格倫·厄本 阿爾喬姆·季莫申科 帕拉姆維爾·迪隆 約翰·豪澤

深度學(xué)習(xí)在大數(shù)據(jù)庫(kù)分析方面的優(yōu)勢(shì)越來(lái)越明顯，它可以從中摸索出規(guī)律并得出洞見(jiàn)。不難想象有一天，企業(yè)能夠廣泛整合各種數(shù)據(jù)庫(kù)，以更高的水準(zhǔn)和更強(qiáng)的分析能力來(lái)識(shí)別消費(fèi)者需求，并利用所得信息進(jìn)行精準(zhǔn)的市場(chǎng)營(yíng)銷。

深度學(xué)習(xí)和普通數(shù)據(jù)分析究竟有何不同？它是實(shí)現(xiàn)了質(zhì)的飛躍，還只是稍有改進(jìn)？為了比較兩者的作用，作者研究了一個(gè)與信用卡市場(chǎng)相關(guān)的大型數(shù)據(jù)庫(kù)，探尋多層次深度學(xué)習(xí)模型是否可以比傳統(tǒng)模型更準(zhǔn)確地預(yù)測(cè)人們對(duì)信用卡的選擇。

該數(shù)據(jù)庫(kù)源自大型信用卡網(wǎng)絡(luò)供應(yīng)商N(yùn)erdWallet，其中包括點(diǎn)擊流、人口統(tǒng)計(jì)和廣告曝光等相關(guān)信息。作者利用這個(gè)數(shù)據(jù)庫(kù)比較了三種顧客選擇信用卡的模型。第一種是簡(jiǎn)單線性回歸模型，第二種是簡(jiǎn)單的深度學(xué)習(xí)模型，第三種是簡(jiǎn)單深度學(xué)習(xí)模型的加強(qiáng)版。

根據(jù)分析，兩種基于深度學(xué)習(xí)的模型都能夠比傳統(tǒng)方法更準(zhǔn)確地預(yù)測(cè)用戶對(duì)于信用卡的選擇。然而，改進(jìn)并沒(méi)有預(yù)期的那么大：簡(jiǎn)單線性回歸模型的準(zhǔn)確率為70.5%，簡(jiǎn)單深度學(xué)習(xí)模型的預(yù)測(cè)準(zhǔn)確率稍高一些，為71.7%，復(fù)雜深度學(xué)習(xí)模型的預(yù)測(cè)準(zhǔn)確率為73%。

既然深度學(xué)習(xí)對(duì)選擇預(yù)測(cè)的改進(jìn)有限，市場(chǎng)營(yíng)銷部門是否還有必要投資該技術(shù)并開(kāi)發(fā)其關(guān)鍵能力？作者認(rèn)為，和傳統(tǒng)的數(shù)據(jù)分析相比，深度學(xué)習(xí)帶來(lái)的預(yù)測(cè)準(zhǔn)確率的小幅提升，在多數(shù)情況下不大可能產(chǎn)生足夠豐厚的回報(bào)，因此不值得大舉投資。在試水之前，企業(yè)不但要考慮可能的收益，還要考慮執(zhí)行的風(fēng)險(xiǎn)和成本。

深度學(xué)習(xí)的主要缺點(diǎn)在于很難確定哪些變量能對(duì)消費(fèi)者的選擇產(chǎn)生更大的影響。是信用卡旅行獎(jiǎng)勵(lì)還是低利率？由于變量是通過(guò)眾多影響選擇的潛在層進(jìn)行處理的，因此很難衡量其中某一個(gè)變量的影響。營(yíng)銷經(jīng)理的直覺(jué)判斷很難與模型結(jié)果相關(guān)聯(lián)，這將使深度學(xué)習(xí)的實(shí)施變得困難。

當(dāng)然，還有其他因素需要考慮。獲取深度學(xué)習(xí)技術(shù)需要成本，實(shí)施該技術(shù)也需要相關(guān)人員，同時(shí)還可能導(dǎo)致額外數(shù)據(jù)成本。除此之外，即使使用當(dāng)今的快速計(jì)算機(jī)，深度學(xué)習(xí)模型也需要大量的計(jì)算資源，并且可能需要較長(zhǎng)的運(yùn)行時(shí)間。大多數(shù)情況下，除非預(yù)測(cè)準(zhǔn)確性的小幅提升能夠大大降低成本或增加收益，否則用深度學(xué)習(xí)取代傳統(tǒng)數(shù)據(jù)分析缺乏充足的理由。

