人工智慧行銷的六大入門訣竅

4 min read

顧客互動

數位廣告

如今，人工智慧已不再是難以觸及的尖端科技，而是成為了數位行銷領域中日益普及的主流技術。從新創公司到大型企業，越來越多組織開始選用人工智慧數位行銷工具，以增進廣告策略和決策品質。近期一項研究指出，51%的行銷人員已開始使用人工智慧，另有27%正準備將這項技術納入其數位行銷策略中。

對於尚未進行相關投資的企業而言，現實中存在的障礙是讓其猶豫不前的主要因素。管理顧問公司McKinsey的調查顯示，這類企業面臨的難題不外乎內部數位化程度不足，以及缺乏推動相關業務的專業人才。此外，對於人工智慧及其應用一知半解，也是導致部分公司遲遲未導入該技術的原因。

其實，人工智慧在數位行銷領域中的應用潛力十分多元，但關鍵在於企業要從哪些面向著手。以下列出六個可行性高、有助於增加企業長期價值的熱門應用。

最佳化廣告支出

廣告效益的存在與否，需視企業透過廣告賺取的利潤是否高於支出而定。因此，在致力於改善行銷活動的同時，企業勢必得針對個別顧客分析其價值，以避免投入的獲取成本高過顧客本身能帶來的營收貢獻。

而深度學習這類人工智慧技術，便可幫助企業大量分析使用者行為進而區隔顧客。這意味著企業無須再仰賴傳統的人工作業流程，針對10-20種或更多種顧客類型一一進行試錯分析。另外，深度學習還能精準預測一百多萬種顧客類型的轉換率，以及其各自對應的廣告投資報酬率，讓企業能夠辨識並鎖定最具成本效益的行銷對象。

另一方面，人工智慧還有助於探究使用者是否會購買的意圖及興趣，從而幫助企業針對高價值顧客規劃相關商品的行銷活動，以進一步提升廣告投資報酬率。根據Appier的資料，人工智慧的產品推薦功能可有效提高10-20%的顧客轉換率。
落實跨螢行銷

目前使用多種裝置的消費者不在少數，因此，如何透過有效的管道（裝置）與顧客保持互動，便成了一項十分棘手的課題。如何拿捏應在哪個時間點、經由何種裝置（桌上型電腦、平板電腦或智慧型手機）與消費者進行互動，以及如何確定顧客在從事某行為時所慣用的裝置（在┌筆電瀏覽然後透過手機下單），都是企業接下來勢必會面臨的挑戰。

人工智慧不但有能力解決上述問題，還可協助企業精準分析使用者的「跨螢」行為。人工智慧可監測並了解顧客在不同裝置上的購物習慣與行為，以精確描繪出該使用者的單一顧客樣貌，並藉此連結對方與其擁有的多樣裝置。根據上述洞察，後續便能在適當的時間點、透過適當的裝置與適當的對象進行互動，並且按不同接觸點調整行銷活動。
提高應用程式使用者的終身價值

有四分之一的使用者在用過應用程式一次後便棄置不用，如何持續吸引使用者、使其保持高度興趣，變成極大挑戰。

過去在判斷某應用程式是否受歡迎時，往往會以下載數量和安裝次數作為評估依據。然而，更具價值的指標則是使用者和應用程式間的持續互動及顧客保留率。畢竟，唯有完成訂閱和購物等應用程式內事件的使用者，才會有持續消費的可能性。

與其仰賴人類過去的經驗和猜測，來尋求最有價值的應用程式使用者，不如改用深度學習技術精準鎖定這類客戶。這項技術不但有助於從源頭降低詐欺安裝數，更可透過點擊數和應用程式內事件等指標分析消費者的使用模式。不僅如此，深度學習還能根據第三方資料，解析顧客在外部網站的瀏覽行為，以藉此辨別哪類使用者最有可能留下並完成轉換動作。隨後，企業便能按分析結果將資源投注在這類顧客身上。
搶攻荷包占有率

根據80/20法則，企業有80%的營收來自其20%的客群。因此，針對現有顧客進行再行銷一事可說至關重要。

行銷人員可透過機器學習制定個人化的商品推薦，以藉此提高其品牌的荷包占有率，進而增加現有顧客的消費意願。在提供個人化商品建議時，機器學習技術並非以預先定義的規則作為判斷依據，而是將源自於第一和第三方來源的顧客歷史資料進行整合，從中挖掘出顧客在企業所屬管道之外所表現出的偏好及興趣。

這些洞察能夠根據顧客的真實喜好，提供超個人化的商品推薦訊息，並且有望為企業帶來6-10%的額外收益。
改善顧客體驗

要培養黏著度高的忠誠顧客，光靠出色的客戶服務並不足夠，而須建立卓越的客服品質。雖然要實現這一點並不容易，但在人工智慧的協助下，此目標並非遙不可及。

應用廣泛的聊天機器人能讓企業透過即時的互動體驗回覆常見的顧客疑問，解決「顧客不喜歡等待」這個難題。而全天候服務的聊天機器人意味著客戶可按其需求隨時提問，並藉此獲得所需的答案。

人工智慧的預測分析功能還有助於打造個人化的商品推薦，並在與顧客互動的過程中提出相關建議。此外，企業也可運用自然語言處理技術，分析線上聊天室、電子郵件、電話、顧客關係管理系統，以及社群媒體中的歷史和即時資料。這不但能反映出目標客群感興趣的事物，還有助於企業掌握其情緒，例如感到「滿意」、「沮喪」、「興奮」等等。
預測並防止顧客流失

顧客流失率是品牌最常面臨的挑戰，即使每月的流失率只有3%，但一整年累計下來的流失人數仍十分可觀。更何況取得新顧客的成本，要比留住現有顧客的成本高出五倍之多。

在處理顧客流失率相關問題時，傳統上會採取回溯式的應對方法。也就是先進行調整和變更後，過一段時間再回頭檢視這些手段是否有效。

不過，機器學習可讓行銷人員少走一些冤枉路，並藉此預測哪類消費者的流失率最高，以及其最感興趣的事物為何，以採取相應措施防範顧客流失的情況發生。例如，針對特定的流失指標設定警示機制、根據「休眠狀態」使用者的最新興趣量身打造合適的行銷活動，或者稍微調整廣告規格和內容以迎合顧客偏好。