2个案例，讲解AI如何加速全新营销模式的形成

内容来源：2018年1月6-7日，由人人都是产品经理主办“2017中国产品经理大会：解码未来产品经理”活动，朱文伟作为嘉宾进行了主题演讲。笔记侠作为独家活动笔记合作伙伴，经主办方和讲者审阅授权发布。

封图设计 |  Holly   责编 | 苏文炳

 第 1968 篇深度好文：8403 字 | 8 分钟阅读

点此听精华版音频 ↑ 更多精彩内容，还需阅读全文哦~

我今天分享的主题是：如何通过AI加速千人千面，以及营销新模式的建立。

我们先通过京东叮咚的音箱来了解一下人工智能的应用。

叮咚音箱

第一，叮咚音响是智能语音交互上一个巨大的贡献，我们可以通过叮咚音箱实现人类和机器的对话，语音识别和自然语言处理的技术让机器理解了人类的意图，帮助用户实现了点歌听歌的操作。

除此之外，通过和喜马拉雅团队深度的内容合作，这些非常优质的内容也可以通过叮咚音箱来收听。

第二，在京东APP内打开叮咚音响的详情页后，可以看到3D展示的入口，点进去可以看到叮咚音箱的3D呈现。通过触碰和旋转，全方位地感受到音箱的现实模样。

叮咚音箱3D呈现页面

另外左下角有一个AR的入口，点进去，音箱产品的3D模型形态会在现实环境里得到很好地展示，提升你对商品的理解，并且完成购买，提升用户的决策效率（对京东平台来讲）。

这个例子说明：京东已经在整个人工智能领域有大量地涉猎。在2017年年初，东哥（刘强东）在开年大会上介绍了京东下一年的战略，叫科技12年。前12年，京东是一个零售公司，后续是科技公司。

未来京东会做什么事情？

我们在硅谷成立了自己的研发中心，并且在去年和今年相继成立了X事业部和Y事业部。X事业部负责无人仓、无人机、无人车，我们叫“三无产品”，这个是褒义。Y事业部负责整体供应链优化。

我们2018年的目标是，80%以上的商品通过自动化补货，而不是人工下单完成。

所以，今天我会结合AI和营销上的想法以及落地实践的经验，分享我们的一些思考。

数据很重要。我们称现在是人工智能的第三次浪潮，有两个决定因素比较能论证这件事情是可以成功的：

第一个，是计算力。举例来看，英伟达最近两年的股票价格增长是600%，从一家市值一百多亿美金的公司，到现在已经突破了一千两百亿，这是一个巨大的飞跃，得益于人工智能的兴起。

第二个，是数据。互联网在经历了这十几二十年之后，已经把用户的习惯和数据慢慢从线下引到线上。现在互联网时代整体收集数据和清洗数据成本比以往要低得多，我们可以看一下数据的重要性。