盡管如此，作者仍然認(rèn)為，某些情況下深度學(xué)習(xí)前景光明。與傳統(tǒng)的線性回歸模型相比，深度學(xué)習(xí)在分析包括圖像和非數(shù)值數(shù)據(jù)在內(nèi)的“豐富”數(shù)據(jù)庫(kù)方面具有顯著優(yōu)勢(shì)。這些豐富數(shù)據(jù)涵蓋了用戶生成的所有信息（例如亞馬遜評(píng)論、Instagram帖子、臉書帖子以及公司網(wǎng)站上的評(píng)論），其潛在價(jià)值是巨大的。

深度學(xué)習(xí)特別適合識(shí)別異質(zhì)和非結(jié)構(gòu)化數(shù)據(jù)中的模式。例如，有一種基于深度學(xué)習(xí)的模型可以幫助汽車設(shè)計(jì)師預(yù)測(cè)消費(fèi)者對(duì)繪圖板上的汽車原型有何反應(yīng)，同時(shí)也可產(chǎn)生新產(chǎn)品創(chuàng)意。另一個(gè)案例中，研究人員根據(jù)客戶的新聞消費(fèi)行為創(chuàng)建了一個(gè)模型，以預(yù)測(cè)他們將來(lái)閱讀新聞的習(xí)慣。最近，企業(yè)已經(jīng)開(kāi)始使用深度學(xué)習(xí)來(lái)分析消費(fèi)者在社交媒體上發(fā)布的品牌服裝圖片，同時(shí)預(yù)測(cè)哪些商品的客戶退貨率最高，哪些優(yōu)惠券產(chǎn)生的利潤(rùn)最大。

隨著基于深度學(xué)習(xí)的新算法和更豐富的數(shù)據(jù)庫(kù)的出現(xiàn)，深度學(xué)習(xí)有望提供更好的結(jié)果。

格倫·厄本 阿爾喬姆·季莫申科 帕拉姆維爾·迪隆 約翰·豪澤

深度學(xué)習(xí)在人工智能（AI）應(yīng)用方面正取得令人矚目的成果。例如，通過(guò)蘋果手機(jī)智能語(yǔ)音助手Siri將人聲轉(zhuǎn)換成計(jì)算機(jī)命令，用戶可以獲取所需問(wèn)題的答案，發(fā)送個(gè)人信息以及在不熟悉的路段尋求導(dǎo)航服務(wù)。自動(dòng)駕駛則解放了人們的雙手，雖然目前僅局限于高速公路，但這項(xiàng)技術(shù)最終會(huì)在城市街道中普及。在生物學(xué)領(lǐng)域，研究人員正在為基于DNA的藥物研制新分子。

鑒于上述活動(dòng)都是通過(guò)深度學(xué)習(xí)進(jìn)行的，許多人都想知道這些方法將如何改變營(yíng)銷的未來(lái)。它們將在多大程度上幫助企業(yè)設(shè)計(jì)出可贏利的新產(chǎn)品和服務(wù)，從而滿足客戶需求？

深度學(xué)習(xí)技術(shù)在大數(shù)據(jù)庫(kù)分析方面的優(yōu)勢(shì)越來(lái)越明顯，它可以從中摸索出規(guī)律并得出洞見(jiàn)。不難想象有一天，企業(yè)能夠廣泛整合各種數(shù)據(jù)庫(kù)，以更高的水準(zhǔn)和更強(qiáng)的分析能力來(lái)識(shí)別消費(fèi)者需求，并利用所得信息進(jìn)行市場(chǎng)營(yíng)銷。例如，不久之后，被人臉識(shí)別出的消費(fèi)者在采購(gòu)生鮮食品時(shí)，可能會(huì)收到根據(jù)他們的購(gòu)買習(xí)慣贈(zèng)送的個(gè)性化優(yōu)惠券。將來(lái)，廣告也可能會(huì)根據(jù)消費(fèi)者的不同個(gè)性單獨(dú)設(shè)計(jì)，并在他們觀看YouTube時(shí)實(shí)時(shí)投放。深度學(xué)習(xí)還可用于設(shè)計(jì)產(chǎn)品以滿足消費(fèi)者的個(gè)人需求，然后通過(guò)自動(dòng)3D打印系統(tǒng)生產(chǎn)并交付。

