至顶网软件频道消息: 客户的期望值正在变化,当他们接触社交媒体上的品牌时,他们将不再满足于那些一成不变的回复。
事实上,有52%的消费者表示,如果沟通是非个性化的,他们会抛弃这个品牌。同时,由于资源不足,51%的营销人员承认通过不同渠道反复使用相同的信息。
对于小品牌来说,个性化和真实度可能会更容易做到。然而,当你的企业每天收到几千条消息、并且通常是相同内容的时候,个性化就会迅速演变成一件高成本的事情。
对于社交媒体来说,自动化已经不是什么新鲜事了。但随着“更智能”的工具被用于各种场景中,人们就会想到一个合乎逻辑的问题:人工智能是否准备好在社交媒体上与人类进行交互?
对于那些希望在自动化交互中增加一些“个性化”的企业来说,聊天机器人是其中一种解决方法。据Gartner估计,到2020年聊天机器人将处理85%的客户互动。千禧一代特别喜欢聊天机器人,其中55%的人表示与聊天机器人互动提高了他们对企业的看法。
聊天机器人相当擅长协助处理日常任务,如收集订单详情、提供联系信息、提供自定义偏好或安排电话会议/会面等。但是当一位客户提出了“脚本之外”的问题时,这些“聪明的沟通者”很快变得一无是处。
在“学习”方面的设计差距和缺陷,也会对AI在社交媒体上处理多层对话能力造成负面影响。曾经有一家企业让AI自己发推文,酿成了一场重大的公关灾难。
有近一半的企业高管认为AI最大的优势是通信自动化,这将为决策提供额外的数据支持。
如前所述,聊天机器人和类似的智能工具可以有效地收集有关客户的信息,当与神经语言编程(NLP)功能配合使用时,可以分析在线发生的无数对话,并确定关于你的品牌或竞赛的关键主题、最新趋势和情绪。
以AI为动力的社交媒体营销工具可以帮助品牌减少噪音,并在恰当的时间以恰当的价格瞄准恰当的人群。例如,作为新一代“智能”工具,Aubry可以在线跟踪和分析超过190亿实时客户行为,并为企业找出准备购买的潜在客户——而不是仅仅符合人群侧写的潜在客户。显然,人工智能可以在这样人类团队无法与之竞争的规模下进行分析。
除了帮助品牌找到理想的受众群体,并为他们提供所需的信息,人工智能工具还可以帮助将数据用于广告中,制定最佳的广告选择。
Facebook、Google和LinkedIn广告平台已经具有的“智能”功能,可以提供与广告相匹配的类似客户侧写。不仅如此,让人工智能来解决影响力营销——在2017年有92%的营销人员发现这一举措是有效的。
但总有改进的空间。大多数品牌称,寻找和筛选真正高质量的影响力者,是需要大量手动工作、非常耗时的事情。衡量投资回报率也具有挑战性。人工智能可以更好地处理这些杂事,甚至可以处理更复杂的任务,例如:
· 使用预定义的变量来寻找具有正确目标受众、个性和品牌风格的影响者
· 根据过去合作关系的数据预测可能的影响者表现
· 建议广告的最佳发布时间和持续时间,以最大范围覆盖到用户
· 根据影响者的已知偏好和过去的行为,预估推荐的激励措施
总的来说,智能算法可以帮助降低与不匹配的影响者合作的风险,这些影响者往往没有符合特定品牌活动的受众群体或信誉度。
KLM是一家受欢迎的荷兰航空公司,每周他们在社交媒体上会有130,000次“被提及”。他们聘请了一个由250名社交媒体经理组成的团队,来处理所有这些客户查询。显然,这是一笔可以优化的巨大开支。
人工智能可能没有完全准备好接管社交媒体上的所有沟通,但“智能”的帮助可以减轻人类团队的负担。这正是荷兰航空正在做的。
荷兰航空公司最近率先推出了一个由人工代理和人工智能组成的团队,以处理所有与Twitter、Facebook Messenger和WhatsApp上的客户社交媒体对话。现在有超过50%的传入查询(通常是大致相同的问题)是由AI处理的。
这种算法可以根据对话背景向人类代理建议可能的答案,从而自动回答最简单的、最常见的问题。这个人工智能系统也逐渐从代理的行为中逐渐学习,从而逐渐能够处理更复杂的问题。人类员工则不再处理重复的日常琐事,有更多时间为焦虑的客户提供个性化支持。
人工智能尚未准备好在社交媒体上独立行事,并代表品牌主导所有对话。但人工智能系统正在迅速改进,已被证明是人力资源管理不可或缺的助手。毫无疑问,我们将在不远的未来看到社交媒体上有更多人工智能与人类团队合作的例子。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。