CDP 即人工智能
本文探討了營銷技術中 AI 應用的前沿與品牌實際購買能力之間的巨大差距。前沿平台（如 Pinterest、Duolingo）使用複雜的強化學習和基於獎勵的模型優化消息傳遞，而大多數品牌仍停留在基礎的數據整理階段，無法利用這些技術。文章強調了決策支持（如發送時間優化）與決策制定（如自動決策）之間的區別，並指出真正的增長來自發送更少但更精準的消息，而這需要高質量的數據基礎。最終，客户數據平台（CDP）本身才是實現 AI 的關鍵。
在一次 Bloomreach 的早餐會上，一羣來自不同規模品牌的金融科技營銷人員聚在一起討論“AI”。然而，討論並沒有真正觸及 AI 的核心，而是圍繞着一個共同的痛點：如何將數據整理成可用的形式。無論公司大小，所有人的數據都分散在互不通信的多個系統中，這使得任何高級功能都無從談起。
當前市場的兩端存在巨大差距：一端是少數消費者平台，它們在生產環境中運行着比任何品牌可購買的解決方案領先幾代的機器學習系統；另一端則是大量中小型品牌，它們的生命週期棧中的機器學習僅限於ESP中的幾個預測功能，甚至完全沒有啓用。中間地帶是一些新產品類別，試圖向品牌銷售更接近前沿的技術。但關鍵問題在於，這一切都依賴於數據的規整，而大多數品牌並不具備這一條件。
所謂“渠道成熟度”，實際上更準確地應描述為 AI 成熟度的排序。一些發送者能夠承擔讓某個渠道工作的成本，而大多數則不能。決定因素不再是預算或人員規模，而是數據是否處於能夠讓你採取行動的狀態。
前沿案例包括 Pinterest 的每週通知預算優化、Duolingo 的多臂賭博機算法、Twitter 的模型驅動推送決策、LinkedIn 的離線強化學習、Zillow 的樹分類器、Meta 的 Instagram 通知拍賣系統以及 Kuaishou 的 PushGen。這些系統共享四個特徵：基於第一方事件流、由內部工程團隊運營、針對長期價值函數調優，並且假設用户的響應會隨着消息的發送而改變。
最後一點是關鍵：靜態模型問的是哪些用户最有可能打開或購買，而自適應模型問的是不同的東西：發送這條消息如何改變用户的行為？響應不是固定特徵，而是消息本身可以移動的結果。因此，模型必須願意不發送任何消息。
遺憾的是，絕大多數品牌購買的工具屬於決策支持而非決策制定。它們提供發送時間優化、預測分數和內容建議，但最終決策仍由營銷人員做出。這與前沿系統的決策制定能力相去甚遠。
真正的增長來自發送更少但更精準的消息。Twitter 的最佳設置甚至提高了每用户發送上限，同時總體發送量下降，因為策略變得更選擇性。技能在於知道不對誰發送，這需要比誰發送更難的信號。增長研究也表明，累積增量效應在觸及整個列表之前就達到峯值，超過該點後更多定位會減少效果。
最終，客户數據平台（CDP）本身才是 AI。只有當數據在平台內被組織、治理和可用時，AI 才能產生真正的業務影響。品牌需要首先投資於數據基礎設施，然後才能考慮高級機器學習。