方面,人工智能和大数据的结合彻底改变了传统营销活动中的“后测”方式,而是可以时时监测广告营销的效果,并及时反馈效果数据。

例如,在上文所提到的谷歌程序化广告产品矩阵,可以使用同一条代码同时监测和记录广告投放过程中的曝光、点击、转化与消费者行动数据,并构建归因模型,分析广告投放产生的直接点击、转化效果与品牌的KPI提升效果以及之间的关系。在品牌传播效果方面,谷歌通过具体的衡量指标,帮助品牌广告主判断哪些广告曝光给受众留下符合预期的印象,指标包括有多少人记得某条广告、他们对某个品牌的认识程度、他们购买其产品的概率等。同时,谷歌将广告主用于做品牌广告、CPC、CPA等效果广告的不同预算投放,用同一套体系进行追踪和监测,通过数据分析得到广告与品牌、效果之间清晰的因果关系。

总体来看,人工智能和大数据技术的运用,使得营销者可以利用各种程序化的工具,全自动地针对不同的人采用不同的营销方案去推送,实现所谓的“千人千面”的精准效果。但是在根本上,人工智能是帮助营销者去不断接近真正的需求:利用数据、计算力、算法构成的数算力,实现营销智能化。

三、营销传播“数算力”进化的下一步:与人工智能的互相促进

虽然人工智能在营销传播领域的应用和探索已经相当广泛,但是仍然存在两个问题。第一是对比金融、医疗、交通、工业等领域的技术发展程度,营销传播领域人工智能的运用其实还处在非常基础的阶段；第二是人工智能产业自身对于营销传播领域的重视并不足够。而我们认为营销传播恰好是人工智能很好的试炼场,甚至在这个领域的技术突破有可能给人工智能本身发展中所面临的问题和难点带来重要的借鉴。实现营销传播智能化的未来,在营销传播领域体现数算力的未来,必然是这个领域与人工智能互相促进的结果。

(一)营销传播与人工智能的核心目标一致性

之所以这两个产业能够互相促进,一个根本的原因在于营销传播要解决的核心问题与人工智能的终极发展目标是吻合的。也就是我们所说的核心目标的一致性。

1.人工智能的终极目标是“模仿人类”

从人工智能的发展阶段来看,我们目前还处在弱人工智能的阶段,经历着从计算智能向感知智能的发展转变。但是,使用弱人工智能技术制造出的智能机器,只专注于完成某个特定的任务,不会有自主意识。强人工智能可以进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作,目标是使在非监督学习的情况下处理问题,并同时与人类开展交互式学习。到了理想中的超人工智能阶段,计算机将跨过“奇点”,其计算和思维能力已经远超人脑,拥有科学创新、通识和社交技能。我们可以看到,人工智能的目标是尽可能接近人,而在精神层面拥有自我意识则更是难上加难。人工智能从“有监督”向“弱监督”甚至“无监督”算法的进化,为的就是让机器学会学习和思考。

从图灵测试和莫拉维克悖论开始,人类对于人工智能的终极期待就是让计算机越来越像人类,这种模仿绝不仅仅是让人工智能不断精进去解决复杂的问题,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样,在知觉、情感和移动性方面能够与人相似。那么,模仿人类的基础是什么？显然是更好的理解人类。

2.营销传播的核心任务是“理解人类”

前文我们已经论述过营销传播的核心任务是把握需求,而需求代表什么？在经典的需求理论中,马斯洛理论把需求分成生理需求(Physiological needs)、安全需求(Safety needs)、爱和归属感(Love and belonging)、尊重(Esteem)和自我实现(Self-actualization)五类,依次由较低层次到较高层次排列。之后,马斯洛又在《激励与个性》一书中探讨了他早期著作中提及的另外两种需要:求知需要和审美需要。这两种需要未被列入到他的需求层次排列中,他认为这二者应居于尊敬需要与自我实现需要之间。

可以说,人类终其一生就是在不断满足各种各样的需求:“人是一种不断需求的动物,除短暂的时间外,极少达到完全满足的状况,一个欲望满足后往往又会迅速地被另一个欲望所占领。人几乎总是在希望什么,这是贯穿人一生的特点。而人因需求所引发的行动都趋于成为整体人格的一种表现形式。”⑤从理解人类的角度来看,马斯洛认为这些需求是心理的,而不仅仅是生理的,他们是人类真正的内在的本质,但是它们都很脆弱,很容易被扭曲,并经常被不正确的学习、习惯及传统所征服。

