我们以为这些科技离我们还遥远，事实上，它们中的很多已经被不少企业应用。

新的科技在商业世界中的应用，有些是惊天动地的革新，有些是潜移默化的改变。对于后者，我们以为这些科技离我们还遥远，事实上，后者更为常见，并且它们中的很多已经被不少企业应用。

了解这些“黑科技”，掌握这些新的科技的应用，能够大幅度提升数字营销与运营的“畅快感”，当然，效率和效果也就能随之提升。

这篇文章聚焦于目前不仅能够实现，而且已经被较为广泛应用的“十大黑科技”，也欢迎朋友们留言补充。

全文目录：

黑科技一：监督学习——追求闭环是有道理的

黑科技二：动态化的消费者沟通界面

黑科技三：品效合一——品牌投放的效果闭环

黑科技四：预测

黑科技五：基于人的推荐

黑科技六：读懂人的语言

黑科技七：机器“视觉”

黑科技八：智能分析

黑科技九：企业自己的数据“围墙花园”

黑科技十：CDP

1 黑科技一：监督学习——追求闭环是有道理的

监督学习在今天的数字营销与运营中应用极为广泛。它也毫无疑问是下一代数字营销的标配。

监督学习的逻辑是，持续将营销的直接结果提供给机器，让机器（算法）不断试错，不断通过正样本和负样本的反馈来进行学习，从而“摸索出”一个更加优化的方式，能够自动实现更好的消费者转化。

用人话说，就是不断告诉机器，你这么投放没有效果或者有了效果，如果没有效果，机器就改变自己的算法（实际上是改变自己的算法的参数），如果有效果，机器就强化这个算法（重复这些参数，看还能不能有转化）。这样一次一次反wu复liao的过程，假以时日，机器就变得越来越“聪明”，越来越知道在什么情况下应该如何投放会更好。

监督学习现在有应用吗？

有，实在太有了。比如信息流广告的oCPM投放方式——机器就是按照CPA中的A，或者CPS中的S，来作为监督的结果，优化自己的CPM的投放的。

有些信息流广告媒体，还承诺广告主，如果机器的优化没有达到预定的CPA或者CPS的效果，会将广告主浪费的钱退还给广告主。可见对监督学习这种方式的自信，也反衬出这种方式的成熟。

当然，监督学习这么好的东西不是仅仅只用在投放上，它能适应的场景非常多。后面再讲其他黑科技的时候，很多都与监督学习有关。

监督学习这种方法，对监督的结果，也就是最终能够反馈给机器的效果有很高的要求。如果效果真实且及时（也就是我们所说的闭环），那么机器就能学得更好。如果效果不真实或者不及时，机器就不可能产生正确的算法。

所以，企业必须在营销上追求闭环，必须要打通消费者的前后端数据，意义之一就在这里。

2 黑科技二：动态化的消费者沟通界面

我们都听说过“动态创意”。这个事物最初出现在程序化广告时代，确切说，是出现在RTB（及背后的DSP）兴起的时代。

动态创意并不新颖，但也绝对不像很多朋友想象的那样，是“停滞不前”的。它在进步，尤其是与监督学习相结合。

例如，在动态创意的初期，比较多的是解决物料尺寸和文件大小的问题。在对最终的效果有了较好的追踪，能够构建闭环之后，监督学习被引入，以不断根据最终的效果，来反推应该给广告（营销前端）所触达到的不同的人以何种不同的创意物料。今天，有多家企业都在提供相关的业务，例如广告媒体发布商自己，例如字节跳动、腾讯、阿里等，也有第三方服务提供商，例如筷子科技。

上图：物料中的所有的元素都可以被替换为不同的版本，替换的逻辑就是监督学习的逻辑

这个方法很快被引申到其他的领域，理论上，所有展示给消费者的界面，都可以是动态的。

例如，受众点击广告之后进入的另一个界面——流量的落地界面。

上图展现了这样的一个工具（由Ptmind提供的灵蹊），它看起来像是以前的博客（blog）的后台。但实际上，用户只需要为页面中的各个模块元素创建不同的版本，工具就会通过监督学习来判断，给某个访问者他更适合的版本。

不仅仅每个元素的版本是动态的，它们在界面中的位置也可以是动态的，以帮助访问者第一眼就能看到他更想看到的内容主题。

众所周知，淘宝或者京东的首页，就是利用了类似的方法。

无论是动态创意，还是动态的落地界面，这两个方法要能够奏效，对受众属性数据和效果数据的要求都很高。如果数据靠谱，这些方法对转化的效果大有裨益，尤其是将前端的动态创意和落地端的动态界面结合起来。