不同類型的企業(yè)將嘗試以各自不同的方式發(fā)揮深度學(xué)習(xí)的作用。汽車制造商可能會(huì)利用這一技術(shù)瞄準(zhǔn)新客戶、改進(jìn)購(gòu)買流程或針對(duì)特定消費(fèi)者需要的產(chǎn)品功能進(jìn)行微調(diào)。完成上述任務(wù)需要憑借海量的相關(guān)數(shù)據(jù)，包括汽車維修數(shù)據(jù)、消費(fèi)者對(duì)汽車質(zhì)量和可靠性的評(píng)級(jí)、機(jī)動(dòng)車注冊(cè)登記信息、有關(guān)購(gòu)車和用戶體驗(yàn)的推特（Twitter）帖子、臉書（Facebook）上向人們展示自己汽車的帖子、制造商的消費(fèi)者關(guān)系管理數(shù)據(jù)文件以及互聯(lián)網(wǎng)上的點(diǎn)擊。同時(shí)，銀行可以借助深度學(xué)習(xí)開(kāi)發(fā)新產(chǎn)品或服務(wù)，并定制促銷活動(dòng)。通過(guò)分析客戶貸款歷史、信用卡交易、儲(chǔ)蓄和支票賬戶記錄、網(wǎng)站點(diǎn)擊量、社交媒體行為、產(chǎn)品評(píng)級(jí)和搜索歷史等數(shù)據(jù)，銀行對(duì)某些客戶的喜好了如指掌。例如，居住在城市社區(qū)中的40歲專業(yè)人士最希望從信用卡中獲得什么？是旅行獎(jiǎng)勵(lì)？買家保障？現(xiàn)金返還還是低利率？

可以肯定的是，許多管理者已經(jīng)將數(shù)據(jù)分析與統(tǒng)計(jì)模型和重點(diǎn)數(shù)據(jù)庫(kù)相結(jié)合，從而追蹤品牌績(jī)效、安排促銷活動(dòng)并做出開(kāi)支決策。那么，深度學(xué)習(xí)和普通數(shù)據(jù)分析有何不同？它是實(shí)現(xiàn)了質(zhì)的飛躍，還只是稍有改進(jìn)？在本文中，我們將參照針對(duì)信用卡所做的一項(xiàng)研究來(lái)審視這些問(wèn)題。同時(shí)，我們也會(huì)討論這項(xiàng)研究對(duì)于數(shù)據(jù)分析未來(lái)發(fā)展方向的啟示。

盡管我們?cè)谏疃葘W(xué)習(xí)方面仍處于摸索階段，但現(xiàn)在問(wèn)這樣的問(wèn)題并非為時(shí)過(guò)早：與管理者所習(xí)慣的現(xiàn)有數(shù)據(jù)分析方法相比，深度學(xué)習(xí)究竟能給企業(yè)帶來(lái)什么？它可以提供更好的預(yù)測(cè)嗎？如果不能，如何改進(jìn)？為了利用其最新和最強(qiáng)大的功能，企業(yè)必須在數(shù)據(jù)和技術(shù)方面進(jìn)行哪些投資？我們的研究表明，盡管深度學(xué)習(xí)的效果可能不會(huì)立竿見(jiàn)影，也不會(huì)在每種情況下都能大幅提高預(yù)測(cè)的準(zhǔn)確性，但我們?nèi)杂欣碛蓪?duì)這項(xiàng)技術(shù)的應(yīng)用前景保持樂(lè)觀。

我們的實(shí)驗(yàn)

為了將深度學(xué)習(xí)與傳統(tǒng)的營(yíng)銷數(shù)據(jù)分析方法進(jìn)行比較，我們研究了一個(gè)與信用卡市場(chǎng)相關(guān)的大型數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)源自大型信用卡網(wǎng)絡(luò)供應(yīng)商N(yùn)erdWallet，其中包括點(diǎn)擊流、人口統(tǒng)計(jì)和廣告曝光等相關(guān)信息。我們想看看多層次深度學(xué)習(xí)模型是否可以比傳統(tǒng)模型更準(zhǔn)確地預(yù)測(cè)人們對(duì)信用卡的選擇。

