随着市场和需求的驱动，营销自动化技术已日渐成熟。在品牌主的日常运营中，运营专家凭借着对自身业务的理解，利用MA，CDP等数字化平台和工具，尝试区分不同的人群，并希望为不同价值的客户设计不同的营销策略，这些策略基本可以用“硬规则”来满足。例如，新注册的会员7天内如果没有发生购买平台会自动发放全品类88折券，在大促活动期间根据用户加车等组合行为自动派送固定优惠券。
然而品牌业务会变化，消费者行为也会发生改变，所以运营专家们依然需要花比较多的精力和时间来维护和升级这些策略，Convertlab曾在数智化分享的案例中描述过这么一个现实---12个人12个，维护了12个业务场景的营销策略，带来了一些GMV的提升。
当大家想着进一步提升销售指标的时候，就需要用更复杂的策略，而考虑更多变量的策略是「人力经营策略」无法维护的，例如希望不同消费者打开的活动页面都是个性化的产品清单；消费者在某一个最有可能购买商品的时间内，回到小程序时立即推送最适合他的折扣券；这些真实存在、又理想的营销策略背后必须依赖AI算法驱动。
算法通过学习消费者的历史行为数据，训练匹配业务场景的AI模型，并嵌入自动化营销策略中。如果有了这样的一套数据智能引擎，就可以辅助业务专家不断优化营销策略，进一步提升营销业务指标。也可以为消费者带来更好的个性化用户体验。
同时品牌方将算法模型持续集成到业务后，AI需要有自适应的能力，根据不同场景的需求自动训练自动测试并快速发布到业务环境。运行这套数据智能引擎的底层是弹性的云计算的资源，成本是可控的。在实际案例中，我们通过跟品牌方合作，利用数据分析和AI算法，产出了32个智能场景策略，GMV也获得了进一步提升了。同时还降低了人力成本，维护这些策略差不多缩减至了8个人3个月。
成功的「运营决策」如何持续
AI决策可以复制成功吗？
Convertlab认为数据决策的创新一定是可以复制的，但是面临很多问题。
因为从大的领域来讲，企业怎么经营好数字化的消费者这个命题，光说算法不够，企业自己就面临大量的重组。企业IT部门和数据部门割裂，业务部门的售前、售中和售后又是割裂的，市场部也可能存在割裂的。在这种割裂的组织下，很难去真正以消费者为中心经营的，因为各种信息都是割裂的。
所以大的挑战在于「企业需要在内部的组织结构上做一定的重新调整」，从以生产制造为中心，变成以消费者经营为中心。
在大量的消费流、数据流的情况下，专家诊断然后决策只是一个业务运营的思路，但是无法变成一个可持续执行的链路，必须通过数据+算法，才能够使企业具备足够的平台支撑能力。专家的意见很重要，专家能够指明我们需要思考的方向和一些重要的消费者特征，但是个人，人力有所不逮，人不能去穷举所有的可能性。
在这种情况下，数据智能一般是结合人、数据、算法，去构建一套整个数字化闭环的系统，来完成整个的闭环迭代。从数据到诊断到预测到执行到反馈，整个过程要通过系统来支撑起来。
数据智能能够帮助
企业在数字营销中获得什么？
Convertlab服务企业营销数智化已经走进第八个年头，可以帮助各行业的企业，提供整个营销域的解决方案。不同行业的客户有共性，也有不一样的地方，比如快消和耐消，比如零售和奢侈品又不一样，但是总的来说，大的领域是很接近的，很多算法应用是一样的，这个数据智能发挥作用提供了空间。
在一个人人都在说AI智能的时代，企业营销需要一个机器学习计算平台显得格外重要。这个平台的功能包含了：模型的管理、训练，工程化的实验机制，推理的过程，算法模型的构建，以及feature-store等所有和机器学习相关的场景。
从数字营销角度，数据智能可以带来，比如：归因分析——从不同渠道的营销结果，如何有效归因？企业在做「推荐」过程，如何选择最佳时机，在什么时间点跟消费者沟通有可能产生复购。