如果这些数据靠谱，监督学习能够以较好的状态进行，因人而异的界面的效果就会更好。AB测试表明，只要数据充分且准确，动态界面就能够提升30%甚至更高的转化率。

3 黑科技三：品效合一——品牌投放的效果闭环

对于品效合一，主流观点往往是贬低的。很多人认为，讲品效合一就是忽悠。

我认为对待这个问题要客观。

如果按照功利主义，以目的论，任何营销活动都只有一个根本性的目的，要么是为了打销量，要么是为了植入心智（就是常说的做品牌）。

对于植入心智，你如何判断植入心智是否有效，是否成功？

传统方法其实没有办法。

但“黑科技”能相当程度上解决这个长久以来的困扰难题。而且这个方法，现在同样已经有相当可行的案例。

这个方法的思路很简单：收集广告触达人群、对广告产生兴趣的人群（往往以点击广告衡量）和最终购买商品的人群，然后对这三类人群进行匹配，用最终购买商品的情况，衡量广告触达与点击的有效性。

最终购买商品的人群，不仅仅可以是线上购买者，同样可以包含线下购买者。线下购买者，利用一些运营手段，今天已经可以很好地被数字化打通。

下图展示了这样的过程：

这个新的解决方法，产生了很多有意思的新玩法：

广告端，不仅仅可以用CPM或者CPC来衡量，现在也可以用CPS（Cost Per Sales）或者CPO（Cost Per Order）来衡量。

品牌广告也能够形成自己的效果闭环，并且通过这个效果闭环又能够引入监督学习，基于监督学习，对前端广告的投放又形成正反馈。

应用外部数据（例如围墙花园内的数据）对实现转化的消费者进行再次画像，也能够给营销操盘者以洞察，校正前端广告投放的策略。

这个方法，或许不应该叫品效合一，毕竟品和效是两个阶段。或许叫它品效结合更合适，但我认为，名字并不是最重要的，更重要的是这种方法为品牌投放带来的全新视角与升级策略。

4 黑科技四：预测

预测，对商业有永恒的吸引力。预测的归宿是决策，准确的预测能够带来更恰当的决策。

预测在数字营销领域有很广泛的应用。本质上，这种方式跟监督学习如出一辙，或者说，监督学习的背后，其实依赖的就是准确的预测。

现在应用预测常见的场景，是对客户流失情况的预测。例如游戏行业，在很多年前，就已经用决策树之类的算法，将现存客户中可能要流失的客户找出来。准确率能够达到80%以上。

应用预测的场景近几年有所扩展，例如在汽车等行业中，用在对无效leads的清洗和召回中。

首先，进行数据的补强处理。包括：

利用外部数据，对现有的“无效”leads的属性做数据增强。

对“无效”leads中，在企业的私域触点上有行为的leads进行数据回收。

对历史电销语音对话的数据进行NLP处理（自然语言处理）和分析，将非结构化数据结构化。

其次，构建算法，这个算法并不是预测算法，而是人工制定的权重算法，以上面的这些数据为基础，对这些leads的质量做人工排序。

再次，电销人员根据leads的质量度，拨打电话。这一步开始，会记录电话拨打的情况，了解应答结果——哪些leads可能有效，哪些仍然完全无效。此后，继续追踪这些leads的转化情况。应答结果和转化情况，成为下一步引入监督学习的有效的“监督”。

之后，引入机器学习，也就是监督学习，并重新对“无效leads”的属性进行计算，预测出更可能发生转化的leads，以及这些leads背后的消费者潜在诉求。

最后，电销利用以上数据，进行更针对性的沟通。

赛诺贝斯提供的一个案例表明，这个方法大约在1万个“无效线索”中，能召回2000个可能有效的线索，并达成大约100个交易转化。当然，这只是参考经验值。不过，如果是汽车行业，100个交易转化，就意味着大约1000万以上的交易额增量。

5 黑科技五：基于人的推荐

预测能力的延伸，很容易应用到另外一个极为常见的场景上，那就是推荐。

我这么讲绝不夸张——今天的整个数字世界就是一个推荐的世界。推荐是数字世界的基本态，是当代世人生活的根基。

在数字营销上，推荐也极为广泛的应用。广义讲，任何呈现给消费者的，无论是内容、声音还是画面，都是可以由推荐系统（推荐引擎）决定的。例如，一个人能看到的广告，或者广告系统决定给某个人推送某个广告，背后都是推荐系统的作用。

