AI大模型是近几年最热门的话题之一，聚焦AI大模型在营销场景的应用中，从零售行业来看，有三个比较大的问题，第一个是公域引流难，第二个是会员管理整合难，第三个是私域经营、私域裂变管理难。今天将基于这三个问题，分享基于AI大模型如何进行破题。分享嘉宾｜林庆治 飞算科技首席数据官
内容已做精简，如需获取专家完整版视频实录和课件，请扫码领取。
公域引流现在最大问题是在流量红利消失，互联网流量的成本越来越高，但效果越来越差，另一个从营销角度看是冷启动难。一般在做初始获客的时候，是没有任何数据可以应用的，这就是冷启动。借助于大模型的内容营销，可以非常精准地抓到目标客群和广告诉求，能达到非常好的冷启动。
数字化营销最重要就是数据，所以冷启动之后把公域流量导入私域中，先要做数据整合，然后做会员管理。
最后数字化营销真正发挥影响的地方，就是在私域的精细化经营，等到客户有忠诚度之后，自然可以做私域裂变，通过最小成本达到最大激励效果。
上面这三个问题怎么去解决呢？其中我们总结了四个步骤。
第一个利用内容营销做快速引流。第二个是通过冷启动后的数据整合，对整个会员做精细化管理。第三个根据客户喜好，形成精准名单做精准营销，取代掉以前的无差异化营销。第四个等到客户留存之后，再去做裂变，利用之前内容营销手法，可以做到更高效更细致化的裂变。
01
步骤一：怎么用内容营销作为快速引流的冷启动？
以前的内容营销，大部分是借助于三方或者大企业的广告部门，但较多中小企业内容营销能力缺乏，也没有经费去成立专门部门。加上后疫情时代，线上营销物料需求量增加，越来越多的人更依赖线上，大模型内容营销可以帮助销售、市场、内容创作人员不再依赖三方公司或是技术人才，以通过人工智能的数据驱动手段营销，提高内容营销的效率。最后可以落实到公司里面的营销运营工作，包括千人千面的智能投放—根据细分行业的人设风格、语言特色、结构模块，生成细分场景营销内容。
比如说这里提到的是七夕活动促销，需要根据七夕的设定，生成一些约会整体装扮，通过一系列信息填入，可以自动生成动人的文案。当然大模型里面现在强调所谓的多模态，不只是文本生成，图片也可以非常细致地搭配起来，文图结合是最有效率的。
图片生成有两种方式，一个是用既有的公司图库里面的高颜值图片，生成更细致化、更场景化的图片，另一个是针对没有图片只有产品照片的情况，可以基于大模型自动做场景的搭配生成。这种图片效果通过历史服务样本来看，内容生成成本降低到原来的50%，效果层面CPE成本降低35%，询单量增长80%。
为什么会有这么明显的降本增效？
第一个是受益于人工智能技术，用户只要输入想法，通过文本直接自动生成和投放。第二个是结合平台热点，将事件营销和内容营销，与当下热点结合。不仅可以实时查询平台热点，还可以仿写行业爆文。第三个是在文字生产之后，再搭配合适的图片，不仅成本低，同时还提升了种草效果，让整体价值提升。
步骤二：怎么应用增强分析精细化经营客户？
从内容营销把客户引入私域后，最重要目的是做精细化运营。基于客户的基本属性、购买行为、历史行为、网站行为，就可以展开数字化分析。数字化分析可以分两部分：第一是怎么精细化经营客户，了解客户的需求。第二是怎么做精准营销，精准的找到目标客户名单。
了解客户需求时会用到 BI 分析，现在BI分析有三代：第一代是IT导向，需要专人做数据整理、数据查询才可以得到，第二代是自助式BI 2.0，利用拖拉拽可以实现自助式，但还是有一些技术需要掌握，包括了解数据结构以及标签体系，以及需要自己把问题逻辑化后，再用拖拉拽的方式实现。第三代是增强分析，只需要用自然语言交互，就可以做数据分析、归因分析，甚至给到决策建议。依托于大数据技术，借助各种终端，通过人机自然语言查询的方式，会生成自然语言的查询结果。关于查询的数据部分有两种方式导入，一个是对接企业原有已经整理好的数据，另一个是企业直接导入数据，就可以透过数据自动处理，得到决策参考。首先，是自然语言交互，只要说明做什么分析，例如最近一季里面的销售趋势；其次，平台会把销售趋势数据自动抓取出来；再通过自动统计分析，找到数据趋势，通过趋势统计找到波动范围；然后，识别出超过波动范围的数据，去做归因分析，从渠道角度、产品角度、价格角度等方面进行思考；最后，给到决策参考建议。不只是销售趋势分析，我们把现在常见的分析形态都纳入到分析系统中，例如产品分布分析，想知道现在所有的产品分布里面哪些是卖得最好，更多还有对比分析、环比分析、相关性分析等等。