能夠準(zhǔn)確預(yù)測(cè)顧客的選擇是改進(jìn)決策的第一步。這些決策涉及產(chǎn)品設(shè)計(jì)、媒體資源分配、產(chǎn)品推廣（本案例中的產(chǎn)品是信用卡）以及目標(biāo)顧客的鎖定。想了解人們?cè)谶x擇信用卡時(shí)最看重的是什么，就需要進(jìn)行實(shí)驗(yàn)并設(shè)計(jì)預(yù)測(cè)模型。直覺(jué)告訴我們，與更簡(jiǎn)單的回歸模型相比，深度學(xué)習(xí)將提供更清晰且更具價(jià)值的圖景。為了檢驗(yàn)這一假設(shè)，我們做了一項(xiàng)研究，看看26萬(wàn)名顧客是如何選擇信用卡的。這一研究將25個(gè)人口因素（包括年齡、性別、家庭收入等一目了然的信息以及信用評(píng)分、消費(fèi)者目前擁有的信用卡和郵政編碼等詳細(xì)分類信息）、每張卡的132個(gè)屬性（例如利率、是否提供獎(jiǎng)勵(lì)積分、旅行里程數(shù)、現(xiàn)金返還以及年度會(huì)員卡費(fèi)和余額轉(zhuǎn)賬費(fèi)）以及每個(gè)人申請(qǐng)的卡片都考慮在內(nèi)。

NerdWallet網(wǎng)站匯總了來(lái)自數(shù)百家銀行大約2，000種不同信用卡的信息和專家評(píng)論，以便顧客比較它們的功能，確定哪些屬性對(duì)自己更重要。用戶在線瀏覽的產(chǎn)品通常會(huì)被記錄在案。用戶點(diǎn)擊進(jìn)去以后，查看更多詳細(xì)信息或者選擇特定卡片進(jìn)行比較的過(guò)程也會(huì)被記錄在案。用戶在NerdWallet網(wǎng)站上確定自己需要哪種信用卡之后，將被引導(dǎo)至相應(yīng)銀行的網(wǎng)站以完成申請(qǐng)。出于研究目的，我們將這一步視為用戶做出的最終選擇。

我們利用NerdWallet的數(shù)據(jù)庫(kù)比較了三種選擇模型。（參見(jiàn)副欄“數(shù)據(jù)分析的技術(shù)說(shuō)明”）第一種是以個(gè)人用戶人口統(tǒng)計(jì)因素和信用卡屬性為變量的簡(jiǎn)單線性回歸模型。每一個(gè)變量通過(guò)方程式都會(huì)對(duì)消費(fèi)者選擇產(chǎn)生簡(jiǎn)單而又直接的影響，變量之間沒(méi)有相互作用。例如，個(gè)人客戶每消費(fèi)1，000美元獲得的獎(jiǎng)勵(lì)里程數(shù)乘以0.058的系數(shù)，可能有助于預(yù)測(cè)消費(fèi)者是否會(huì)選擇美國(guó)運(yùn)通經(jīng)典綠卡。

第二種是簡(jiǎn)單的深度學(xué)習(xí)模型，該模型在輸入變量和選擇概率之間包含了隱藏層。每個(gè)輸入變量（例如獎(jiǎng)勵(lì)里程）都會(huì)和一個(gè)潛變量相關(guān)聯(lián)，而該潛變量同時(shí)又與選擇概率相關(guān)聯(lián)。潛變量沒(méi)有具體確定，它們是第一級(jí)輸入變量的組合，同時(shí)又與下一級(jí)模型的其他潛變量相關(guān)聯(lián)。以此類推，后續(xù)的潛變量又是其他潛變量的組合。似乎沒(méi)必要搞得這么復(fù)雜，但深度學(xué)習(xí)的優(yōu)勢(shì)恰恰就在于連接隱藏層中的潛變量，否則就不能稱為“深度學(xué)習(xí)”。我們的模型有三個(gè)層次。第一層捕獲了觀察到的信用卡屬性和人口統(tǒng)計(jì)因素對(duì)一組潛變量的影響；接下來(lái)，我們研究了這些潛變量對(duì)后續(xù)潛變量層的影響。最終，我們希望通過(guò)這三個(gè)允許復(fù)雜交互和非線性的隱藏層，更準(zhǔn)確地預(yù)測(cè)用戶對(duì)于信用卡的選擇。