这两个图中，左边是现场接收到的报名信息里面，大家工龄的分布，可以看到大部分听众是在五年以下的工作经验。右边这张图是性别分布。

这里面涉及到两部分，第一部分是数据收集，第二部分是数据清洗。 这两张图可以理解为数据清洗的结果，而获取数据，其实是收集的过程。

1.数据收集

① 数据收集的来源

京东拥有我认为几乎是互联网上最完整、最精准、最高、最长完整链条的数据。

第一方面，京东商城一年有大几千亿的销售额，十几万的商家，10亿以上的商品每天沉淀在平台上，有大量的数据可以为整体的后续营销和人工智能建设服务。

第二方面，我不知道大家有没有用过京东白条？实际上像京东白条，包括理财产品，对用户来讲是有非常高价值的数据。

第三方面是物流。今年4月份，京东宣布整个物流子集团成立，意味着京东物流从一个供给自身商城业务，扩展到社会化物流。

我们现在也开始给大量的品牌方服务，可能这个商家在天猫开店，但它是用京东的仓库，用京东的整个物流体系。各个地区行业的数据获取可以更高，当然数据是永远没有止境的。

第四方面，刘强东在开年大会上也提了无界零售。我们现有八家京X计划，包括腾讯、今日头条，都是行业里最大的媒体和流量端。通过整个的数据清洗，让我们的数据更完整。

② 数据收集的原则

互联网真正地采集了大量的数据，这是人工智能的第一战场。在整个数据收集过程里有几个点，是我想强调的：

第一个，数据并非越多越好

如果有些数据是无效的，也不用刻意地生产很多画像。

第二个，没有应用场景的画像没有任何价值

举个例子，比如你喜欢吃核桃，你又打王者荣耀，你觉得王者荣耀知道你喜欢吃核桃这件事情有任何价值吗？他可能给你出个核桃的装备吗？听上去好像没有什么商业意义。

第三个，大部分画像都是一种概率

大部分数据，包括画像，你可以认为它是一种概率。比如，在我们家大部分电商的消费都是我来完成的，我会帮我老婆买一些女性用品，由于我其他行为也不多，可能我就会被定义为一个女性用户。

但是实际上我在很多其他方面的行为并不是一个女性用户，所以它会存在偏差。

第四个，不要过度关心用户，避免用户焦虑

这个在互联网早期比较多，总让用户填一些个人信息问卷，其实很少有人会认真地去填，所以尽量不要去打扰用户。

再举个例子，比如说杜蕾斯很火，我可能算出来了，你两周肯定会买一次。那到点了，我就在APP首页全部推送杜蕾斯，被别人看见，你是会觉得隐私被侵犯的，所以尽量地避免过度去关心。

2.数据清洗

有了完整数据之后，还是要落地到商品的数据、内容的数据、店铺品牌的数据，以及最重要的用户画像上。

我们在有一套标准的体系收集用户整体链路之后，基于画像的过滤和清洗形成了几个维度：

第一个，人口属性

比如你是哪里人？ 现在我们在互联网上都要实名认证，通过你的身份证号可以得到你的性别，你的出生地，这些信息都是比较完整的，但我们绝对是保密的。

我自己也都查不到每个用户的信息。

第二个，用户的属性偏好

你在京东的很多行为，我们会定义为你的品类偏好，品牌偏好，包括商品的偏好，更细分的会在品类上。

以购买力举例：你是买一千块钱的手机，还是买一万块钱的手机，这里会存在一个价格歧视的问题，但这个价格不是说一千块钱的手机卖给你是一千，卖给他是一千五，而是说由于品牌的影响，可能两个商品的差异非常小，但由于我觉得你的溢价能力是比较强的，那可能就会把更贵的商品推给你。

第三个，垂直标签

举个例子，母婴人群。很多人知道备孕的时候要吃叶酸，一旦你在京东买叶酸了，我就知道你可能离怀孕不久了。

我们基于这个用户的行为，可以推算出她在整个母婴过程里面的状态，是在怀孕周期，还是baby刚出生。从怀孕到两岁的过程，我们都定义为母婴人群。

我可以在你的周期里给你推一段奶粉、二段奶粉、三段奶粉，这是一个非常强的应用场景。

第四个，外部标签

最后是我们和京X计划一起获取到的数据。我们会有很多外部广告投放，可以获取到外部的一些用户标签，这是电商所不具备的。

AI可以结合营销场景，做很多在营销上的实际应用。在实际应用中我们定义，AI是解决复杂场景的效率问题。

AI不仅仅是一个用户产品，其实对内部提升运营效率也特别有帮助。我举一个不是那么复杂的场景为例:

案例：京东秒杀

1.资源分配管理成本

我们在2016年年初才开始推秒杀的智能化，最早期是这样做的：每天有十几个秒杀场次，每个场次有50个商品，我们现在有六个事业部，基于每个事业部不同的GMV目标，运营同事把这些坑位一个个分给事业部。

现在通过AI来处理，第一个资源位和第五十个资源位产生的价值是完全不同的，如果是最后一个和第一个来比，可能GMV贡献度只有10%。这会导致资源管理的成本非常高，因为要精确到每一个资源位来看它的效率。

