营销中的归因人工智能

Attribution AI in marketing

归因人工智能作为智能服务的一部分，是一种多渠道算法归因服务，根据特定结果计算客户互动的影响和增量影响。有了归因人工智能，营销人员可以通过了解每个客户互动对客户旅程每个阶段的影响来衡量和优化营销和广告支出。

一、什么是归因人工智能

归因人工智能用于将信用归因于导致转换事件的触及点（touchpoint）。营销人员可以使用这一点来帮助量化客户旅程中每个营销触及点的营销影响。触及点的例子包括显示广告印象、发送电子邮件、打开电子邮件和付费搜索点击。

归因人工智能输出可以在不同维度上进行分离，并可以在客户旅程的不同阶段使用。这是在不需要将业务需求转化为机器学习问题、挑选算法、训练或部署模型的情况下实现的。

归因人工智能数据可以来自特定软件的数据源或其他数据源。

归因人工智能支持两类分数，算法和基于规则。算法得分包括增量得分和受影响得分。基于规则（模型）的分数包括第一次触及、最后一次触及、线性、U形和时间衰减。

二、归因人工智能原理（以市场归因为例）

归因人工智能是如何运作的呢？我们的目的是要在各个粒度上，对级客户（购买/决策）旅程中每个营销接触点的营销影响进行量化和可视化。

以下图为例，我们触及客户有两个方式，一个是主动触达，包括付费关键字搜索、免费登陆、发送邮件、点击邮件和付费点击品牌关键字；另一个是被动触达，包括屏幕展示印象（电影，电视机，户外广告）、发送邮件和打开邮件。以下图为例，当我们最终触达到客户的时候，总的付出的费用是250美金（客户最后购买的是500美金的成交订单）。那么，人工智能如何帮助我们在客户购买（决策）的旅程中识别无效/低效触达点（touchpoint）呢？如果我们能够通过分析这些不同的触达点的数据，我们是否可以将我们的营销开支用于不同的触达点呢？答案是显然的。特别是有的大公司，营销部门会安排不同的团队负责不同的渠道营销宣传工作。

归因机器学习主要有两大类

一个是基于算法的增量分数，一个是基于规则的被影响的分数。

关于AI积分，定义人工智能和对人工智能是如何计算分数的呢？

Attribution AI 用于将点数归因于导致转化事件的接触点。营销人员可利用此功能，促进量化客户历程中每个营销接触点的营销影响。接触点示例包括显示广告展示、电子邮件发送、电子邮件打开和付费搜索点击。

Attribution AI输出可以跨不同维度进行分隔，并可在客户历程的不同阶段使用。这无需将业务需求转换为机器学习问题、选择算法、培训或部署模型即可完成。

Attribution AI支持两类分数：算法分数和基于规则的分数。分数包括增量分数和影响（规则）分数。基于影响（规则）的分数包括 First touch、Last touch、线性、U 型、时间衰减。

Florian Duetto的AI分数

Florian Duetto的人工智能得分是一个很好的衡量项目人工智能地位的标准。它由四个类别组成：感知、学习、互动和复杂决策，每个类别都以0到2的评分标准进行评分。感知计分为二分之二需要处理音频或视频数据的能力，而学习可以从使用静态规则到不断复述。互动范围从与人类的直接互动到高级对话人工智能，而复杂的决策范围从简单的决策到构建复杂的战略。

基于AI算法的分数 VS 基于规则（影响）的分数

Alexa数据是一个很好的例子，说明一个项目在所有四个类别中都获得了二分之二的分数。另一方面，Alexa在所有四个类别中都得了1分，这使其成为具有中等人工智能能力的项目的一个很好的例子。Hot Tub，Not Hot Dog，是一个可以识别某个东西是否是热狗的人工智能项目。它在所有四个类别中都得了零分，这使它成为非人工智能项目的一个主要例子。预测性维护是一个实现的例子，它在人工智能得分上得了零分或一分，但仍然可以产生显著的业务收益。

影响力得分是衡量个人或实体在特定领域的影响力和声望的有力工具。通过量化你的影响力，你可以做出明智的决定，制定有效的策略，并最大限度地扩大你的影响力。

计算影响力得分涉及各种算法和方法，这些算法和方法考虑了社交媒体的存在、参与和权威等因素。这些分数可以衡量你的影响力，指导战略决策，并帮助你确定关键参与者和潜在合作者。

不同的平台和行业有自己的衡量影响力的方法，比如学术期刊的特征因子得分。与原始引用计数相比，这些分数，如文章影响分数，可以更准确地表示引用的优点。

虽然影响力（基于规则）分数很有价值，但重要的是要认识到它们的局限性。比较不同学科的分数或发现评分算法中的偏差可能具有挑战性。尽管如此，影响力分数仍然是数字领域的一个宝贵工具。

