我們以爲這些科技離我們還遙遠，事實上，它們中的很多已經被不少企業應用。

新的科技在商業世界中的應用，有些是驚天動地的革新，有些是潛移默化的改變。對於後者，我們以爲這些科技離我們還遙遠，事實上，後者更爲常見，並且它們中的很多已經被不少企業應用。

瞭解這些“黑科技”，掌握這些新的科技的應用，能夠大幅度提升數字營銷與運營的“暢快感”，當然，效率和效果也就能隨之提升。

這篇文章聚焦於目前不僅能夠實現，而且已經被較爲廣泛應用的“十大黑科技”，也歡迎朋友們留言補充。

全文目錄：

• 黑科技一：監督學習——追求閉環是有道理的
• 黑科技二：動態化的消費者溝通界面
• 黑科技三：品效合一——品牌投放的效果閉環
• 黑科技四：預測
• 黑科技五：基於人的推薦
• 黑科技六：讀懂人的語言
• 黑科技七：機器“視覺”
• 黑科技八：智能分析
• 黑科技九：企業自己的數據“圍牆花園”
• 黑科技十：CDP

黑科技一：監督學習——追求閉環是有道理的

監督學習在今天的數字營銷與運營中應用極爲廣泛。它也毫無疑問是下一代數字營銷的標配。

監督學習的邏輯是，持續將營銷的直接結果提供給機器，讓機器（算法）不斷試錯，不斷通過正樣本和負樣本的反饋來進行學習，從而“摸索出”一個更加優化的方式，能夠自動實現更好的消費者轉化。

用人話說，就是不斷告訴機器，你這麼投放沒有效果或者有了效果，如果沒有效果，機器就改變自己的算法（實際上是改變自己的算法的參數），如果有效果，機器就強化這個算法（重複這些參數，看還能不能有轉化）。這樣一次一次反wu復liao的過程，假以時日，機器就變得越來越“聰明”，越來越知道在什麼情況下應該如何投放會更好。

監督學習現在有應用嗎？

有，實在太有了。比如信息流廣告的oCPM投放方式——機器就是按照CPA中的A，或者CPS中的S，來作爲監督的結果，優化自己的CPM的投放的。

有些信息流廣告媒體，還承諾廣告主，如果機器的優化沒有達到預定的CPA或者CPS的效果，會將廣告主浪費的錢退還給廣告主。可見對監督學習這種方式的自信，也反襯出這種方式的成熟。

當然，監督學習這麼好的東西不是僅僅只用在投放上，它能適應的場景非常多。後面再講其他黑科技的時候，很多都與監督學習有關。

監督學習這種方法，對監督的結果，也就是最終能夠反饋給機器的效果有很高的要求。如果效果真實且及時（也就是我們所說的閉環），那麼機器就能學得更好。如果效果不真實或者不及時，機器就不可能產生正確的算法。

所以，企業必須在營銷上追求閉環，必須要打通消費者的前後端數據，意義之一就在這裏。

黑科技二：動態化的消費者溝通界面

我們都聽說過“動態創意”。這個事物最初出現在程序化廣告時代，確切說，是出現在RTB（及背後的DSP）興起的時代。

動態創意並不新穎，但也絕對不像很多朋友想象的那樣，是“停滯不前”的。它在進步，尤其是與監督學習相結合。

例如，在動態創意的初期，比較多的是解決物料尺寸和文件大小的問題。在對最終的效果有了較好的追蹤，能夠構建閉環之後，監督學習被引入，以不斷根據最終的效果，來反推應該給廣告（營銷前端）所觸達到的不同的人以何種不同的創意物料。今天，有多家企業都在提供相關的業務，例如廣告媒體發佈商自己，例如字節跳動、騰訊、阿里等，也有第三方服務提供商，例如筷子科技。

這個方法很快被引申到其他的領域，理論上，所有展示給消費者的界面，都可以是動態的。

例如，受衆點擊廣告之後進入的另一個界面——流量的落地界面。

上圖展現了這樣的一個工具（由Ptmind提供的靈蹊），它看起來像是以前的博客（blog）的後臺。但實際上，用戶只需要爲頁面中的各個模塊元素創建不同的版本，工具就會通過監督學習來判斷，給某個訪問者他更適合的版本。

不僅僅每個元素的版本是動態的，它們在界面中的位置也可以是動態的，以幫助訪問者第一眼就能看到他更想看到的內容主題。

衆所周知，淘寶或者京東的首頁，就是利用了類似的方法。

無論是動態創意，還是動態的落地界面，這兩個方法要能夠奏效，對受衆屬性數據和效果數據的要求都很高。如果數據靠譜，這些方法對轉化的效果大有裨益，尤其是將前端的動態創意和落地端的動態界面結合起來。

