获客时代 3.0

新算法的出现、更快的处理速度以及基于云的海量数据集的出现，使所有销售广告的主要数字媒体提供商都可以尝试使用人工智能 (AI) 来帮助提高广告商的绩效。 虽然营销的所有领域都特别适合转型，但现在是专注于新客户获取和收入增长领域的好时机。

这是大多数公司通常花费最多可支配资金的地方。 这些领域（我们统称为 Customer Acquisition 3.0）对扩展业务的影响最大。

让我们首先快速将客户获取 1.0 定义为存在于不同物理服务器中的孤立客户数据阶段。 结果，开展付费用户获取工作的公司因数据不佳而束手无策，并且对其营销活动的效果缺乏信心。

Customer Acquisition 2.0 能够利用基于云的数据处理功能将来自多个来源的所有客户数据集成到一个统一的客户数据平台中。

有了 Customer Acquisition 2.0 基础架构，您就可以很好地利用 Facebook、Google 等孤岛中运行的主要广告合作伙伴的个人 AI 功能和自动化，帮助您更好地优化预算以实现绩效目标。

规模和学习的新维度

这将我们带到了我所说的客户获取 3.0 的世界，在这个世界中，规模不再仅代表实现成本领先和优化提供稳定产品的传统价值。

相反，规模将以新的方式跨多个维度创造价值：扩大公司可以生成和访问的相关数据量，扩大可以从这些数据中提取的学习量，扩大规模以减少实验风险，扩大规模协作生态系统的规模和价值、由于这些因素而产生的新想法数量的规模，以及缓冲意外冲击风险的规模。

学习在商业中一直很重要。 正如布鲁斯·亨德森 (Bruce Henderson) 50 多年前所观察到的那样，随着积累经验的增长，公司通常可以以可预测的速度降低边际生产成本。

但在传统的学习模式中，重要的知识——学习如何更有效地制造一种产品或执行一个过程——是静态和持久的。

展望未来，有必要建立动态学习的组织能力——学习如何做新事物，以及利用新技术和海量数据集“学习如何学习”。

今天，人工智能、传感器和数字平台已经增加了更有效学习的机会——但据 BCG 称，到 2020 年代，竞争学习速度将成为必要。

动态、不确定的商业环境将要求公司更多地关注发现和适应，而不仅仅是预测和规划。

因此，公司将越来越多地采用和扩大人工智能的使用，提高学习的竞争门槛。 而这些好处将产生“数据飞轮”效应——学习速度更快的公司将拥有更好的产品，吸引更多的客户和更多的数据，进一步提高他们的学习能力。

然而，学习改进静态流程的传统挑战与在整个组织中不断学习新事物的新要求之间存在巨大差距。

因此，要想在学习上取得成功，不仅需要简单地将 AI 插入当今的流程和结构中。 相反，公司将需要：

• 追求包含与学习相关的所有技术模式的数字议程，包括传感器、平台、算法、数据和自动决策。
• 将它们连接到可以以数据速度学习的集成学习架构中，而不是受到较慢的分层决策的限制。
• 开发能够创建动态、个性化客户洞察并采取行动的业务模型。

营销人员以前从未有过更多的客户数据。 公司通过用户资料收集的第一方数据可以超越基本的姓名和人口统计数据，可能包括下游关于参与度、保留率、货币化等方面的丰富数据点； 公司可以使用它来建立伟大的用户群，以便为增长团队运行潜在客户和重新定位活动。

在现有丰富的用户数据之上，从品牌中提取和处理所有这些第一方数据，使这些媒体合作伙伴能够使用机器学习进行复杂的建模和分析，这在几年前是不可能的。 这样可以通过新的见解和数据分析更好地定位。

如果您仍然像五年前那样手动优化营销活动，您可能会发现自己在客户获取游戏中迅速消失。 与快速出现以解决低效问题的新解决方案相比，任何手动流程的效率都可能要低得多，而且更容易出现人为错误。

人工智能和客户获取

谷歌、Facebook、程序化广告网络等主要媒体平台加速采用人工智能来获取客户，这代表了营销资金投资于移动营销活动的方式的根本性和关键性转变。

成长型营销人员不再能够选择向用户展示他们的广告的位置或方式——相反，算法决定这些后勤，在很少的输入（例如出价和预算）的指导下进行。

虽然这对大多数增长团队来说可能是件好事，但业内一些最聪明的增长营销人员正在超越人工智能改善结果的明显方式，专注于人工智能可以加速其付费用户获取的前沿“开箱即用”方式表现。

是时候开启智能机器了

归根结底，评估任何新兴技术的最佳方法是弄清楚其在您的业务或行业中的实际用途。 就像良好的用户体验是针对个人需求进行个性化定制的一样，能够调整每个平台的开箱即用人工智能解决方案以满足他们的需求、目标和目标的公司将赢得扩大客户获取的未来。

成功的公司已经了解关注正确的指标和关键绩效指标 (KPI) 的重要性，这些指标是可衡量的价值，表明公司实现关键业务目标的效率如何。

KPI 的示例包括客户获取成本 (CAC)、广告支出回报率 (ROAS)、每日活跃用户 (DAU)、每月活跃用户 (MAU)、留存率、流失率等。

与相对脆弱的手动活动干预过程相比，人工智能驱动的机器可以帮助协调更有效地实现这些目标的采购活动。

这需要一种整体的跨渠道方法，这会大大增加运营复杂性——从数据驱动的定位到创意扩散，再到归因和性能优化。 复杂性带来的正是您不想要的：风险和不确定性。

迟早，您的客户获取工作将依赖人工智能、机器学习和自动化来适应、定制和个性化跨渠道用户旅程，并以使用上一代商业智能和仪表板无法实现的方式提供最佳结果。

管理具有多个目标、创意和序列的复杂跨渠道营销活动以加快学习速度将需要在开箱即用解决方案之上的智能机器操作层以提供出色的结果，否则您可能不得不接受平均。

Lomit Patel是 IMVU 的增长副总裁。 在加入 IMVU 之前，Lomit 管理早期初创公司的增长，包括 Roku（IPO）、TrustedID（被 Equifax 收购）、Texture（被 Apple 收购）和 EarthLink。 Lomit 是一位公共演说家、作家、顾问，并被 Liftoff 公认为移动英雄。 Lomit 的新书Lean AI是 Eric Ries 最畅销的“The Lean Startup”系列的一部分，现已在亚马逊上架。