2.资源撬动、激励

从前端运营的角度，必然想把更好的商品放到更好的位置。

比如，三只松鼠，本来卖五折，基于历史销售来看，五折其实不是一个很有竞争力的价格，我希望卖到三折。现在是很难去要求的，因为你给他的资源曝光已经非常固化了。放在第十个坑位就是那么多曝光，只是三折的转化率稍微高一点。

如果通过AI技术决定商家商品的坑位，商家能够通过加强折扣力度提升排序，那么就能够激励商家给出更有竞争力的价格。

3.复杂场景下的用户行为差异

这个例子是跟用户相关性更高的，特别典型。现在是冬天，大部分同学从北京到深圳来，他可能要带很多衣服，因为深圳现在气候不是很寒冷，但是在北京，大家可能都穿着羽绒服。

所以不同区域，用户其实有很大的差异，但不仅在于区域，可能在很多行为上会存在很大的差别。基于单一频道，我们有很多通用的模型，并且基于同一个频道做了一些差异化建设。

第一个，考虑资源撬动的问题。

不仅考虑打几折，还要考虑这个折扣和历史最低价、历史销售的对比；不仅考虑它自身的销售怎么样，还会考虑它在品类里排行如何。

针对秒杀这种强促销的频道，我们会更多地考虑它的销售库存，因为一件卖一百块钱的商品，卖一百件和卖一万件，对频道的价值差异是非常大的。

第二个，看商品的实时效果。

除了正常的数据以外，引入两个基于这个频道特性的数据：一个是预约量，我们会做24小时提前曝光。

看这个商品曝光之后，有多少用户真正关心它，愿意来抢。另一个是售謦率。实时跟进销售进度，销售进度越高，会给一个权重。销售很低的，从销售补充的角度来讲，也会给一些权重。

第三个，最重要的用户的偏好。

除了正常的品类、品牌偏好之外，我们会加上品类协同。可能这个用户在A品类没有什么行为，但我们发现用户在A品类和B品类上，是有一些销售关联度的，以及在某些品类上可能会有复购的问题。

比如你买个手机，一般人应该不会在六个月到半年之内再去买第二台。这样的商品我们往往会给它做降权。

基于这些模型，我们去做整体点击率和订单转化的优化，看哪些效率高，哪些效率不高。基于一个运营场景，比如针对618、双11、优惠券等这样强促销的频道，我们会给出不同的解决方案。

因为大促期间用户的行为差异很大，我们会基于去年618或者去年双11的数据，做专门的模型训练，让用户在这个周期里面的行为表现，更趋向于我们预测的现实结果。

可能有人觉得秒杀或者像淘宝、聚划算、淘抢购，它的促销信息太强了，好像AI在里面也起不了什么效果，但从我们实际结果上来看，整体提升率能到30%。

秒杀在双11周期里面，11月1号我们的销售额突破了一百亿。通过AI这个模型的优化，提升30%是一个非常大的量级。

哪些场景可以借助AI解决？

第一个，从运营端来看，人的数量永远是有限的。

秒杀频道有接近100号员工，这是一个非常大的量级。 京东内部的活动，每天线上有5000个，如果一个人负责一个活动，也要需要5000个人，这个规模是不能再去扩充的。

第二个，在京东这样平台，包括阿里，很多资源和流量都是按品类来管理的，每个品类都有销售额KPI，当它做活动的时候，比如生鲜做活动，是不太可能卖家电的。

结合这样两个场景，我们去看有没有办法提供一种更场景化的链路，来完成AI赋能。

案例：准备婚礼

在操办婚礼的时候，有很多事情要做，可能会买家电，要装修房子，可能买喜糖，都是一些跨品类的非常长链路的行为。有没有办法把很多场景通过一个机器挖掘出来，再通过自动化的方式有效组织，以非常简化的结构推荐给用户。