如果這些數據靠譜，監督學習能夠以較好的狀態進行，因人而異的界面的效果就會更好。AB測試表明，只要數據充分且準確，動態界面就能夠提升30%甚至更高的轉化率。

黑科技三：品效合一——品牌投放的效果閉環

對於品效合一，主流觀點往往是貶低的。很多人認爲，講品效合一就是忽悠。

我認爲對待這個問題要客觀。

如果按照功利主義，以目的論，任何營銷活動都只有一個根本性的目的，要麼是爲了打銷量，要麼是爲了植入心智（就是常說的做品牌）。

對於植入心智，你如何判斷植入心智是否有效，是否成功？

傳統方法其實沒有辦法。

但“黑科技”能相當程度上解決這個長久以來的困擾難題。而且這個方法，現在同樣已經有相當可行的案例。

這個方法的思路很簡單：收集廣告觸達人羣、對廣告產生興趣的人羣（往往以點擊廣告衡量）和最終購買商品的人羣，然後對這三類人羣進行匹配，用最終購買商品的情況，衡量廣告觸達與點擊的有效性。

最終購買商品的人羣，不僅僅可以是線上購買者，同樣可以包含線下購買者。線下購買者，利用一些運營手段，今天已經可以很好地被數字化打通。

下圖展示了這樣的過程：

這個新的解決方法，產生了很多有意思的新玩法：

• 廣告端，不僅僅可以用CPM或者CPC來衡量，現在也可以用CPS（Cost Per Sales）或者CPO（Cost Per Order）來衡量。
• 品牌廣告也能夠形成自己的效果閉環，並且通過這個效果閉環又能夠引入監督學習，基於監督學習，對前端廣告的投放又形成正反饋。
• 應用外部數據（例如圍牆花園內的數據）對實現轉化的消費者進行再次畫像，也能夠給營銷操盤者以洞察，校正前端廣告投放的策略。

這個方法，或許不應該叫品效合一，畢竟品和效是兩個階段。或許叫它品效結合更合適，但我認爲，名字並不是最重要的，更重要的是這種方法爲品牌投放帶來的全新視角與升級策略。

黑科技四：預測

預測，對商業有永恆的吸引力。預測的歸宿是決策，準確的預測能夠帶來更恰當的決策。

預測在數字營銷領域有很廣泛的應用。本質上，這種方式跟監督學習如出一轍，或者說，監督學習的背後，其實依賴的就是準確的預測。

現在應用預測常見的場景，是對客戶流失情況的預測。例如遊戲行業，在很多年前，就已經用決策樹之類的算法，將現存客戶中可能要流失的客戶找出來。準確率能夠達到80%以上。

應用預測的場景近幾年有所擴展，例如在汽車等行業中，用在對無效leads的清洗和召回中。

首先，進行數據的補強處理。包括：

• 利用外部數據，對現有的“無效”leads的屬性做數據增強。
• 對“無效”leads中，在企業的私域觸點上有行爲的leads進行數據回收。
• 對歷史電銷語音對話的數據進行NLP處理（自然語言處理）和分析，將非結構化數據結構化。

其次，構建算法，這個算法並不是預測算法，而是人工制定的權重算法，以上面的這些數據爲基礎，對這些leads的質量做人工排序。

再次，電銷人員根據leads的質量度，撥打電話。這一步開始，會記錄電話撥打的情況，瞭解應答結果——哪些leads可能有效，哪些仍然完全無效。此後，繼續追蹤這些leads的轉化情況。應答結果和轉化情況，成爲下一步引入監督學習的有效的“監督”。

之後，引入機器學習，也就是監督學習，並重新對“無效leads”的屬性進行計算，預測出更可能發生轉化的leads，以及這些leads背後的消費者潛在訴求。

最後，電銷利用以上數據，進行更針對性的溝通。

賽諾貝斯提供的一個案例表明，這個方法大約在1萬個“無效線索”中，能召回2000個可能有效的線索，並達成大約100個交易轉化。當然，這只是參考經驗值。不過，如果是汽車行業，100個交易轉化，就意味着大約1000萬以上的交易額增量。

黑科技五：基於人的推薦

預測能力的延伸，很容易應用到另外一個極爲常見的場景上，那就是推薦。

我這麼講絕不誇張——今天的整個數字世界就是一個推薦的世界。推薦是數字世界的基本態，是當代世人生活的根基。

在數字營銷上，推薦也極爲廣泛的應用。廣義講，任何呈現給消費者的，無論是內容、聲音還是畫面，都是可以由推薦系統（推薦引擎）決定的。例如，一個人能看到的廣告，或者廣告系統決定給某個人推送某個廣告，背後都是推薦系統的作用。