第三種是簡(jiǎn)單深度學(xué)習(xí)模型的加強(qiáng)版，其中因變量是選擇概率以及消費(fèi)者在最終選擇時(shí)考慮使用的特定卡片。它將購(gòu)買過(guò)程中的詳細(xì)信息和用戶關(guān)心的其他信用卡（基于他們的點(diǎn)擊流）的詳細(xì)信息等因素考慮在內(nèi)。通過(guò)將這一額外的考慮步驟添加到購(gòu)買過(guò)程中，我們認(rèn)為可能會(huì)提高基本深度學(xué)習(xí)模型用戶選擇預(yù)測(cè)的準(zhǔn)確性。

我們的發(fā)現(xiàn)

根據(jù)分析，兩種基于深度學(xué)習(xí)的模型都能夠比傳統(tǒng)方法更準(zhǔn)確地預(yù)測(cè)用戶對(duì)于信用卡的選擇。（參見(jiàn)副欄“深度學(xué)習(xí)如何超越傳統(tǒng)的營(yíng)銷數(shù)據(jù)分析”）然而，改進(jìn)并沒(méi)有我們預(yù)期的那么大。

簡(jiǎn)單線性回歸模型的準(zhǔn)確率為70.5%。這意味著在70.5%的情況下，我們能夠準(zhǔn)確預(yù)測(cè)某位特定消費(fèi)者對(duì)信用卡的選擇。簡(jiǎn)單深度學(xué)習(xí)模型的預(yù)測(cè)準(zhǔn)確率稍高一些，為71.7%，復(fù)雜深度學(xué)習(xí)模型的預(yù)測(cè)準(zhǔn)確率為73%。

我們?cè)詾椋砑痈酀撟兞繉訉⒋蟠筇岣哳A(yù)測(cè)的準(zhǔn)確率。然而事實(shí)并非如此。憑經(jīng)驗(yàn)優(yōu)化的線性回歸模型同樣準(zhǔn)確可靠。包括人口因素和信用卡屬性在內(nèi)的眾多參數(shù)確保了傳統(tǒng)方式預(yù)測(cè)的準(zhǔn)確性。

成本與收益

我們的研究是否能夠揭示深度學(xué)習(xí)的潛力？既然深度學(xué)習(xí)對(duì)選擇預(yù)測(cè)的改進(jìn)有限，市場(chǎng)營(yíng)銷部門是否還有必要投資該技術(shù)并開(kāi)發(fā)其關(guān)鍵能力？我們認(rèn)為，和傳統(tǒng)的數(shù)據(jù)分析相比，深度學(xué)習(xí)帶來(lái)的預(yù)測(cè)準(zhǔn)確率的小幅提升，在多數(shù)情況下不大可能產(chǎn)生足夠豐厚的回報(bào)，因此不值得大舉投資。在試水之前，企業(yè)不但要考慮可能的收益，還要考慮執(zhí)行的風(fēng)險(xiǎn)和成本。

深度學(xué)習(xí)的主要缺點(diǎn)在于很難確定哪些變量能對(duì)消費(fèi)者的選擇產(chǎn)生更大的影響。是信用卡旅行獎(jiǎng)勵(lì)還是低利率？由于變量是通過(guò)眾多影響選擇的潛在層進(jìn)行處理的，因此很難衡量其中某一個(gè)變量的影響。我們固然可以模擬一個(gè)變量中變化的影響，但該影響取決于深度學(xué)習(xí)模型的復(fù)雜結(jié)構(gòu)中使用的所有其他變量的級(jí)別。營(yíng)銷經(jīng)理的直覺(jué)判斷很難與模型結(jié)果相關(guān)聯(lián)，這將使深度學(xué)習(xí)的實(shí)施變得困難。

當(dāng)然，還有其他因素需要考慮。獲取深度學(xué)習(xí)技術(shù)需要成本，實(shí)施該技術(shù)也需要相關(guān)人員，同時(shí)還可能導(dǎo)致額外數(shù)據(jù)成本。除此之外，即使使用當(dāng)今的快速計(jì)算機(jī)，深度學(xué)習(xí)模型也需要大量的計(jì)算資源，并且可能需要較長(zhǎng)的運(yùn)行時(shí)間。如果要求實(shí)時(shí)實(shí)施，上述擔(dān)憂將成為深度學(xué)習(xí)技術(shù)中一個(gè)實(shí)實(shí)在在的短板。大多數(shù)情況下，除非預(yù)測(cè)準(zhǔn)確性的小幅提升能夠大大降低成本或增加收益，否則用深度學(xué)習(xí)取代傳統(tǒng)數(shù)據(jù)分析缺乏充足的理由。

