神策数据黄震昕：大模型助力营销智能化升级

facai369 2024-10-15 科技 935 次浏览 0个评论

近日,2024 云栖大会在杭州成功举办。神策数据黄震昕在大会“产品生态伙伴专题:开放创新,共生共赢”以“大模型助力营销智能化升级”进行了主题演讲,探讨和展示了神策数据如何通过 AI 与 Data 的深度合作,助力企业实现业务模式创新、运营效率提升和市场竞争力增强。通过智能化营销能力,实现高效、可持续的增长。以下为演讲实录:

神策数据黄震昕

神策数据作为一家大数据分析及营销科技服务商,主要业务聚焦在 CDP、数据分析及智能营销,因此在 AI 大模型方面的探索也与此紧密结合。

神策数据自成立以来一直保持着业内领先地位及前瞻性,目前业务已覆盖 30 多个主要行业,已服务客户 2000 余家,包含近百家 Fortune 500 公司及近千家上市公司。

技术上,神策数据帮助客户结构化的行为数据,日处理新增数据量超过 2500 亿条,可匹敌大厂 C 端用户量级。从 2015 年成立至今,神策数据在数据分析及营销策略方面积累大量方法论,是行业标准定义者,牵头制定企业数智化能力成熟度标准、A/B Testing 技术标准、营销自动化技术标准、CDP 技术标准、大数据用户行为数据分析技术标准、企业数据安全治理标准等 45 个营销科技相关专利,也在不断思考如何将自身技术与 AI 相结合。

一、 AI 大模型革命浪潮与神策数据业务领域

神策数据接触 AI 及机器学习较早,和 AI 结合最初的产品线是神策智能推荐。神策智能推荐专注于赋能业务增长,以用户行为数据为基础,采用深度学习等先进的机器学习算法,帮助企业构建智能物品分发中心,实现对用户“千人千面”的个性化推荐,改善用户体验,持续提升核心业务指标。然而由于定制化需求过高,没有成为大规模、标准化的产品线。ChatGPT3.0出现后,神策数据团队在 AI 与数据分析的结合方面做了很多测试,但效果仅能达到 Demo 环境下的水平,无法支持真实环境。

ChatGPT4.0 的出现带来了新的可能性,神策团队针对大模型在数据分析方向的能力再次测试,发现效果得到大幅提升。在此基础上,神策数据展开了更多探索,也尝试了更多应用场景。在技术成熟度和商业价值的综合考量下,将 AI 正式提升为核心战略。

二、神策数据的理念升级

神策数据一直是一家理念先行的公司,在过去九年间完成了经营理念从“重构数据根基”到“打造数据闭环”,再到“AI + 编排客户旅程”的升级。

从互联网时代到数字化时代,从流量红利到触点红利,企业的经营需求也从「深度的用户行为分析」转变到「个性化、全渠道一致的客户体验」。客户旅程编排(Customer Journey Orchestration,客户全生命周期交互体验管理,简称 CJO)关注的正是客户全生命周期的体验管理。

客户旅程从客户体验出发,关注客户需求、感受和满意度,相比较业务流程从公司内部视角出发,关注效率、成本控制和一致性,更能匹配数字化时代企业在客户经营场景中的迫切需求。

为了帮助企业加速落地 CJO,实现全渠道统一客户体验,提升客户满意度与留存,提升 LTV 和运营效率,神策数据总结出 MTAOO 方法论,包括绘制(Map)、埋点(Track)、分析(Analyze)、编排(Orchestrate)、优化(Optimize)五个阶段。在客户旅程编排的过程中会遇到很多困难,比如如何梳理复杂流程、埋点及营销策略如何升级等。而神策数据当下要解决的,就是如何使用 AI 来提升客户旅程编排的效率和效果,让其更简单、门槛更低。

三、神策数据客户旅程编排实践

以神策数据服务过的某国有大行为例,该行董事会层面提出了“零售 + 科技”的战略,核心发展目标为月活增长和 AUM 提升,而在客户体验、业务流程、数据基础等方面相对薄弱。现有的粗放式数据分析和运营方式不再满足业务运营的需求,因此,亟需制定数据驱动的业务增长策略,体系化、精细化地支持手机银行业务的持续发展。第一步,搭建 CJO 运营引擎能力;第二步,跑通基客客户旅程经营闭环;第三步,接入特色客群客户旅程。总而言之,需要基于数据反馈不断的进行提升与迭代,让整个客户旅程变得越来越好。

在以上客户旅程编排过程中,神策数据一直持续对其进行调优。在如此繁重的工作量前,并不是每家企业都能像国有大行一样投入大规模的人力。神策数据在过往对 2000+ 家客户服务过程中,积累了丰富的实践经验,总结出方法论。这也促使我们思考,如何以 AI 的方式,将所有环节转化的更高效、门槛更低。

四、神策数据 + AI:认识性能边界

在将神策数据本身能力与 AI 结合过程中,我们主要遇到三个问题:

1、模型性能问题:也就是幻觉问题。神策数据是一家以数据分析为基础的公司,数据相关场景都比较严肃,需要考虑如何在产品设计中减少幻觉问题的影响。最终采取以大模型和 Function Call 能力相结合的方式,来提高用户体验。