推薦系統大部分工作在監督學習之下，但不僅僅只是在廣告投放一個場景內。下面這個場景同樣是常見的，但更多偏重於運營領域。

某個快餐企業，在自己的數字訂餐系統中應用了商品推薦系統。例如，你下單了某些商品，那麼另外一些商品就會被推薦。這種推薦是基於商品選擇觸發的，即item oriented的推薦。

但下一步，他們對這個推薦系統進行了改進，將用戶的信息也考慮進來，例如，利用CDP積累的用戶的行爲數據，以及其他數據源補強的用戶屬性數據，進而將這一推薦系統升級爲基於人的具體情況出發的推薦，即user oriented的推薦。

效果如何？這是第四範式提供的案例，他們幫助這家快餐企業，單均價從20元左右上升到26元左右。這是一個上漲30%的相當驚人的提升。

黑科技六：讀懂人的語言

在上一個黑科技中，我們提到了自然語言處理（NLP），事實上它有更加廣泛的用途。

最常用的場景，是利用NLP瞭解消費者在數字世界中發出的聲音，然後像人一樣閱讀這些信息，理解其中的含義。不過，機器的閱讀效率比人要強大很多倍，這樣就能大規模瞭解大量消費者的心理、意圖、對品牌或產品的真實反饋。

而機器比較弱的是讀懂的能力，近幾年知識圖譜的發展對機器的這塊短板有很針對性的補強。

下圖展示了針對某個品牌，對海量消費者的聲音分析之後的結果，基於NLP和知識圖譜實現。（來源：AdMaster）。

不過，NLP也可以用在更微觀的場景中——優化電話銷售或者客服的話術，以增加轉化或者提升滿意度。

下圖展示了這樣的一個例子：

利用圖中的工具，讓機器直接分析所有電話銷售人員的所有語音通話。利用NLP技術，在極短的時間內生成內容豐富的報告，包括不同的詞、詞頻、回答模式、語速、正負面用語、禁忌用語等等信息，並且可以按照最終實現轉化的高低，以及按照不同的績效表現的電銷人員等維度進行細分。

這意味着，你可以比較高績效表現的電銷人員通常的通話模式、用詞與低績效表現的人員有何不同，並且將這些結論和洞察用在提升銷售的話術能力上。

除了這個具體的場景，NLP技術能夠對電商評論、問卷、客服對話、郵件等各種企業內外的非結構化數據進行處理和分析，同樣爲企業提供各種各樣的新商業視角和分析建議。比如，根據電商評論和海量問卷，他們能夠在幾分鐘之內就生成一個內容相當豐富的報告，提供不同類型消費者的觀點、好惡以及對應的分佈情況。如果數據量足夠大，甚至可以幫助分析這些觀點和好惡背後的原因。

黑科技七：機器“視覺”

除了讀懂人的語言，機器也應該能夠看懂圖。

這個應用，在數字營銷上，有不少應用場景。

第一個場景，解決媒體或發佈商的物料審覈的問題。機器初步篩查，然後找出存疑的物料，人工再進行覈實。

第二個場景，機器自動化的標籤識別。例如，消費者看到的圖或者視頻，被機器識讀爲結構化的文字，這些文字被進一步處理爲標籤，以標記消費者的內容消費行爲。

上面的兩個圖是一個GIF動圖。機器識別圖形的引擎準確地識別了這個圖所在的地理位置，以及與這個圖相關的標籤。除了圖像，視頻內容也可以用這一方式進行機器識別。

機器“視覺”也被擴展到線下，例如對消費者的面部識別和以面部爲基礎的線下數字化ID體系。在有些汽車的4S店，利用這個方法，當消費者踏入店面的那一刻，負責這個消費者的銷售員工的手機就會收到提醒，並且同時可以看到與這個消費者有關的上下文——過去在店面內的行爲，以及他對哪些車型有興趣。

黑科技八：智能分析

智能分析是仍然在發展中的領域。

所謂智能分析，是爲解決人在解讀數據過程中費時費力的問題而誕生的。

最初，只不過是一個規則系統，即，數據分析師手動設置一些KPI的閾值，當這些KPI的值超出閾值範圍後，系統會自動報警。

智能分析擴展了這一能力，利用機器學習的方式，機器不再依賴於閾值，而是自動學習每一個KPI、每一個維度的數據趨勢，以及KPI與維度之間的相互關係。當機器認爲任何趨勢或關係發生不同尋常的情況時，會自動報警，並且給出機器認爲的原因。