盡管如此，我們?nèi)匀徽J(rèn)為，某些情況下深度學(xué)習(xí)前景光明。正如我們所指出的那樣，與傳統(tǒng)的線性回歸模型相比，深度學(xué)習(xí)在分析包括圖像和非數(shù)值數(shù)據(jù)在內(nèi)的“豐富”數(shù)據(jù)庫(kù)方面具有顯著優(yōu)勢(shì)。這些豐富數(shù)據(jù)涵蓋了用戶生成的所有信息（例如亞馬遜評(píng)論、Instagram帖子、臉書帖子以及公司網(wǎng)站上的評(píng)論），其潛在價(jià)值是巨大的。盡管NerdWallet網(wǎng)站包含高度精細(xì)的搜索和產(chǎn)品數(shù)據(jù)，但它的數(shù)據(jù)服務(wù)并沒(méi)有達(dá)到足夠豐富的水平，因此其優(yōu)勢(shì)也沒(méi)有得到充分發(fā)揮。掌握消費(fèi)者對(duì)信用卡的口頭評(píng)價(jià)可能會(huì)提高預(yù)測(cè)的準(zhǔn)確性。

深度學(xué)習(xí)特別適合識(shí)別異質(zhì)和非結(jié)構(gòu)化數(shù)據(jù)中的模式。例如，本文幾位作者最近開(kāi)發(fā)了一種基于深度學(xué)習(xí)的模型，以幫助汽車設(shè)計(jì)師預(yù)測(cè)消費(fèi)者對(duì)繪圖板上的汽車原型有何反應(yīng)，同時(shí)也產(chǎn)生新產(chǎn)品創(chuàng)意。另一個(gè)案例中，研究人員根據(jù)客戶的新聞消費(fèi)行為創(chuàng)建了一個(gè)模型，以預(yù)測(cè)他們將來(lái)閱讀新聞的習(xí)慣。最近，企業(yè)已經(jīng)開(kāi)始使用深度學(xué)習(xí)來(lái)分析消費(fèi)者在社交媒體上發(fā)布的品牌服裝圖片，同時(shí)預(yù)測(cè)哪些商品的客戶退貨率最高，哪些優(yōu)惠券產(chǎn)生的利潤(rùn)最大。管理人員可以據(jù)此制定更好的產(chǎn)品退貨政策以及更有效的折扣策略。我們中一些人的前期研究表明，深度學(xué)習(xí)可以幫助企業(yè)更有效地預(yù)篩用戶生成的內(nèi)容，從而將數(shù)據(jù)分析師的工作重點(diǎn)放在具有高度信息量的評(píng)論上，這些評(píng)論能夠以比傳統(tǒng)方法低得多的成本識(shí)別客戶需求。

深度學(xué)習(xí)的應(yīng)用機(jī)會(huì)層出不窮。它鼓勵(lì)實(shí)驗(yàn)，并使得A/B測(cè)試能夠根據(jù)觀察到的結(jié)果實(shí)時(shí)調(diào)整。我們已經(jīng)開(kāi)發(fā)出一種簡(jiǎn)單的人工智能方法，可以將在線廣告的圖像和內(nèi)容與消費(fèi)者的認(rèn)知風(fēng)格相匹配，同時(shí)設(shè)計(jì)實(shí)時(shí)有效的實(shí)驗(yàn)系統(tǒng)，為每組客戶靈活獲取最佳的廣告文案。現(xiàn)有的統(tǒng)計(jì)模型能夠讓公司將廣告定位到在線消費(fèi)者。然而，人工智能系統(tǒng)可以讓營(yíng)銷人員根據(jù)個(gè)人的認(rèn)知和交流風(fēng)格定制廣告文案，根據(jù)他們的視覺(jué)偏好自定義圖片和圖形，同時(shí)結(jié)合統(tǒng)計(jì)數(shù)據(jù)和其他證據(jù)使其決策風(fēng)格與之相符。這些應(yīng)用已經(jīng)取得了良好的成效。隨著基于深度學(xué)習(xí)的新算法和更豐富的數(shù)據(jù)庫(kù)的出現(xiàn)，深度學(xué)習(xí)有望提供更好的結(jié)果。

對(duì)企業(yè)的啟示

上述討論對(duì)企業(yè)而言意味著什么？根據(jù)我們的經(jīng)驗(yàn)，我們?yōu)闋I(yíng)銷經(jīng)理總結(jié)了以下幾條啟示。