在这个过程里，有一些问题是必须要解决的。

第一个问题，场景怎么来？很多场景很细分，而且几乎很少有一个运营懂全局。

第二个问题，内容怎么来？场景里面有很多商品，有很多内容，总要有一个地方来确定这个规则去选品。

第三个问题，头图怎么来？页面里会有个头图，它是一个氛围图。怎么生成？ 以及整体页面结构，页面样式怎么确定？

考虑到这个场景确实非常大，我们最后的结论是让机器来完成所有的事情。

如果场景数量是一个非常可控的量级，比如说50个，可能有几个运营同事就可以搞定了，但当整个数量达到5000甚至更大的时候，人的力量是非常有限的，不可能为了这个频道去招一千个人，从公司整体效率上来讲也是不可行的。

同时所有的场景都在动态变化。举个例子，比如叮咚音箱，包括小雅音箱，它也是一个场景，但这个场景可能在最近两年才起来，明年可能有另外的场景方向，这是需要一个动态调整过程的，我们希望整体过程都是可以机器化生产的。

场景怎么来？

我们把这件事情真正地交给机器，清洗了大量底层的数据，把所有的商品、内容、店铺、商家、达人标签化。然后去看所有用户的行为，搜索行为，访问行为以及去扒全网的，比如百度上热搜，今天发生了什么变化，以及去看不同的人群。

总会有那么一群人，他的行为是领先的，我们称他为达人。他可能先穿着这件衣服，由于他穿着这件衣服就引领时尚了。这些人在京东的行为是怎么样的，我们希望可以把它聚类出来，形成一个场景挖掘。

到现在我们挖了至少上千的频道、场景出来。但是频道、场景挖出来之后，至少要输出到前端给用户。纯粹的后台数据是无法完成这个事情的，所以我们又设计了一个机制叫场景生成器。机器挖掘结果出来之后，提交给人，这个人负责总结频道的名字和副标题。

我们知道，百度、京东、阿里可能都在做AI写作，我们在内容生产上也做过很多这样的尝试，发现效果确实不太好。

它写出来的东西特别是这种短标题，往往是人无法理解的，或者它可能是一个纯粹的品类词，场景感非常弱，所以现在我们这部分是人在做的。确定名字之后，内容质量是人可以理解的场景下，我们会调用整个的场景频道服务。

场景生成器的作用

第一，判断品类特征，找到适应它的结构。比如我买快消品，你买可乐，几乎没有人会去看商品详情页，大部分人是在列表加购，但是你去看3C商品，买手机的时候不太可能搜iPhone直接加购，这个决策成本是不太可能在这么短的链路里完成的，我们基于这种不同场景会生成不同的页面结构。

第二，抓取场景下内容自动生成头图。京东内容生态已经生产了大量的内容，在这里面，我们抓取合适这个场景的图片，结合标题生成头图。

第三，基于机器学习方法召回排序。基于前面挖掘的结果，通过一系列召回策略，生成一个频道，并且把它投到线上。

AI不是一蹴而就的，从前面的增长数据来看： 

第一，需要经过大流量的验证

AI除了数据以外，就是计算。通过流量的验证，可以收集到大量的用户行为数据。

这个和AlphaGo是不太一样的，AlphaGo的规则相对简单，只要告诉它怎么下是合法的，怎么样算赢就可以了。所以在10月份的时候，当DeepMind团队宣布了AlphaGoZero通过40天的自我学习，没有接受其他任何在网络上收集的棋谱数据，就打败了原来的AlphaGo Master。给它数量只有两个，第一个，下棋的规则。第二个，怎么算赢？它不断地自己和自己下。

我所说的很多人都无法想象的一些策略，但是在电商的领域，或者大家面对很多To C用户的时候，用户的数据才是价值，这是需要强输入的。

第二，基于用户体验

还是举前面的例子，几乎不太会有用户希望自己被推荐出来杜蕾斯。当别人看见的时候，发现你跟我用的是一个牌子。所以有些场景机器是不了解的，但是人了解，这个体验需要人来设定规则去做控制。

