点此查看智能营销专栏系列文章

营销的本质是通过有效的策略将人群分发到各个触点，并达成最稳健的转化。然而如果想借助专家经验，或者更多基于算法模型自学习优化的策略构建，那么就必然要求决策过程不能离线化，而是要实时化。实时化不是纯粹体现在触点实时化，更多是策略能够在线化，实时分发出去。

简单的说，就像推荐引擎一样，模型的策略有离线库，但更多的是基于在线的行为数据，实时评估和调整策略。从整个大营销方向看，这是必然的。

以往，市场更多在探讨计算广告相关的概念。实际上，这样的技术能力已经实现，如实时竞价，以及基于数据对于流量的理解、位置的控制，就是营销在线化的典范，因为流量和位置的稀缺性。不过计算广告更多针对品牌和效果广告，场景是以拉新为主。而对于大多数据企业在围绕已有流量和客群的营销上，我们没有看到这类的典范。我们在第一讲中提到：

•    营销策略模型的严重离线化

营销的核心输出就是ID，ID背后是策略、权益、通道、时间等。但是我们习惯于离线异步的跑批结果，然后送到触达通道，但这也许丧失了有限的机会。最严重的是你的模型从未有评估和优化的可能，因为都是离线的模式，即席的调整和优化是不存在的。

•    计算广告学的两个核心要素，实时和仲裁

实时和仲裁解决最佳匹配的问题，计算广告学的相关技术和方案解决了供需之间的最佳匹配问题，要解决这个问题，得从两个方面出发，一个是如何解决多重供需间的冲突，以及如何仲裁（这部分将在第七讲中谈到）。另一个是如何能够实时快速的通过仲裁算法来提升效率，因为在广告的逻辑中，整个的反馈时间不到1秒钟，这必然无法通过模型的跑批结果再批量部署到线上，以满足大家的需求。因为接到的需求方是实时的，供给方能给予你的流量位置也是实时的。中间的促成、程序化购买过程也是基于算法，通过机器交易实现的。

•    我们要关注MOT（关键时刻）

计算广告学的三要素，就是广告、用户、上下文，这三者通过一次一次的迭代优化，找到最佳的模式，并争取从收益-成本的最大化。反过来看，在拉新之外的营销战场上（更多是已有流量和用户如何营销方面），价值最大化是企业追求的目标之一。在获取新流量方面，依据流量本身的属性和质量是考虑的大前提。而在存量流量和用户的营销上，如何更好的借助数据的力量，还原用户，通过策略制定挖掘更大的潜力必须实现快速敏捷的提升。

简单说，我们希望在纯粹新流量战场之外，存量市场的营销可以实现向计算广告一样的实时化策略实施。MOT要抓住的是如何实时的反馈最佳信息和内容给目标群体。如今企业都在建设自己的流量体系，比如在线的小程序、微信、APP、H5和PC，而线下也在不断重构。营销确实依赖于将高度离线化的策略实施于用户，或者前置很久，或者后滞很久，我们没能够在与用户的最佳互动时刻进行营销，即MOT（关键时刻）。所谓的MOT就是在与客户发生互动的关键时刻节点做出应有的策略和营销建议。这几乎是实时反馈的方式，一则是通过你能提前预制多少的模板来控制和出发，另一则就是通过对用户的反馈和互动数据进行监测，实时做出优化和调整，所谓的被动式营销也多是说当用户达到或者满足一定的条件，就出发某些策略下达。这种策略更多通过离线的引擎或者策略库进行支持。

而我们希望未来有大部分可以借助推荐引擎一样的逻辑来进行实时的策略迭代。而推荐引擎更关注高密度流量本身的反馈或者所需被推荐内容的关系推荐。但无论是这种高密度还是低频度的互动，只要是从客户侧的触点和数据产生的变化，我们就需要实时做出关键策略调整。一句话，我们希望将很多离线的模型和策略，通过实时的数据收集和客户反馈，进行部署、迭代优化、评估监控，进而实现大规模的机器部署策略应用，一则降低人力的策略构建压力，二则更为关键和个性化的把控客户的关键时刻。

总的说来，在营销这件事情上，计算广告的理想目标是对于广告营销建立机器的、大规模的控制和分发。而对于企业自有的客群和营销能力上，广告营销中所谈及的迭代优化思想，对于auc三要素的把控以及效果的循环使用和对资源及预算的控制，是值得借鉴的。我们一直在谈的营销智能化，实则就是希望一方面提升决策效率，另一方面提升营销策略的最终效果，即成本下降、收益提升。

在流量端不均衡的市场环境下，计算广告的技术和理念在落地时必须考虑实际的商业背景和商业利益。但是计算广告本身的技术理念和架构，可以在企业的存量市场营销上发挥非常好的作用。广告的程序化购买市场已在智能化角度上取得了极大进步，这反过来对于企业的存量营销智能化具有巨大的推动作用。