归因人工智能数据加工流程 - Attribution AI workflow

第一步：采集，投喂数据，分析数据

第二步：根据商业目的配置不同的算法模型

第三步：训练数据库数据后，算法计算出分数

第四部：根据输出判断/结果执行预测和决策包括行动（在中控台上使用分析结果/为中控台提供数据和分析）

AI分数通过可视化给予呈现如下。我们可以基于下图中控台看板上的数据分析市场营销各个渠道的效果。

四、数字化营销工兵 - 什么是人工智能中的增量学习？

1. 人工智能中的增量学习的定义

AI增量学习是指人工智能系统随着时间的推移获得新知识、技能和见解的动态过程，不断增强其能力，而无需从头开始进行再培训。这种迭代方法使人工智能模型能够吸收新数据，适应不断变化的环境，并在不损害现有知识库的情况下完善其决策能力。

2. 如何在人工智能环境中定位增量学习？

当应用于人工智能领域时，增量学习涉及对人工智能模型的理解和预测能力的系统和持续改进，而无需重新访问整个训练数据集。这种持续的改进使人工智能系统能够适应不断变化的模式、趋势和场景，确保其在不同应用程序中的相关性和有效性。

3. 人工智能增量学习的背景和历史

增量学习的概念植根于更广泛的机器学习和人工智能领域。增量学习最初被认为是克服传统静态模型局限性的一种手段，现在已经逐渐突出，尤其是在动态、真实世界环境中运行的人工智能系统的背景下。它的发展是由对人工智能模型的日益增长的需求所决定的，这些模型可以实时适应，无缝地结合新知识，同时最大限度地减少对其现有能力的干扰。

4. 人工智能中增量学习的意义

增量学习在人工智能中的意义在于它在使人工智能系统在快速发展的条件下保持相关性和有效性方面的关键作用。通过不断更新知识和适应新场景，配备了增量学习能力的人工智能模型可以提供更准确的预测，促进更快的决策，并在很长一段时间内保持其效用。这种持续的发展对人工智能在不同行业的应用至关重要，从医疗保健和金融到自动驾驶汽车和智能制造。

5. 人工智能中的增量学习是如何运作的

人工智能中增量学习的功能围绕着它吸收新数据、提取相关见解并将这些知识整合到现有框架中而不放弃先前学习的能力。这个过程包括仔细的模型优化，以系统的方式引入新的数据样本，以及重新校准预测算法以适应获取的信息。最终，增量学习使人工智能系统能够有机进化，确保持续的相关性和准确性。

5.1 归因人工智能主要可以用于以下场景（以本文的营销归因工程为例）：

1. 高管报告：让高管了解营销的真正增量影响，包括整体和渠道、地区、SKU等。
2. 预算分配：通过营销渠道告知预算分配决策。
3. 活动优化：在每个渠道中，了解哪些活动、创意和关键词更适合哪些SKU或Geos。这让你可4. 4. 以查看每个渠道，以便营销团队可以优化他们的策略。
5. 全渠道归因：了解营销在整个客户旅程中的影响。例如，免费帐户注册到付费转换及其他。
6. 合作伙伴评估：根据归因结果评估机构和合作伙伴的有效性。
7. 其他功能
归因人工智能还提供与其他Adobe解决方案的集成，如客户旅程分析。这使您能够使用这些解决方案来利用可定制的算法模型来评估媒体性能并提供分析见解。

5.2 现实生活中，人工智能中增量学习在其他场景的应用例子：

***应用示例（1）：加强医疗诊断系统

在人工智能辅助医疗诊断的背景下，增量学习使系统能够适应患者数据和病理学的变化，不断提高诊断准确性。这导致了更精确和可靠的医学预测，最终改善了患者的预后。
应用示例（2）：电子商务中的个性化推荐
电子商务平台利用增量学习来增强其推荐引擎，允许根据不断变化的消费者偏好和购买行为进行动态调整。这确保了向用户提供量身定制的相关建议，从而提高参与度和满意度。
应用示例（3）：自主车队管理
在自动驾驶汽车领域，增量学习有助于根据真实世界的体验和新的交通模式重新校准驾驶模型，使车辆能够适应新的场景，并确保安全高效的运营。***
6. 人工智能中增量学习的利弊

虽然增量学习在提高人工智能能力方面有几个好处，但它也存在一些值得考虑的缺点。

6.1 赞成的意见：

适应性：人工智能系统可以动态调整以适应新的数据和趋势，确保持续的相关性。
效率：持续的学习过程最大限度地减少了对广泛再培训的需求，优化了资源利用率。
实时更新：人工智能模型可以快速吸收新信息，这在快速变化的环境中至关重要。

6.2 弊端

过度拟合风险：如果不小心管理，增量学习可能会导致过度拟合，从而可能影响预测准确性。
数据依赖性：对顺序数据输入的依赖可能会限制增量学习在某些场景中的适用性。
模型稳定性：随着时间的推移，持续的适应可能会影响人工智能模型的稳定性和一致性。