推荐系统大部分工作在监督学习之下，但不仅仅只是在广告投放一个场景内。下面这个场景同样是常见的，但更多偏重于运营领域。

某个快餐企业，在自己的数字订餐系统中应用了商品推荐系统。例如，你下单了某些商品，那么另外一些商品就会被推荐。这种推荐是基于商品选择触发的，即item oriented的推荐。

上图：从Item Oriented升级到User Oriented推荐（图中企业logo与案例无关，仅为示意）

但下一步，他们对这个推荐系统进行了改进，将用户的信息也考虑进来，例如，利用CDP积累的用户的行为数据，以及其他数据源补强的用户属性数据，进而将这一推荐系统升级为基于人的具体情况出发的推荐，即user oriented的推荐。

效果如何？这是第四范式提供的案例，他们帮助这家快餐企业，单均价从20元左右上升到26元左右。这是一个上涨30%的相当惊人的提升。

6 黑科技六：读懂人的语言

在上一个黑科技中，我们提到了自然语言处理（NLP），事实上它有更加广泛的用途。

最常用的场景，是利用NLP了解消费者在数字世界中发出的声音，然后像人一样阅读这些信息，理解其中的含义。不过，机器的阅读效率比人要强大很多倍，这样就能大规模了解大量消费者的心理、意图、对品牌或产品的真实反馈。

而机器比较弱的是读懂的能力，近几年知识图谱的发展对机器的这块短板有很针对性的补强。

下图展示了针对某个品牌，对海量消费者的声音分析之后的结果，基于NLP和知识图谱实现。（来源：AdMaster）。

不过，NLP也可以用在更微观的场景中——优化电话销售或者客服的话术，以增加转化或者提升满意度。

下图展示了这样的一个例子：

利用图中的工具，让机器直接分析所有电话销售人员的所有语音通话。利用NLP技术，在极短的时间内生成内容丰富的报告，包括不同的词、词频、回答模式、语速、正负面用语、禁忌用语等等信息，并且可以按照最终实现转化的高低，以及按照不同的绩效表现的电销人员等维度进行细分。

这意味着，你可以比较高绩效表现的电销人员通常的通话模式、用词与低绩效表现的人员有何不同，并且将这些结论和洞察用在提升销售的话术能力上。

除了这个具体的场景，NLP技术能够对电商评论、问卷、客服对话、邮件等各种企业内外的非结构化数据进行处理和分析，同样为企业提供各种各样的新商业视角和分析建议。比如，根据电商评论和海量问卷，他们能够在几分钟之内就生成一个内容相当丰富的报告，提供不同类型消费者的观点、好恶以及对应的分布情况。如果数据量足够大，甚至可以帮助分析这些观点和好恶背后的原因。

7 黑科技七：机器“视觉”

除了读懂人的语言，机器也应该能够看懂图。

这个应用，在数字营销上，有不少应用场景。

第一个场景，解决媒体或发布商的物料审核的问题。机器初步筛查，然后找出存疑的物料，人工再进行核实。

第二个场景，机器自动化的标签识别。例如，消费者看到的图或者视频，被机器识读为结构化的文字，这些文字被进一步处理为标签，以标记消费者的内容消费行为。

上图来源：谷歌 Vision AI

上面的两个图是一个GIF动图。机器识别图形的引擎准确地识别了这个图所在的地理位置，以及与这个图相关的标签。除了图像，视频内容也可以用这一方式进行机器识别。

机器“视觉”也被扩展到线下，例如对消费者的面部识别和以面部为基础的线下数字化ID体系。在有些汽车的4S店，利用这个方法，当消费者踏入店面的那一刻，负责这个消费者的销售员工的手机就会收到提醒，并且同时可以看到与这个消费者有关的上下文——过去在店面内的行为，以及他对哪些车型有兴趣。

8 黑科技八：智能分析

智能分析是仍然在发展中的领域。

所谓智能分析，是为解决人在解读数据过程中费时费力的问题而诞生的。

最初，只不过是一个规则系统，即，数据分析师手动设置一些KPI的阈值，当这些KPI的值超出阈值范围后，系统会自动报警。

智能分析扩展了这一能力，利用机器学习的方式，机器不再依赖于阈值，而是自动学习每一个KPI、每一个维度的数据趋势，以及KPI与维度之间的相互关系。当机器认为任何趋势或关系发生不同寻常的情况时，会自动报警，并且给出机器认为的原因。