由此可见,营销传播要完成对人类需求的探知其实是一项相当复杂的任务,长久以来我们能够做到的也只是尽可能地还原需求,去接近真实的需求。从这个角度来看,营销传播活动中无论是对人类客观留存数据还是主观反馈数据的挖掘,其实都是为了更好的理解人类——这是能够与人工智能的终极目标相匹配的。

(二)共同构建关于需求的场景平台并挖掘数据的可能性

那么,这些用来理解人类的、关于需求的数据从何而来？其实,营销传播领域正是一个天然的关于需求的海量数据库,而人工智能又给了我们对这些数据进行充分挖掘的可能性。

1.数据、标签、场景,充分解读需求

人类在移动互联网环境下留下海量信息和痕迹,被营销传播机构记录和积累,进而形成庞大的数据库,用以完成需求分析。然而如何分析这些数据才能够准确反映人类的需求？一个常出现的解决方案是“场景化”。经典的案例是:即便是简单如“喝咖啡”这个行为,当消费者处于不同的场景环境中时,其状态也是天差地别的,那么显然我们应该了解其“喝咖啡”的具体场景——是早晨在办公桌前,还是周末的下午茶,不同场景反映的是目标对象的不同状态,而不同状态中的需求显然也是不尽相同的。

那么,基于场景化理解的营销传播,其核心就在于要根据目标用户所处的时间、地点、环境和状态的差异性,提供与之相匹配的信息、产品或服务,从而满足其显在或潜在的需求。此前的营销传播一直强调对于目标对象基本属性的了解,例如年龄、性别、地域、学历、收入、兴趣爱好、过往行为等,而场景化则加入了“场景”这个独特的考量因素,要求我们能够更加精准地进行营销传播活动。而支撑我们去实现所谓场景化的重要基础就在于利用大数据和人工智能技术所构建的数据库及标签体系。

2.构建三大场景平台的数据库及标签体系

基于此,我们认为应当利用大数据和人工智能技术搜集尽可能多的数据,同时打通各类数据库,构建起三个互相作用的场景平台,以便实现更好地分析数据、理解需求。

第一个场景平台我们将其称为生活场景,是对消费者和用户日常生活数据的积累和处理分析(如图1)。从马斯洛需求层级理论来看,人类一生的各类需求是可以被归类的,这些需求将涵盖研究对象所处的不同生命阶段,涵盖不同圈层的研究对象,并且最终关联至营销传播需求和消费行为之上。

图1 生活场景平台的数据库构建

第二个场景平台我们可以将其称为消费场景,是对消费者及用户每个生命阶段各类消费数据的积累和处理分析(如图2)。根据消费者行为学的相关理论,我们可以清楚地知道所有人都扮演者消费者的角色,在不同的消费行为过程中发挥着相应的作用,主导、参与、影响着不同的消费行为。这些消费的需求和数据可以与社会生活中的各类情景及行为相对应,关联着不同的媒体接触和使用行为,关系着广告活动的最终实现。线上线下相结合的消费方式给了我们更多的数据积累可能,也给了我们打通不同数据的挑战。

图2 消费场景平台的数据库构建

图3 精神场景平台的数据库构建

第三个场景平台我们称之为精神场景平台,需要构建的是研究对象情绪、心理、喜恶偏好、态度等数据的积累、分析和处理体系。根据心理学的相关理论知识,我们可以综合运用各种研究方式,从研究对象的言行出发,分析其精神层面的状态和需求,从而辅助我们进行营销传播策略的决策制定。在这个数据库场景平台的构建过程中,研究对象在媒体内容产品的选择、消费和互动时留下的信息就尤为重要,往往可以直接反应其精神需求,所以也会成为我们关注的重点之一。

当我们将这三个场景平台构建起来之后,人类将获得更加全面、丰富的需求数据库。如果能够在此基础之上恰当地进行数据分析,就有可能改变传统营销中零散的、断点式的需求研究方式,让我们在营销传播中拥有更多的主动权,同时也给人工智能的发展提供真实而海量的理解人类的数据集合。

3.从“监督学习”到“无监督学习”的数据挖掘能力

从概念上来看,监督学习是指通过已有的训练样本来训练计算机,从而得到一个最优模型,再利用这个模型将所有新的数据样本映射为相应的输出结果,对输出结果进行简单的判断从而实现分类的目的,那么这个最优模型也就具有了对未知数据进行分类的能力；无监督学习则是指,我们事先没有任何训练数据样本,需要直接对数据进行建模；这两者的中间状态就是半监督学习或弱监督学习。深度学习的创始人杰夫·辛顿掀起的这场“非监督式学习”的革命,成为了“深度学习”的催化剂,也是当前人工智能最炙手可热的领域。⑥深度学习用于营销传播领域,已经获得了积极的成效。