但更聰明的智能分析還在進化中，所謂更聰明，是能夠結合具體數據背後的商業場景信息進行的更綜合的智能化的分析。由於機器缺乏人的經歷和直覺，而商業社會中的上線文信息瞬息萬變，因此很多分析場景都難以用上監督學習，導致這個“黑科技”領域的發展慢於預期。

黑科技九：企業自己的數據“圍牆花園”

企業的數字化轉型，一個核心問題是協同。

我記得我在讀研究生的時候，導師讓我們做課題——企業的信息化，就講到，企業信息化的核心是協同。一轉眼，快20年了，企業的數字化轉型，核心仍然是協同——與上下游協同、與合作方協同，甚至與消費者協同。

但企業都面臨一個重要的問題，自己的第一方數據，尤其是其中的核心數據，如何與相關方協同？

如果拿出自己的第一方數據，數據安全性無法保障。如果不拿出，很多數字化轉型的應用無法實現。

企業其實面臨的問題，跟很多媒體平臺面臨的問題是一樣的。

對於這些媒體平臺而言，他們要進行協同的對象是他們的客戶，也就是廣告主。媒體平臺可以將自己的數據提供給廣告主，這樣廣告主能夠做更精準更精細的投放，但風險在於，無法控制廣告主如何使用他們的數據，廣告主完全有可能將他們的數據也用在競爭對手的媒體平臺上。

反過來，媒體平臺也可以選擇不提供數據給廣告主，但廣告主會失望，然後流失到自己的競爭對手那裏投放廣告。

因此，媒體平臺利用技術手段，構建了一個自己的數據“圍牆花園”，即，廣告主可以從外部登入媒體的數據系統，在投放廣告時利用這些數據，但卻不能夠直接接觸到這些數據——數據可用，但是不可接觸，不可獲得。例如，廣告主可以在阿里的數據銀行生成一個人羣包，將這個人羣包的數據推送給阿里的unimarketing系統進行廣告投放，但是這些人羣包內究竟是哪些具體的人，廣告主不能瞭解和獲得。

企業面臨的問題也是類似的，因此解決方法也是類似的。企業可以把自己的數據放在自己的圍牆花園內，也就是建立起一個企業自己的數據應用系統，類似於阿里的數據銀行，讓外部合作方可以直接應用這些數據，而不需要直接接觸到這些數據。

這種方式需要用到雲計算中常用的“同態加密”技術，或者原理也類似於人工智能中的“聯邦學習”技術，但沒有後者那麼高級，不過假以時日，也很容易實現企業自己整個生態鏈上下游的“聯邦學習”，從而能夠更好地發揮企業自有數據的價值。

企業自己的“圍牆花園”這種黑科技，目前應用的最主要的場景仍然是在營銷上。某一個幫助企業投放廣告的第三方，需要利用企業自有的數據作爲種子人羣進行機器學習，從而幫助投放。或者某個幫企業做消費者數字化運營的公司，要用企業的第一方人羣數據去優化運營的策略和方法，都值得通過“圍牆花園”來解決。提供這一解決方案的服務商，例如Liveramp。

黑科技十：CDP

最後一個黑科技，必須當仁不讓的必須提CDP。

CDP是目前企業最爲重視的數字化營銷和運營的技術。CDP的核心在於收集、組織、管理和應用，企業在自己的數字觸點上的所有消費者的數據。

在數字營銷的“圍牆花園”不斷高聳、個人信息保護的壓力日益增強、外部流量價格與日俱增、消費者忠誠度不斷受到碎片化數字信息衝擊而下降的大背景下，企業主動或被動地，都不得不接受需要更加精細化運營自有消費者的現實。

CDP的產生，就是解決這個問題的。這也是今天爲什麼CDP獲得瞭如此高的重視的原因，因爲它的背後，本質上是營銷思維的顛覆。

好了，十個黑科技講完了。你可能會問我，爲什麼沒有5G，沒有AR、VR之類。我沒有寫這些黑科技的原因很簡單，它們的應用還非常不廣泛。但顯然，我不會輕視它們，它們的潛力巨大，肯定會爲數字營銷帶來翻天覆地的變化。但至少在我行文的此刻，在數字營銷領域，還缺乏有說服力的案例。不過，或許你更願意指正我，或者提出你自己的看法，因此，非常歡迎大家留言討論。謝謝！

原創：宋星

文章來源：公衆號【宋星的數字觀】（ID：chinawebanalytics）

免責聲明：本文僅代表作者個人觀點，與窮思筆記網無關。其原創性以及文中陳述文字和內容未經本站證實，對本文以及其中全部或者部分內容、文字的真實性、完整性、及時性本站不作任何保證或承諾，請讀者僅作參考，並請自行覈實相關內容。