CDP 即人工智慧
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。前沿平臺（如 Pinterest、Duolingo）使用複雜的強化學習和基於獎勵的模型最佳化訊息傳遞，而大多數品牌仍停留在基礎的資料整理階段，無法利用這些技術。文章強調了決策支援（如傳送時間最佳化）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傳送更少但更精準的訊息，而這需要高質量的資料基礎。最終，客戶資料平臺（CDP）本身才是實現 AI 的關鍵。
在一次 Bloomreach 的早餐會上，一群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，而是圍繞著一個共同的痛點：如何將資料整理成可用的形式。無論公司大小，所有人的資料都分散在互不通訊的多個系統中，這使得任何高階功能都無從談起。
當前市場的兩端存在巨大差距：一端是少數消費者平臺，它們在生產環境中執行著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，甚至完全沒有啟用。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，這一切都依賴於資料的規整，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。一些傳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，而是資料是否處於能夠讓你採取行動的狀態。
前沿案例包括 Pinterest 的每週通知預算最佳化、Duolingo 的多臂賭博機演算法、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、針對長期價值函式調優，並且假設使用者的響應會隨著訊息的傳送而改變。
最後一點是關鍵：靜態模型問的是哪些使用者最有可能開啟或購買，而自適應模型問的是不同的東西：傳送這條訊息如何改變使用者的行為？響應不是固定特徵，而是訊息本身可以移動的結果。因此，模型必須願意不傳送任何訊息。
遺憾的是，絕大多數品牌購買的工具屬於決策支援而非決策制定。它們提供傳送時間最佳化、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。
真正的增長來自傳送更少但更精準的訊息。Twitter 的最佳設定甚至提高了每使用者傳送上限，同時總體傳送量下降，因為策略變得更選擇性。技能在於知道不對誰傳送，這需要比誰傳送更難的訊號。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峰值，超過該點後更多定位會減少效果。
最終，客戶資料平臺（CDP）本身才是 AI。只有當資料在平臺內被組織、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資料基礎設施，然後才能考慮高階機器學習。