例如,2015年,微软在ImageNet数据集中的识别表现已经超越了同样实验条件下人类辨识照片的平均水平——这是在大量数据基础之上训练的结果。GoogleX实验室开发出了一套具备自主学习能力的神经网络系统,不借助任何外界信息帮助,就能从一千万张图片中找出那些有小猫的图片——这是无监督式的机器学习探索。同样,名声大噪的AlphaGo战胜人类棋手是建立在计算机通过海量的历史棋谱学习参悟人类棋艺的基础之上；而AlphaGo Zero则属完全从零开始,不需要任何历史棋谱的指引,更不需要参考人类任何的先验知识,完全靠强化学习在对弈中以100∶0击败AlphaGo。可以看到,DeepMind的新算法AlphaGo Zero开始摆脱对人类知识的依赖:在学习开始阶段无需先学习人类选手的走法,另外输入中没有了人工提取的特征。但是,弱监督与无监督目前都还没有条件进行大规模应用。

场景分析至关重要,但是如何辨别目标用户具体处于怎样的“场景”之中,如何获得足够的数据来支撑我们构建初级标签体系？现在的解决方案基本上都还依赖于高成本的有监督深度学习,依赖于人类对于计算底层架构的设计。这既是人工智能学术界中大家广泛关注的问题,也是业界所面临的挑战,当然也是营销传播领域想要实现更高级智能化的难点与痛点。这种升级将是营销传播智能化,展现人工智能真正“数算力”的必经之路。

(三)利用机器算法与主观经验共同解决“黑箱”问题

大数据与传统数据分析最大的区别是什么？涂子沛在其《大数据》一书中将其解读为:大数据注重的是相关关系而非因果关系,所以本质是为了帮助人类预测未来,然而预测未来又谈何容易。在形成知识的过程中,数据、信息、知识是一个稳定的金字塔结构——大量杂乱无章的数据中,有价值的信息是少量的,而通过信息分析形成知识则是更高的层次,同样是一个去粗取精的过程。在目前的技术范式之中,输入的数据和答案之间的不可观察的空间,就像人脑的思考活动一样,通常被称为“黑箱”。我们认为,解决“黑箱”问题不能只依靠数据和算法,还必须有人类自身的加入。

1.主观经验是人工智能算法的输入

人类的智慧能够针对一个给出的结论进行推理和论证,但无法解释我们得出一个特定结论的复杂、隐含的过程。相比人类而言,人工智能进行决策的过程是否更加透明？我们都已经知道人工智能的决策基础是足量而多样的数据,以及不断优化的算法,但是这个计算过程和决策过程却往往是无法被解释的。比如说:机器到底是怎样找到那些有价值的信号的？谁能确保它是对的？人类能在多大程度上相信深度学习？从这个角度而言,人工智能算法本身就基于对人类认知世界方式、看待数据方式的理解,因此,可以说人类的主观经验是所有算法的第一条输入,离开主观经验,算法没有立足的根基。此外,人工智能所依赖的数据,本身就已经经过了主观经验的选择和甄别。

以智能音箱等举例,看似具有智能的交互设备,其背后的算法需要依赖标注语料,而这些语料都是基于人类的知识和经验进行切分和设计、建构的。AlphaGo同样如此,其学习的棋局也全部都是主观经验的结晶。所以,在不少业界和学界孜孜不倦追求更大的数据量和更优的算法之时,我们认为对于人类主观经验的运用其实也是不可或缺的。未来最佳的解决方案,一定是人工智能与人类智慧的结合。在思考如何利用神经网络解决黑箱问题的解决方案之时,其实也不妨更多地思考如何将这两者进行有效的结合。

2.利用主观经验调整、矫正算法的输出结果

那么,这种设想是否能够成真？我们发现其实在营销传播领域当中,这件事情正在发生。前文已经论述过,由于营销传播要解决的是探测需求的问题,而人的需求往往是隐藏的、飘忽不定的、随时发生的,因而并不容易,只依靠数据、算法、程序,都无法很好完成。因此,在利用人工智能的过程中,营销传播领域的专家们往往必须加入人为的控制。例如,无论是在营销中的程序化投放、用户画像,还是在内容领域的内容创作、价值评估,算法都可以实现数据的采集、清洗和初步分析,但由于数据本身的不全面、算法的各方面缺陷,基于人工智能的营销传播,其效果必须要经过人工经验的判断、识别。

大数据最早被运用于广告投放环节,造就了程序化广告这个细分产业链,其中很重要的一个环节是基于对用户识别所形成的DMP标签体系——告诉计算机目前浏览页面的用户究竟有哪些特征,然后才能让其在资源库中匹配相应的广告。而这些标签体系的设计,必须要由专家对其进行精准度的实验验证,通过统计学规律确定用户画像的召回率。

