CDP 即人工智能
本文探讨了营销技术中 AI 应用的前沿与品牌实际购买能力之间的巨大差距。前沿平台（如 Pinterest、Duolingo）使用复杂的强化学习和基于奖励的模型优化消息传递，而大多数品牌仍停留在基础的数据整理阶段，无法利用这些技术。文章强调了决策支持（如发送时间优化）与决策制定（如自动决策）之间的区别，并指出真正的增长来自发送更少但更精准的消息，而这需要高质量的数据基础。最终，客户数据平台（CDP）本身才是实现 AI 的关键。
在一次 Bloomreach 的早餐会上，一群来自不同规模品牌的金融科技营销人员聚在一起讨论“AI”。然而，讨论并没有真正触及 AI 的核心，而是围绕着一个共同的痛点：如何将数据整理成可用的形式。无论公司大小，所有人的数据都分散在互不通信的多个系统中，这使得任何高级功能都无从谈起。
当前市场的两端存在巨大差距：一端是少数消费者平台，它们在生产环境中运行着比任何品牌可购买的解决方案领先几代的机器学习系统；另一端则是大量中小型品牌，它们的生命周期栈中的机器学习仅限于ESP中的几个预测功能，甚至完全没有启用。中间地带是一些新产品类别，试图向品牌销售更接近前沿的技术。但关键问题在于，这一切都依赖于数据的规整，而大多数品牌并不具备这一条件。
所谓“渠道成熟度”，实际上更准确地应描述为 AI 成熟度的排序。一些发送者能够承担让某个渠道工作的成本，而大多数则不能。决定因素不再是预算或人员规模，而是数据是否处于能够让你采取行动的状态。
前沿案例包括 Pinterest 的每周通知预算优化、Duolingo 的多臂赌博机算法、Twitter 的模型驱动推送决策、LinkedIn 的离线强化学习、Zillow 的树分类器、Meta 的 Instagram 通知拍卖系统以及 Kuaishou 的 PushGen。这些系统共享四个特征：基于第一方事件流、由内部工程团队运营、针对长期价值函数调优，并且假设用户的响应会随着消息的发送而改变。
最后一点是关键：静态模型问的是哪些用户最有可能打开或购买，而自适应模型问的是不同的东西：发送这条消息如何改变用户的行为？响应不是固定特征，而是消息本身可以移动的结果。因此，模型必须愿意不发送任何消息。
遗憾的是，绝大多数品牌购买的工具属于决策支持而非决策制定。它们提供发送时间优化、预测分数和内容建议，但最终决策仍由营销人员做出。这与前沿系统的决策制定能力相去甚远。
真正的增长来自发送更少但更精准的消息。Twitter 的最佳设置甚至提高了每用户发送上限，同时总体发送量下降，因为策略变得更选择性。技能在于知道不对谁发送，这需要比谁发送更难的信号。增长研究也表明，累积增量效应在触及整个列表之前就达到峰值，超过该点后更多定位会减少效果。
最终，客户数据平台（CDP）本身才是 AI。只有当数据在平台内被组织、治理和可用时，AI 才能产生真正的业务影响。品牌需要首先投资于数据基础设施，然后才能考虑高级机器学习。