本月早些时候，Mailchimp 发布了 Content Optimizer，这是一款使用人工智能帮助提高电子邮件营销活动绩效的新产品。
由于其海量数据，Mailchimp 处于独特的位置，可以发现成功营销活动的常见模式。内容优化器利用该数据并使用机器学习模型和业务规则来预测电子邮件活动的质量，并提供有关如何改进内容、布局和图像的建议。
这不是 Mailchimp 首次尝试使用人工智能进行内容营销，但这可能是其在该领域最具影响力的努力。Mailchimp 智能内容产品经理 John Wolf 负责开发 Content Optimizer。Wolf 是 Inspector 6 的创始人，该初创公司于 2020 年被 Mailchimp 收购。 Inspector 6 为 Mailchimp 带来的技术和经验在 Content Optimizer 的发展中发挥了重要作用。
在接受 TechTalks 采访时，Wolf 提供了一些关于 Content Optimizer 愿景和开发过程的幕后细节，并分享了关于 AI 如何改变内容营销未来的见解。
人工智能驱动的内容营销愿景
像许多产品一样，Content Optimizer 的想法始于有人感到痛苦。Wolf 在创立 Inspector 6 之前就发现了对人工智能内容营销的需求，当时他是软件开发公司 Intradiem 的首席营销官。
与所有公司一样，Intradiem 需要出色的营销内容。但是这个过程很困难，衡量质量和成功是非常主观的。
“创作过程完全由意见主导，数据很少。这是非常手动的，非常劳动密集型的，需要很多周期才能获得正确的创意，我认为必须有另一种方式，”沃尔夫说。
当时，机器学习开始在许多领域找到真正的商业应用。因此，Wolf 开始考虑使用 ML 来优化内容营销的创意过程。
“我们的想法是，如果我们可以使用机器学习来理解营销内容会怎样?如果软件能够理解营销内容在讲述什么以及它是如何讲述的，那么它就可以将功能与营销结果相关联，并开始标准化并向大部分创意过程添加数据，并用数据替换这些意见，”沃尔夫说。
2017 年，Wolf 创立了 Inspector 6，其愿景是开发基于人工智能的内容营销。Inspector 6 成为一个 AI 平台，可分析营销内容以提供洞察力和改进建议。
迎接数据挑战
与所有应用机器学习应用程序一样，营销内容优化取决于拥有大量质量数据。因此，Inspector 6 的平台在某些领域取得了成功，但在其他领域遇到了挑战。
“我们最大的客户是一家非常大的跨国消费品公司，在 200 个国家/地区拥有 500 个品牌，我认为他们会拥有大量数据来支持我的预测模型。我发现这不一定是真的，”沃尔夫说。为小型企业提供价值更加困难，因为他们用于训练机器学习模型的数据更加有限。
在 Mailchimp 收购 Inspector 6 之前，两家公司建立了合作伙伴关系。Mailchimp 每年发送数千亿封电子邮件，通过合作伙伴关系，Inspector 6 团队体验到在 Mailchimp 拥有的大量营销数据上训练其模型的优势。
“数据量和数据的广度，从销售产品和服务的营销内容到内容营销和时事通讯，以及介于两者之间的所有内容，有些表现非常出色，有些表现也很差——具有这种深度和数据的广度成为提供此类解决方案的关键组成部分，”沃尔夫说。
建议还需要上下文。在提供有关营销活动的效率反馈之前，分析师必须了解营销活动的目标、垂直业务、受众和其他信息。同样，机器学习模型需要上下文。对 Mailchimp 来说幸运的是，它提供了充足的数据来训练可以在不同环境中表现良好的机器学习模型，客户的种类和数量。
“你将 Mailchimp 的数据与每年 3600 亿封电子邮件一起用作我们的训练集，但你必须根据上下文对其进行切片才能真正解决这个问题，”沃尔夫说。“所以基本上，3600 亿封电子邮件开始成为许多特定于上下文的单独训练集的集合。”