除此之外，客户生命周期价值挖掘——怎么评估花了100块钱引流进来的客户，可以产生多少的全生命周期价值，企业可以得到多少回报；消费者在一个消费生命周期中什么情况下，有可能升级到向另外一个递进的周期中。
这些都是具体业务问题，在机器学习计算平台都会被转化成算法问题，并进行处理和训练，得出一个由基于数据智能推演的结论，帮助企业去做决策，从而获得营销的增长。
如果企业在转型里也分不同等级，L1、L2、L3、L4、L5，企业有可能在L1、L2可以暂时少考虑一点算法，稍微要考虑一定的数据，企业的执行闭环以消费者为中心构建起来，先完成数字化、策略化。在L3、L4要逐步开始利用数据洞察影响到商业决策的时候，通过消费者数据闭环流动不断进行，同时有一定算法基础以后可以做到L5，在各场景做数据智能算法的引入，从而做到AI赋能数字营销。
Convertlab数据智能2023
如何帮助企业实现营销智慧化？
8年的成长，ConvertLab在整个行业里面与大量的客户一起合作，通过业务场景来解决客户业务价值问题的实操过程。
很多头部企业由于实际运营面临的问题，场景随时可以实施，但是场景一旦精细化，好像总会出现人力是不够的，支撑不了多场景的落地。到目前的阶段，Convertlab已经积累了泛行业的，包括特定行业的大量的业务场景，以及该业务场景能够产生什么价值。
Convertlab数据智能已经做了一些算法和智能化的尝试和演进，并形成了一套主要的分析方法。
一个业务场景究竟对数据的需要是什么、需要的业务诊断是什么、需要算法怎样去支撑业务场景更加智能化以及更加细致化的运营。根据已知成功案例的场景，逐个的把高价值的场景推演出来，并判断哪些场景是适合用算法的，应该用什么算法，什么情况下该适用。
Convertlab正在做智能化的实践，目前已经得到了很好的效果。
迄今为止，Convertlab已与亚马逊云科技在零售行业合作了不少智能化营销的客户成功案例。以某世界500强零售企业为例，帮助客户进行了基于AI决策的业务创新，数据业务的人力投入从12人减少到8人，项目上线周期从12个月降至3个月，实际产出从13个营销场景增加到32个场景，电子渠道商品交易总额（GMV）比例从2.95%提升到6.34%，只需原来 20%的成本投入，就实现了240%的策略产出和200%的KPI提升。
此外， Convertlab帮助中国某知名家电企业构建了动态全域智能营销模型，使用AI动态权益确定当前每个客户对权益的喜好，圈选推送人群，相同场景下的营销活动短消息点击率增长75%。
一款好的营销云必须满足闭环执行能力，凡是无法完成闭环，它永远是割裂的，就是无法产生价值的连通性。这些执行、客户的信息，必须能够汇总到一起，并且形成一个统一的对客户的理解和洞察。Convertlab业务型CDP——Data Hub，行业旗舰MA——DM Hub，帮助企业完成数据增值，而Convertlab AI Hub便是Convertlab营销云中另外一个必不可少的、可集成、可持续学习的数据智能引擎，将帮助企业更高效、量化的提升数据的应用。
考虑到我们的未来，当我们的策略越来越多的时候，超出人力所有的极限，我们认为长期来看数据智能算法能力，必然会成为整个营销云的核心的支撑能力之一。它就不再像以前说的那种束之高阁的AI，「数据智能」会像水电煤一样，企业到一定阶段必须用到AI、用到算法去支撑它的业务，而且这个「支撑」长期来看是低成本的且可持续的。
欢迎大家关注Convertlab AI Hub，开启数据智能2023。
撰文：Convertlab 联合创始人兼CTO：李征
Convertlab AI Leader：杨波
Convertlab AI Hub产品总监：杨龙
Convertlab 品牌与内容负责人 李勇
排版：大图