对客户精细化经营之后，需要做营销活动。营销活动的核心是找到哪些是此次活动的营销对象，这部分可以用自动化建模工具来做。传统营销活动主要是依靠经验法则，由营销人员挑选出营销对象，而利用 AI 模型能力，已经实现自动建模，通过机器学习数据找到真正的潜在客户名单，所以相对于传统方式，自动化建模的营销方式更有效，精准率更高。整个 AI 自动化建模的优点中，最重要还是全自动，包括分析、清洗、衍生、选择、迭代、上线整个流程都是全自动的。另外建模系统中嵌入了最新的双算法，即机器学习、深度学习，同时包含多模态能力，无论是结构化数据还是文本和图片数据，都能很好的应用和处理。 AI自动建模高效率应用的背后是分布式架构，可以应用营销、风控、运营等多场景，同时在部署上也是非常轻量化，可以对接线上 API 接口，定时/批量评分。下面介绍下基于自动化建模的名单策略，利用机器深度学习，为每一个人的营销响应概率评分，根据不同营销目的挑选出最适合转化的客户群体。
例如存量客户有 100 万人需要销售衣服，我们首先计算出每个人的响应概率，根据不同营销目的，会有不同的名单策略：第一种，如果目标就是要卖更多的衣服，我们可以根据响应概率做筛选，假设营销目标 10 万人，就可以从 100 万人的响应概率中，挑最可能成交转化的前10 万人去营销。第二种，如果目标是要实现利润收入最大化，或者考虑 ROI 的效果，这时在模型会生成一个分位表，基于营销目标(预期收益或ROI)，分位表会建议这次要投放多少人，可以达到预期收益或者ROI预期，这是非常科学与精细化的名单投放。第三种基于营销资源限制的排序，例如营销预算有500 万，但是有很多渠道和有很多产品可以选择，此时可以根据营销预算限制，针对每一个客户找到最适合的产品与渠道投放做到利润最大化。
整个客户全生命周期，包括客户获取、客户提升、客户成熟、客户衰退、客户沉默这些阶段，都可以用到自动化模型工具，产出精准名单实现精准营销。例如在客户价值提升期，可以做复购/升级的模型。在客户成熟期，可以做流失预测的模型，或者甚至即使已经流失，可以做沉默客户召回模型，都是利用前面的自动化算法做智能推荐。步骤四：怎么应用口碑营销扩大传播？
口碑营销的前提是口碑，基于前期对客户精细化经营和精准营销后才有口碑。而做口碑营销的方法主要是内容营销，可以利用自有渠道，包括公司的公众号、会员管理系统、合作kol，基于大模型能力生成细致化的营销内容，去做口碑营销。在我们服务的案例中，包括全球领先的护肤、彩妆品牌，时尚鞋服行业的代表，今天分享的这套营销理论，在零售业是比较通用的，尤其现在零售业基本上都从线下门店拓展到线上消费，这是一套比较有效的方式，可以迅速抓住用户种草，抓住用户眼睛，借助人工智能，企业自己就可以做到非常细致化的图文内容，做到口碑裂变。
AI 大模型还是在刚开始起步阶段，存在比较多的问题跟优化空间。包括算法&算力非常消耗成本、缺乏可解释和调试能力、安全风险、部署困难等等。这里重点强调三个问题：第一是可靠性问题，也就是模型幻觉。第二是广度问题，比如在语义理解泛化能力上，可能没办法真的理解你的要问题。第三是回答深度，面对复杂的逻辑推理问题，效果不佳。这是大模型在落地应用中最需要克服的三个问题，现在最流行的有两个方式：一种是做检索增强生成，一个是AI Agent。一般而言，我们可以基于模型的问题对模型进行调整，但其中消耗的算法算力，不是每家企业都可以去做模型调整的，现在比较好的方式，不用调整内部模型参数，可以透过外部的数据增强模型回答的正确性，这叫做增强检索生成，把行业的、垂直的知识放进去。
通过RAG 技术，大语言模型在回答问题的时候，可以从企业知识库中检索最新相关的信息来生成内容，从而提高问题回答的准确性、关联性、新鲜度，而且可以有效解决幻觉问题，同时因为它是用的私有数据，所以可以保证企业的安全，数据安全。
而关于AI Agent，它是一种流程。当问题出来后，AI Agent不是通过提示去缩小答案范围，而是去拆解任务，它原理上是在大模型基础上，增加了规划、记忆、工具使用的能力，AI Agent可以自动理解问题，把它拆解成步骤，然后做一些规划和修正，达到解决复杂任务的目的。
这两种是现在比较主流的方式。在我们面对零售业、银行业时，我们内部也针对模型的正确性、泛用性、深度性做了研究，在这里可以分享给大家。
根据实际的客户需求和反馈，正确性是一个基本和刚性需求，因此如果说基于既有的专家规则或是小模型可以做到正确性，那我们会优先采用专家规则检索或小模型，然后用大模型去兜底。所以说我们不是一开始利用大模型，而是在确保小模型的正确性后，再逐渐去追求泛化和深度。这种方式在泛金融业或零售业内应用效果还不错。
AI 大模型是非常值得期待的，但离大部份场景落地应用还需要非常多的努力，不只是我们，业界都在努力，时间窗口也许就是今年，也许明年，不会太久。
粤ICP备14082021号
免费POC，
零成本试错