1.關(guān)注未來(lái)機(jī)會(huì) 基于統(tǒng)計(jì)的傳統(tǒng)系統(tǒng)仍將在營(yíng)銷數(shù)據(jù)分析中發(fā)揮關(guān)鍵作用，但深度學(xué)習(xí)遲早會(huì)改善當(dāng)前的運(yùn)營(yíng)，并為新問(wèn)題提供解決方案。這方面最有潛力的領(lǐng)域包括更復(fù)雜的促銷預(yù)算和規(guī)劃、更高級(jí)的客戶定位以及更完善的新產(chǎn)品開(kāi)發(fā)。

2.創(chuàng)建豐富的數(shù)據(jù)庫(kù) 整合多種數(shù)據(jù)源和數(shù)據(jù)類型可能會(huì)在市場(chǎng)反應(yīng)分析和營(yíng)銷資源的優(yōu)化方面取得重大進(jìn)展。深度學(xué)習(xí)的最大成本往往涉及數(shù)據(jù)獲取、數(shù)據(jù)庫(kù)的創(chuàng)建和維護(hù)。在我們針對(duì)用戶選擇信用卡的調(diào)查中，超過(guò)50%的成本與數(shù)據(jù)的收集、標(biāo)記以及清理有關(guān)。因此，認(rèn)為深度學(xué)習(xí)值得在業(yè)務(wù)中推廣的管理者應(yīng)該投資于軟件，以便從公司網(wǎng)站、亞馬遜、推特和Instagram收集消費(fèi)者評(píng)論，以及客戶個(gè)人搜索和購(gòu)買決定的點(diǎn)擊流記錄。

3.通過(guò)培訓(xùn)和招新的方式培養(yǎng)能力 想要發(fā)揮深度學(xué)習(xí)的優(yōu)勢(shì)，熟悉數(shù)據(jù)庫(kù)的全職專家必不可少。他們知道如何最大程度地利用豐富的數(shù)據(jù)，解決以前從未解決過(guò)的營(yíng)銷問(wèn)題，并發(fā)現(xiàn)新的戰(zhàn)略視角。處理豐富的數(shù)據(jù)，需要人工智能方面的高端知識(shí)，以及聘請(qǐng)顧問(wèn)以補(bǔ)充現(xiàn)有內(nèi)部人員的充足預(yù)算。

4.制訂實(shí)驗(yàn)計(jì)劃 除了使用深度學(xué)習(xí)進(jìn)行更好、更高效的A/B實(shí)驗(yàn)，你還可以用它來(lái)測(cè)試新的營(yíng)銷變量。這方面最大的潛力可能在于，系統(tǒng)性地使用不同變量，展開(kāi)有針對(duì)性的實(shí)驗(yàn)，評(píng)估反應(yīng)情況。目前來(lái)看最好的做法是對(duì)每位用戶采用不同的實(shí)時(shí)刺激，然后通過(guò)深度學(xué)習(xí)方法分析實(shí)驗(yàn)結(jié)果。

對(duì)未來(lái)的思考

盡管深度學(xué)習(xí)的實(shí)施需要付出較高的成本，也面臨諸多挑戰(zhàn)，但它使得分析豐富的數(shù)據(jù)庫(kù)和開(kāi)展實(shí)時(shí)實(shí)驗(yàn)成為可能，我們對(duì)它提升營(yíng)銷實(shí)踐的潛力充滿信心。深度學(xué)習(xí)應(yīng)用于營(yíng)銷數(shù)據(jù)分析，可以起到如下幾點(diǎn)作用：（1）改善對(duì)市場(chǎng)反應(yīng)的預(yù)測(cè)，從而幫助實(shí)現(xiàn)利潤(rùn)和營(yíng)銷投資回報(bào)率（ROI）的最大化；（2）揭示產(chǎn)品開(kāi)發(fā)的新機(jī)會(huì)；（3）允許更有針對(duì)性的產(chǎn)品設(shè)計(jì)、分銷、促銷以及媒體優(yōu)化。盡管舊數(shù)據(jù)和傳統(tǒng)數(shù)據(jù)分析收益甚微，但在很多新的數(shù)據(jù)分析應(yīng)用中，準(zhǔn)確性和洞察力的提高將證明在深度學(xué)習(xí)技術(shù)和數(shù)據(jù)上投資是值得的。