(四)树立健康正确的技术应用观

人工智能给营销传播带来的全新可能性固然令人欣喜,但是也要避免在这个智能化过程中出现的负面现象:例如盲目迷信和依赖技术,利用技术手段进行恶性竞争等。

1.认知技术的有限性

以大数据为例,我们很早就开始讨论不可盲目追求大数据技术,夸大大数据有效性的问题。

一方面,海量数据的积累和运用都是一个渐进的过程,大数据并非万灵药,相反小数据也值得深入挖掘。即便数据海量如谷歌、苹果和亚马逊,也并非所有人都直接对海量数据进行分析,小数据的处理占有的比重也不小。因此,对于广大营销传播的从业者而言,首先要注重对现有数据的挖掘和精耕细作,只有把握好小数据才能逐渐积累运营大数据的经验。

另一方面,在数据的应用上,要用辩证的眼光审视和对待。大数据和人工智能技术确实催生了RTB广告这一细分产业,能够在毫秒级的时间内对消费者行为做出响应,实现广告的精准推送。但如果将所有预算都投放到这样的框架中,会导致品牌长期建设的相对缺失。不可否认,用户信息、行为数据经过过滤和分析能够给出指导性的意见,然而前提是运营者需要给数据和技术人员一个方向。算法虽然精到,但是人员经验和感性认知也同样重要,只有将两者结合才能够给出我们正确的指引。⑦即使数据源是最真实的,数据分析处理也是最客观的,数据也不能完全反映一个人的内心变化。媒体和营销最终要面对的是一个个活生生的人,人的思想、灵魂是难以用量化的数据来进行客观描述的,再真实的数据反映的也不过是人所表现出来的行为表征。要想完整刻画消费者,仅仅依靠数据是不够的,还需要更多质化的研究作为补充,对消费者进行深入洞察。⑧

2.重视数据安全与数据造假问题

在利用技术进行不良竞争方面,数据安全和数据造假问题已经成为行业内众所周知的事实。

2016年3月,Facebook正式宣布放弃Atlas DSP项目,其中一个重要原因就在于其DSP产品碰到了数量惊人的劣质广告和虚假的机器人流量。2017年,宝洁的全球首席品牌官在美国互动广告局(the interactive advertising bureau)年度领袖会议上的演讲中表示:“为数字媒体法外开恩的时代已经结束,是时候长大了”。宝洁正在重新审计公司签订的所有媒介购买合同,并要求其合作的所有媒介代理机构、广告技术公司、媒体必须启用第三方测量广告效果,采用统一的测量标准,并且合同必须细化,根除无效的广告欺诈和媒介公司收受返点的现象。在由泡沫筑成的虚假繁荣破灭之前,在广告主、资方和用户的信任瓦解之前,在整个互联网营销生态一损俱损之前,我们必须开始正视互联网数据造假日益泛滥这一趋势。

而在数据安全方面,今年也有两个典型案例:由于泄露用户信息和隐私,扎克伯格被要求赴美国国会作证；因为一句“国内用户对隐私信息不敏感”的发言,李彦宏引发了新一轮的舆论风波。

“数算力”的发展是否能够在曲折中前进,迎来真正智能化的那一天,我们无比期待。

注释:

① 刘赞、林任翔、张凤编:《商业狂潮:人工智能的未来》,机械工业出版社2017年版,第7-12页。

② [美]菲利普·科特勒、凯文·莱恩·凯勒著:《营销管理(第十三版)》,卢泰宏、高辉译,中国人民大学出版社2009年版,第4页。

③ 钱旭潮、王龙、韩翔:《市场营销管理:需求的创造、传播和实现(第2版)》,机械工业出版社2010年版,第5页。

④ 黄升民、刘珊:《“大数据”背景下营销体系的解构与重构》,《现代传播》,2012年第11期。

⑤ [美]马斯洛:《马斯洛人本哲学》,成明编译,九州出版社2003年版,第1页。

⑥ [美]卢克·多梅尔:《人工智能:改变世界,重建未来》,赛迪研究院专家组译,中信出版集团2016年版,第53-55页。

⑦ 黄升民:《魔幻化的“大数据”》,《广告大观·媒介版》,2014年8月刊。

⑧ 黄升民:《直面大数据所展示的新天地》,《广告大观·媒介版》,2012年9月刊。

(作者刘珊系中国传媒大学广告学院讲师；黄升民系中国传媒大学资深教授、博士生导师)