过渡到 Mailchimp
Mailchimp 和 Inspector 6 之间的合作最终变成了一项收购提议，这对两家公司来说都是双赢的局面。
Mailchimp 的数据和基础设施使 Inspector 6 团队有机会将其应用程序扩展到更广泛的客户群。
“在了解我的预测模型需要多少数据以及 Mailchimp 有多少数据之后，我认为现在解决这个问题真的很有趣，我主要为少数大型跨国公司解决这个问题数百万或数千万小企业，这更符合我的热情，”沃尔夫说。
另一方面，Mailchimp 必须通过收购一个久经考验的后端技术堆栈来预测营销活动的结果，以及一个专注于营销、计算机科学和数据科学交叉领域的工程师团队，来加强其人工智能工作。
“Mailchimp 在所有这些领域都有经验，但从人才的角度来看，专注于解决这个问题是 Mailchimp 最感兴趣的，”沃尔夫说。
Inspector 6 已将其技术架构为 Amazon Web Services 上的单个微服务。系统摄取营销资产，各个微服务独立完成分析它的工作。
另一方面，Mailchimp 使用谷歌云平台。因此，服务必须从一个云平台转移到另一个云平台。幸运的是，在被收购之前，Mailchimp 经历了一个庞大的项目，将他们的所有数据移植到谷歌 BigQuery，这是一个基于云的数据仓库，可以轻松管理大量信息存储并在数据分析和机器学习管道中使用它们。Mailchimp 还使用其他 GCP 产品，例如 Dataflow，这是一种流式分析服务，可以以非常有效的方式创建实时和存储数据的动态视图。
这使得将 Inspector 6 的服务集成到 Mailchimp 的云基础架构中变得更加容易。
“从技术的角度来看，我们从一个微服务集合转移到另一个微服务集合，而且效果很好，”沃尔夫说。
Inspector 6 的微服务是一种使能技术。它们被集成到 Mailchimp 系统的后端，并通过前端产品提供。这些服务最初是为 Mailchimp 提供报告服务，但逐渐发展成为通过前端产品组提供内容洞察力的生成器。Wolf 的 AI 驱动的营销活动优化愿景，开始了 Inspector 6，最终成为 Mailchimp 的内容优化器。
机器学习和业务规则
Content Optimizer 提供的记分卡反映了营销电子邮件的整体内容质量以及每个分析类别中最佳实践的数量，例如浏览性和布局。所有用户都可以访问内容记分卡。高级用户还可以获得可操作的建议来改进他们的内容。
“我们解决这个问题的北极星是提高竞选绩效。如果我们将整个用户群的营销活动效果提高 10%，这将为我们客户的业务创造 1.9 亿的在线访问量，”沃尔夫说。
自然，机器学习是 Content Optimizer 的关键组成部分。在幕后，一系列机器学习模型开始解析和分析营销电子邮件的不同部分并预测其结果。
第一批模型提取了内容的不同元素的特征，例如写作语气、消息传递、营销内容的布局以及用于讲述故事的图像。
这些特征成为下一系列机器学习模型的输入，这些模型试图预测营销活动的结果和质量。在某些领域，Content Optimizer 将 ML 预测与符号 AI 相结合，以提供更可靠和更易理解的建议。
“除了机器学习，有时我们会使用机器学习模型和业务规则的混合来检测事物，”沃尔夫说。“有时我们发现业务规则实际上比机器学习更容易维护、更容易开发，而且在某些情况下更准确。”
例如，“号召性用语”是任何营销资产的关键组成部分。大多数成功的号召性用语句子都以某种形式的动词开头。Content Optimizer 团队发现，该业务规则执行得非常好。因此，在这种情况下，他们使用 ML 库来检测 CTA 文本中的词性，并将解析后的数据提供给基于规则的系统，该系统根据静态规则评估其质量。
人为监督