第三，业务的平衡

大家都知道京东的强项是3C，是家电。如果任由机器去做，导致的结果可能是你看到的永远都是3C，都是家电，因为从GMV产出来讲，这样的品类效率是最高的。

比如，买一台iPhoneX，现在是一万块钱，但买生鲜的客单价可能就是一百多，这是无法相比的。所以在这里面我们要考虑更多的业务场景，包括品类的均衡。

在用户看到的时候，不仅是体验，也是业务因素，要给他更丰富的品类，以及当一些品类新出来的时候，比如京东的7 FRESH（京东7 FRESH生鲜超市）刚开张，像这样的新品类，如果不靠一些战略扶持，冷启动是非常难的。

京东7 FRESH生鲜超市

因为没有任何的用户偏好，用户没有任何的行为，更谈不上品类协同，这就需要一些人为的加权来做干预。

整体上，如果我们只是做单点的研究去推荐，那么AI这件事情其实就失去了价值。

因为这样的话需要基于所有的场景做独立化训练，实际上并不用。可以把它建成一个平台化的能力，让它可以应用到更多的场景，我们建设的平台叫京东营销投放平台。

它集成了基础的个性化推荐、精准投放、业务补充和自动化运营能力。

简单的以精准投放能力为例，对于7 FRESH，在APP里，只有当你在那家店周边三公里它的可配送范围内，我们才会把入口开放给你。

有很多很复杂、很繁琐的事情，包括一些业务信息的补充，异常过滤，算法的分流，数据的清洗，这是一个持续优化的过程。我们通过这个平台建设，赋能到更多的业务场景。

现在通过京东营销投放平台覆盖到的APP的首页，PC的首页，618大促活动，包括一些三超的品牌活动，通天塔，优惠券频道等，这些场景可以非常快速地接收，包括前端的埋点、数据清洗的整个过程。

当然很多时候我们提供的是一些比较通用的模型和方案。当一个大流量的业务需要做深度优化的时候，我们也会基于这个场景去做完整的深度链路的优化。

我们在做AI建设去影响营销过程的时候，到底发生了什么？我用三个关键词来总结。

第一个，规则化

传统的营销模式，是基于人对流量和资源位的管理，但是类似于东家小院这样的频道，它是形成一个规则，人是不需要参与的，或者说人在里面起到的是监督的作用。我知道什么样的商品能进来，什么样玩法的内容可以参与。

第二个，开放化

由于自动化引入，人的效率大大提升，或者说人可以释放出来了，营销曝光的资源更多了。京东现在有16万商家，大量商家可以参与。可能在原始的运营模式里面能参与的商家只有头部，我们正常一个采销管理的商家在500到1000左右。

在这个规模里，最多20%的商家可以在整个京东营销资源流量里去玩，剩下怎么弄？自己去做搜索，可能这是唯一活路了，或者去卖广告。通过规则化的实施，更多商家可以参与进来。

第三个，个性化

前端流量效率的提升，伴随而来的是销售越来越长尾。京东从最早卖手机、卖家电这种标准化的东西开始向生鲜、向时尚这样的品类去做，核心的因素就是，在大流量下用户的需求差异化非常大。

而京东自身特别是做自营，其实做不过来。京东自营现在的SKU种类也就一百多万，加上图书可能有200到300万。但是用户的需求是永无止境的，十几亿的商品才能真正地满足，可能这个量还不够。

基于不同用户个性化需求，可以让很多细分领域的商家存活下来，在这个平台更茁壮地成长。

笔记侠爆款好文推荐：

曾鸣：看十年，势在哪？干一年，点在哪？| 附完整PPT和视频

叶茂中：一流营销制造冲突，二流营销发现冲突，三流营销寻找冲突

贝佐斯：亚马逊为何成功？23年只坚持3个原则

笔记侠实力好课程：

↓↓一堂用得上的商业课，没有一滴鸡汤 ↓↓↓