2、模型成本问题:追求更高性能的大模型通常意味着更高的计算成本。这直接关联到金钱成本和响应速度。

3、响应速度问题:在用户界面上,可以通过设计加载动画、进度条等元素来提高用户对等待时间的容忍度,从而在不牺牲响应速度的前提下,优化用户体验。

面对这些问题,首先是对使用场景做穷举,以大量测试探索目前大模型的边界。之后将神策分析和策略设计的方法论及案例库融合进 MTAOO,打造出三款神策数据 AI 产品:客户旅程 GPT、数据分析 Copilot 及用户运营 Copilot。

神策数据此前围绕客户旅程编排,构建了三大引擎产品体系,为客户提供更全面、更高效、更贴近业务的产品与服务。

客户数据引擎,即客户数据平台(CDP),对应神策数界平台(Sensors Data Horizon),除了具备全域、实时、灵活圈选三大必备能力之外,神策数界平台还拥有突出的高性能查询能力,通过整合多源数据、关联全域 ID、扩展多实体的数据模型、构建客户分群和标签,同时结合丰富的数据加工方式和数据输出能力,为业务分析洞察、自动化营销等场景的全域客户经营提供数据基石

客户旅程分析引擎,即神策分析(Sensors Analytics),除了具备全域、全链路、实时和灵活的四大核心能力之外,神策客户旅程分析引擎面向多角色提供可视化的数据分析能力,支撑企业从客户到经营,从 “人” 到 “场” 的全视角旅程分析与决策。

客户旅程优化引擎,即神策智能运营(Sensors Focus),作为客户旅程编排的 “发动机”,囊括受众服务、用户旅程服务、内容决策服务、触达通道服务四大组件服务能力,支撑营销过程中的营销受众圈选、触发时机选择、营销内容决策、触达渠道对接,助力企业更高效地经营客户。客户旅程优化引擎集合实时、灵活配置、高并发、开放性四大必备能力为一体,拥有聚焦核心能力、低接入成本、全链路可控三大竞争力。

神策数据三大引擎之间包含很多数据流联系,并在 2023 实现引擎之间互相由 Open API 打通。在进行 AI 升级后,由客户旅程 GPT 对应客户旅程优化引擎,包含客户旅程设计及埋点环节;数据分析 Copiot 对应客户旅程分析引擎;用户运营 Copilot 与三大引擎都相关。

神策数据的三款 AI 产品,正式借用了 Open API 的能力,也提升了研发速度。

五、神策数据 AI 产品矩阵介绍

1、客户旅程 GPT(Jtracking AI)

客户旅程 GPT 主要功能即为 CJO 提效。以实际操作为例,用户可以将产品截图、访谈纪要、功能描述甚至 Web 网址进行输入,客户旅程 GPT 后台会使用后台爬虫进行数据抓取,通过大模型生成客户旅程,提取核心指标,进而生成埋点事件。埋点事件生成后,还可以 AI 自动生成埋点代码,并自动直接插入到各种开发框架中,高效地实现用户行为数据的跟踪与记录,减少跨部门的沟通,并自动完成埋点校验。

这里最重要的是神策数据的方法论及案例知识库。神策数据通过 RAG 的方法,以过往几千家客户实践下来的模板库及知识库来支撑其运行。在实践中,通过多轮自然语言对话,可使客户旅程 GPT 最终生成的客户旅程及埋点文档达到资深分析师水准,实现真正可用、效率倍增。

客户旅程 GPT 在实践中,可通过多轮自然语言对话,使最终生成的客户旅程及埋点文档达到资深分析师水准,实现真正可用、效率倍增。

 效率提升 5 倍:简化流程,减少内部沟通复杂性

 最佳实践赋能:融合神策数据最佳实践,确保一体化生成与执行的一致性,一步做到位

 易于拓展维护:支持随时自主增加埋点,灵活应对需求变化,同时保持系统的易维护性

客户旅程 GPT 是融合了神策数据 2000+ 客户的旅程、指标、埋点的最佳实践。

2、数据分析 Copilot

在当今数字化时代,将用户的自然语言问题转换为SQL查询(NLP to SQL)对于降低访问关系数据库的门槛具有重要意义,但在实际测试中很难达到真正投入使用的状态。这相当于使用大模型去做“填空题”,会导致开放度过高的问题。

数据分析 Copilot 可直接对接神策分析界面,相当于进行降维处理,通过自然语言查询,直接将事件分析模型跳转过去,从”填空题“变为”选择题“,让数据分析 Copilot 产生的数据分析结果可理解、可信任、可调整。

数据分析 Copilot 也是智能洞察业务数据的数据解读助手。很多客户会要求神策数据资深分析师做每周的数据分析报告,甚至要求高于这个频次。而数据分析 Copilot 以神策数据方法论融合 AI 大模型能力,以神策数据最佳实践和案例作支撑,通过自然语言交互完成高效的数据解读,实现行业最佳实践支持,并具备多行业适用性。