上图：图中展示了机器标出的异常趋势，以及机器对数据的理解和解读，但整体还比较粗浅

但更聪明的智能分析还在进化中，所谓更聪明，是能够结合具体数据背后的商业场景信息进行的更综合的智能化的分析。由于机器缺乏人的经历和直觉，而商业社会中的上线文信息瞬息万变，因此很多分析场景都难以用上监督学习，导致这个“黑科技”领域的发展慢于预期。

9黑科技九：企业自己的数据“围墙花园”

企业的数字化转型，一个核心问题是协同。

我记得我在读研究生的时候，导师让我们做课题——企业的信息化，就讲到，企业信息化的核心是协同。一转眼，快20年了，企业的数字化转型，核心仍然是协同——与上下游协同、与合作方协同，甚至与消费者协同。

但企业都面临一个重要的问题，自己的第一方数据，尤其是其中的核心数据，如何与相关方协同？

如果拿出自己的第一方数据，数据安全性无法保障。如果不拿出，很多数字化转型的应用无法实现。

企业其实面临的问题，跟很多媒体平台面临的问题是一样的。

对于这些媒体平台而言，他们要进行协同的对象是他们的客户，也就是广告主。媒体平台可以将自己的数据提供给广告主，这样广告主能够做更精准更精细的投放，但风险在于，无法控制广告主如何使用他们的数据，广告主完全有可能将他们的数据也用在竞争对手的媒体平台上。

反过来，媒体平台也可以选择不提供数据给广告主，但广告主会失望，然后流失到自己的竞争对手那里投放广告。

因此，媒体平台利用技术手段，构建了一个自己的数据“围墙花园”，即，广告主可以从外部登入媒体的数据系统，在投放广告时利用这些数据，但却不能够直接接触到这些数据——数据可用，但是不可接触，不可获得。例如，广告主可以在阿里的数据银行生成一个人群包，将这个人群包的数据推送给阿里的unimarketing系统进行广告投放，但是这些人群包内究竟是哪些具体的人，广告主不能了解和获得。

企业面临的问题也是类似的，因此解决方法也是类似的。企业可以把自己的数据放在自己的围墙花园内，也就是建立起一个企业自己的数据应用系统，类似于阿里的数据银行，让外部合作方可以直接应用这些数据，而不需要直接接触到这些数据。

这种方式需要用到云计算中常用的“同态加密”技术，或者原理也类似于人工智能中的“联邦学习”技术，但没有后者那么高级，不过假以时日，也很容易实现企业自己整个生态链上下游的“联邦学习”，从而能够更好地发挥企业自有数据的价值。

企业自己的“围墙花园”这种黑科技，目前应用的最主要的场景仍然是在营销上。某一个帮助企业投放广告的第三方，需要利用企业自有的数据作为种子人群进行机器学习，从而帮助投放。或者某个帮企业做消费者数字化运营的公司，要用企业的第一方人群数据去优化运营的策略和方法，都值得通过“围墙花园”来解决。提供这一解决方案的服务商，例如Liveramp。

10 黑科技十：CDP

最后一个黑科技，必须当仁不让的必须提CDP。

CDP是目前企业最为重视的数字化营销和运营的技术。CDP的核心在于收集、组织、管理和应用，企业在自己的数字触点上的所有消费者的数据。

在数字营销的“围墙花园”不断高耸、个人信息保护的压力日益增强、外部流量价格与日俱增、消费者忠诚度不断受到碎片化数字信息冲击而下降的大背景下，企业主动或被动地，都不得不接受需要更加精细化运营自有消费者的现实。

CDP的产生，就是解决这个问题的。这也是今天为什么CDP获得了如此高的重视的原因，因为它的背后，本质上是营销思维的颠覆。

好了，十个黑科技讲完了。你可能会问我，为什么没有5G，没有AR、VR之类。我没有写这些黑科技的原因很简单，它们的应用还非常不广泛。但显然，我不会轻视它们，它们的潜力巨大，肯定会为数字营销带来翻天覆地的变化。但至少在我行文的此刻，在数字营销领域，还缺乏有说服力的案例。不过，或许你更愿意指正我，或者提出你自己的看法，因此，非常欢迎大家留言讨论。谢谢！