Adobe 如何在内部使用 AI 来推动增长

上周四，Adobe 的业务战略总监 Don Bennion 在我们的在线 AI 营销活动中做了一个富有启发性的演讲。

该演讲提供了实用的建议和示例，说明 Adob​​e 近年来如何在其内部活动中越来越多地使用人工智能和机器学习。

他们的实践源于客户体验指标的预测能力和他们自己的数据驱动运营模型 (DDOM)。 该公司现在正着手向外部合作伙伴提供这些工具和技术。

这是我的主要收获。

人工智能和归因

归因确实是 Adob​​e 开始使用人工智能和机器学习的第一个领域。

摆脱“第一次点击”和“最后一次点击”等简单模型，以及后来的“U 形”和“线性”模型，人工智能和机器学习的结合极大地改进了 Adob​​e 的模型。

Bennion 强调了两种在归因中分配功劳的方法：

1. 有影响力：当接触点被击中时，所有功劳都会分享给这些接触点
2. 增量：计算应将多少功劳分配回媒体和营销

Adobe 进入增量领域。 假设是，如果 Adob​​e 停止所有营销工作，他们仍会销售产品。 毕竟，客户的购买至少部分是基于品牌忠诚度和口碑等因素。

使用对其内部数据进行训练的 AI，他们能够从每次购买中建立 50% 的营销价值基线。 从这里开始，他们可以单独对所有接触点进行加权，并且至关重要的是，可以比通过有影响力的方法分配功劳更有效地削减营销成本或更好地分配成本。

人工智能和个性化

Adobe 整合人工智能的另一个领域是个性化。

“一对一营销是必杀技，”本尼恩说。 “但细分对我们来说仍然是一个重要的工具。”

过去，Adobe 过去常常从属性和行为中进行细分。 这很有价值，但在大数据时代显然受到限制。 Adobe 的回应是使用 AI 来开发倾向建模。

Adobe 为任何成功事件分配了“倾向得分”，无论是转换还是购买等。 然后他们可以询问潜在客户以下问题：

• 个人购买产品的倾向得分是多少？
• 个人升级的倾向得分是多少？
• 流失的倾向是什么？

...然后使用它来创建段。

科技公司英伟达就是这样做的。 他们分别为“经常玩游戏的玩家”和“不常玩游戏的玩家”创建了倾向得分。 他们明白，这两个细分市场在购买、升级或响应营销信息方面都有不同的习惯。

结果是 Nvidia 可以使用这些预测来个性化他们的客户体验，准确率在 96% 以内。

复杂程度如何变化？

Bennion 的演讲中出现的一个关键问题将焦点转移到他如何看待这些年来数据复杂性的变化。

虽然包含人工智能的归因和个性化仍然是一个近似值，但他强调了该行业是如何不断发展的。

'可以从非网络接触点访问更多数据。 我们有更好的建模。 人工智能数据的速度和处理速度更快——这对驱动和规模很重要，”本尼恩说。

这并不是说没有提到数据驱动的营销人员在前进的道路上有任何潜在的障碍。 尤其是考虑到谷歌最近宣布在未来两年内逐步淘汰 Chrome 中的第三方 cookie。

AI 时代营销人员的要点

营销人员当然需要适应这个不断变化的环境，但 Bennion 相信，对他们的业务有深刻的理解，而不是简单地努力更好地理解数据科学，这至少同样重要。

Adobe 的主要增长战略是：

1. 获取新客户。
2. 交叉销售/向上销售。

毫无疑问，各种规模的公司和许多行业的公司都熟悉此类增长战略。

对于客户获取，Adobe 提出以下问题：谁有向我们购买的倾向？ 在交叉销售方面，即让客户升级或进行相关购买时，流失倾向模型被证明非常有用。

很明显，人工智能通过增量归因以及用于个性化的倾向建模正在帮助 Adob​​e 实现他们的目标。 看看其他品牌如何利用人工智能来提高他们的营销投资回报率，这并不是一个太大的飞跃。