虽然机器学习模型提供了有价值的见解，但它们还不能自主工作。目前，Mailchimp 使用人工操作员来确保 Content Optimizer 提供的输出有意义，并且符合创意总监的建议。
“我们经历了传统的预测建模练习，但随后有一个手动审查过程，”沃尔夫说。“这会导致流程效率低下，但我们认为目前有必要这样做。”
关于将人类操作员置于人工智能系统背后存在一些争议。有时，它被称为“绿野仙踪技术”或伪人工智能。但在我们的谈话中，沃尔夫对此非常坦率，他认为这将是产品成功的重要因素。此外，该公司并未将任务外包，而是完全通过内部资源来执行。
“在应用 AI 的早期，我认为通过提出超出范围且没有意义的推荐而失去用户信誉的风险太大了，我们希望非常小心和敏感，”沃尔夫说过。
随着内容优化器收集更多数据和反馈，该团队将逐步微调机器学习模型，并找出如何减少它们对人工协助的依赖。
“这需要时间。它增加了劳动密集型元素。但这是我们愿意让人们反对的领域，”沃尔夫说。
不保证该任务将完全自动化。但归根结底，机器学习产品与所有产品一样，是一种以更快的速度和更低的成本解决问题的工具。如果 Content Optimizer 帮助 Mailchimp 以统计上显着且具有成本效益的方式改善其客户的活动性能，那么无论需要多少人力，它都是一款成功的产品。这方面的一个显着例子是 AdWords，它是 Google 的在线广告平台及其最大的收入来源。AdWords 结合使用人工智能和人工评估来确保广告具有相关性并符合公司的政策。
向用户学习
产品管理过程的关键部分之一是向用户学习。推出产品后，您的假设将得到检验。您通常会发现您高估或忽略的痛点以及您没有考虑过的有趣用例。
例如，内容优化器表明，总体而言，Mailchimp 用户在排版方面的表现比产品团队最初估计的要好。他们还发现，许多营销人员都在努力编写简洁明了的语言。
“这几乎就像集体系统是 1400 万活跃用户的创意总监，你需要成为他们的创意总监，”沃尔夫说。“有时，他们会用他们擅长的和仍在努力解决的问题让你大吃一惊。”
根据 Wolf 的说法，Content Optimizer 的积极成果之一是营销人员已经习惯使用该产品。
“当您将新产品投放市场时，您会期待很多关于'这是什么?' 的问题。和'它是怎么做的?'”他说。但是当人们使用 Content Optimizer 时，他们的谈话更多地是关于营销而不是产品，他说，这是一个很好的惊喜。
“如果他们直接进行营销对话以及他们未来将采取的不同做法，那就是确切的目标。他们已经接受了该产品并且非常了解它，”沃尔夫说。
AI驱动的内容营销的未来
Wolf 表示，他的团队将继续扩展 Content Optimizer，以在语气、消息传递、品牌一致性、图像和其他领域提供更广泛的推荐。该产品还将从电子邮件营销扩展到网页和社交媒体等其他渠道。未来接触点也会增加。目前，Content Optimizer 是一种报告工具，但该团队还计划将其作为实时推荐系统提供，在用户编辑其内容时运行。
Wolf 也有兴趣在未来进入计算机生成的内容。
“即使是世界上最老练的营销人员也愿意花更少的时间来制作内容，”他说。“每个人都熟悉像 GPT-3 这样的前沿文案生成模型。那些很棒。但是，您如何确保它们符合品牌、符合信息，并且它们的优化方式与我们优化人工生成的内容的方式相同。”
单独使用时，生成模型难以保持一致性和连贯性。但沃尔夫认为，内容优化器管道和 GPT-3 等生成模型的结合可以为营销人员创造巨大的价值。
“我们的客户每年仅花费 2800 万小时来撰写文案，甚至没有设计和采购图像。我们认为通过生成空间中的一些技术，我们可以将其减少 80%。我们可以为客户节省 2200 万小时，”他说。“这对我来说是惊人的，这是我发现将我的业务出售给 Mailchimp 时最引人注目的事情之一，只是为了能够创造这种规模的价值。我们对未来的发展感到非常兴奋，我们真的才刚刚开始。”
