Adobe 如何在內部使用 AI 來推動增長

上週四，Adobe 的業務戰略總監 Don Bennion 在我們的在線 AI 營銷活動中做了一個富有啟發性的演講。

該演講提供了實用的建議和示例，說明 Adob​​e 近年來如何在其內部活動中越來越多地使用人工智能和機器學習。

他們的實踐源於客戶體驗指標的預測能力和他們自己的數據驅動運營模型 (DDOM)。 該公司現在正著手向外部合作夥伴提供這些工具和技術。

這是我的主要收穫。

人工智能和歸因

歸因確實是 Adob​​e 開始使用人工智能和機器學習的第一個領域。

擺脫“第一次點擊”和“最後一次點擊”等簡單模型，以及後來的“U 形”和“線性”模型，人工智能和機器學習的結合極大地改進了 Adob​​e 的模型。

Bennion 強調了兩種在歸因中分配功勞的方法：

1. 有影響力：當接觸點被擊中時，所有功勞都會分享給這些接觸點
2. 增量：計算應將多少功勞分配回媒體和營銷

Adobe 進入增量領域。 假設是，如果 Adob​​e 停止所有營銷工作，他們仍會銷售產品。 畢竟，客戶的購買至少部分是基於品牌忠誠度和口碑等因素。

使用對其內部數據進行訓練的 AI，他們能夠從每次購買中建立 50% 的營銷價值基線。 從這裡開始，他們可以單獨對所有接觸點進行加權，並且至關重要的是，可以比通過有影響力的方法分配功勞更有效地削減營銷成本或更好地分配成本。

人工智能和個性化

Adobe 整合人工智能的另一個領域是個性化。

“一對一營銷是必殺技，”本尼恩說。 “但細分對我們來說仍然是一個重要的工具。”

過去，Adobe 過去常常從屬性和行為中進行細分。 這很有價值，但在大數據時代顯然受到限制。 Adobe 的回應是使用 AI 來開發傾向建模。

Adobe 為任何成功事件分配了“傾向得分”，無論是轉換還是購買等。 然後他們可以詢問潛在客戶以下問題：

• 個人購買產品的傾向得分是多少？
• 個人升級的傾向得分是多少？
• 流失的傾向是什麼？

...然後使用它來創建段。

科技公司英偉達就是這樣做的。 他們分別為“經常玩遊戲的玩家”和“不常玩遊戲的玩家”創建了傾向得分。 他們明白，這兩個細分市場在購買、升級或響應營銷信息方面都有不同的習慣。

結果是 Nvidia 可以使用這些預測來個性化他們的客戶體驗，準確率在 96% 以內。

複雜程度如何變化？

Bennion 的演講中出現的一個關鍵問題將焦點轉移到他如何看待這些年來數據複雜性的變化。

雖然包含人工智能的歸因和個性化仍然是一個近似值，但他強調了該行業是如何不斷發展的。

'可以從非網絡接觸點訪問更多數據。 我們有更好的建模。 人工智能數據的速度和處理速度更快——這對驅動和規模很重要，”本尼恩說。

這並不是說沒有提到數據驅動的營銷人員在前進的道路上有任何潛在的障礙。 尤其是考慮到谷歌最近宣佈在未來兩年內逐步淘汰 Chrome 中的第三方 cookie。

AI 時代營銷人員的要點

營銷人員當然需要適應這個不斷變化的環境，但 Bennion 相信，對他們的業務有深刻的理解，而不是簡單地努力更好地理解數據科學，這至少同樣重要。

Adobe 的主要增長戰略是：

1. 獲取新客戶。
2. 交叉銷售/向上銷售。

毫無疑問，各種規模的公司和許多行業的公司都熟悉此類增長戰略。

對於客戶獲取，Adobe 提出以下問題：誰有向我們購買的傾向？ 在交叉銷售方面，即讓客戶升級或進行相關購買時，流失傾向模型被證明非常有用。

很明顯，人工智能通過增量歸因以及用於個性化的傾向建模正在幫助 Adob​​e 實現他們的目標。 看看其他品牌如何利用人工智能來提高他們的營銷投資回報率，這並不是一個太大的飛躍。