我们正站在一个新时代的悬崖边，在这个时代，营销和人工智能（AI）的结合正迅速成为增长和创新的催化剂。认识到这一巨大转变，MMA Global开展了一项开创性的研究「人工智能在市场营销中的现状」，以描绘人工智能在营销和客户体验中的应用前景。该研究的调研对象覆盖了其108名成员，询问人工智能的相关事项（尽管它没有直接涉及生成式人工智能，因为这项研究是在ChatGPT发布后对生成式人工智能的兴趣爆发之前进行的）。
这份首份MMA全球报告的研究结果证实，我们确实处于人工智能驱动的营销格局的拐点。数据显示，扩展的实验和规模的集中正在发生，特别是在营销优化和个性化领域，四分之三的公司瞄准了这些领域。
然而，向人工智能的过渡并非没有障碍。只有五分之一的企业为人工智能应用建立了坚实的商业案例，这是企业获得高层领导支持并在该领域进一步投资的关键一步。此外，该研究清楚地指出，企业和已有的数据挑战可能会阻碍人工智能的采用。
MMA发现，企业孤岛和分散的所有权对为人工智能部署创建统一的愿景和清晰的路线图构成了巨大的障碍。数据质量和系统集成方面预先存在的问题也是阻碍人工智能成功部署的关键挑战。
也许最引人注目的是，研究表明，人们对人工智能相关风险缺乏认识和准备。在接受调查的营销人员中，近一半的人并不完全了解人工智能风险相关话题，只有八分之一的人制定了应对未来这些风险的策略。人们越来越意识到这种超级强大的新技术存在风险。但是否采取足够的措施来降低风险，仍然是一个巨大的问号。尽管如此，MMA Global的首席执行官格雷格·斯图尔特认为，人工智能的潜力超过了它的缺陷，因为它将使数据的潜力得到充分实现。
随着研究进一步深入，MMA相信理解和利用人工智能的力量，以及应对未来的复杂挑战，将是驾驭动态数字格局的关键。研究结果强调了企业不仅要接受人工智能及其在营销优化和个性化方面的巨大潜力，还要应对未来的复杂挑战的紧迫性。
MMA 中国区经理王莹表示：与很多热门的新兴概念和技术（比如前年的元宇宙热潮）一样，传统的营销工作方式向人工智能和生成式AI的过渡也并非完全没有壁垒。对于新生技术在理念上的接受，到真正在营销层面的降本增效，和提升消费者体验层面的部署和规模化的运用还有很多事情要做。
这份报告提供了一个全面的战略框架，以指引读者进入这个有前途、但复杂的人工智能营销世界，包括三个关键领域：
1. 增长及用例议程：深入研究营销人员如何利用人工智能推动业务发展，突出显示现有的用例和应用。
2. 风险及治理议程：权力越大，责任越大。研究探讨了企业是怎样为人工智能相关风险做好准备，特别是在人工智能精度和道德考虑方面。
3. 企业和能力议程：随着人工智能重塑营销格局，营销人员如何重新思考他们的企业架构和工作流程，以有效利用人工智能的潜力。
关于2023年人工智能现状的关键洞察
人工智能在营销和客户体验方面的应用已经提上议事日程
1. 达到该阶段需要花在AI上的时间
规范：47%
测试：33%
界定：21%
尚未开始：0%
2. 人工智能在营销和客户体验中的应用阶段
少于12个月：22%
1-2年：53%
3-4年：22%
5年以上：3%
活动和个性化是市场营销的首要用例
战略与规划：30%
生产：27%
活动&个性化：47%
测量：31%
客户服务支持：36%
尽管令人兴奋，但该行业仍处于人工智能部署的早期阶段
很少有公司建立了强大的人工智能商业案例
稳健且经过验证的结果；研究完全一致：19%
验证和一致的问题仍然需要解决：43%
验证和调整研究和方法结果的挑战：26%
没有验证或不确定的结果：13%
部分所有权和问责制可能会阻碍人工智能愿景和清晰路线图的创建
当涉及到人工智能部署时，数据预先存在的问题就会浮出水面
数据质量：我们的企业开发了最好的类流程，以确保用于人工智能应用和营销决策的所有数据都是最高质量的。
数据广度和深度：可用于AI的消费者数据完整而深入，确保同类最佳应用。
系统集成：数据系统完全集中在单一平台上，企业完全在云环境中运行，所有数据可以由企业中的所有员工轻松访问，并且对用户友好。
人工智能给企业带来了一系列新的挑战。
在以下每一项的两个数字中，前者代表认为该问题是一种风险的企业的比例，后者是不认为是风险或不知道该问题存在的企业的比例。
缺乏精确度，或者无法测量精确度：82% vs. 18%
缺乏透明度和难以解释人工智能的影响：75% vs. 25%
造成公平和代表权问题的偏见：75% vs. 25%
对抗性攻击的风险/人工智能被故意欺骗的可能性：74% vs. 26%
人工智能优化与品牌识别之间的潜在冲突：71% vs. 29%
脆弱性（人工智能在从训练数据集转移到新数据集时“中断”的可能性、虚假相关性和缺乏鲁棒性）：70% vs. 30%
对劳动力的影响/担心一些职位会因为人工智能而过时：67% vs. 33%
推荐引擎两极分化风险：67% vs. 33%
大多数企业都处于处理此类风险的早期阶段
46%的公司正在采取行动，重点关注企业层面的人工智能治理
企业有一个专门的人工智能治理指导委员会，由高层管理人员持续会议组成，由人工智能从业者和管理人员组成的专门工作组，每个人工智能治理小组都有明确的优先事项和目标：17%
企业有专门的人工智能治理结构，并制定了一些程序来集中人工智能应用活动：29%
执行团队制定了一些程序来创建人工智能治理结构；它们的活动是由几个议程和优先事项不明确的工作组共同参与的：34%
没有正式的治理过程：19%
在人工智能应用和扩展方面处于领先地位的公司已经设法获得了领导层的支持
指数显示了目前扩大人工智能实践的公司与市场其他公司的相对成熟度。
关于2023年人工智能状态的关键洞察概述
我们正处于一个拐点：大量实验和重点扩展正在进行，特别是在优化和个性化方面（4家公司中有3家专注于此）。
企业和数据挑战将阻碍采用：企业各自为政的部门「孤岛」和分散的所有权是阻碍创建统一的愿景和清晰的路线图的关键问题；数据质量和系统集成方面存在的问题是阻碍成功部署的关键挑战。
构建商业案例开启领导力支持：最初的结果令人鼓舞，但只有五分之一的公司建立了坚实的商业案例；领先的公司更有可能得到高层领导的支持。
现在是考虑人工智能相关风险的时候了：大约1/2的营销人员不了解人工智能风险议程；很少有公司（八分之一）有未来的战略。
MMA的人工智能成熟度框架：
增长议题和用例部分
当涉及到人工智能应用时，客户体验和旅程具有最清晰的可衡量目标（AI的目标）
改善客户体验：72%
个性化客户旅程：69%
提高数据分析的价值并产生变革性洞察：51%
目标定位提高：50%
提高运营效率和利润率：49%
自动化营销流程：45%
推动营收增长：44%
提高媒体效率：38%
自动化客户交互：34%
提高敏捷性和市场速度：34%
促进创新和新产品开发：30%
探索营销用例
战略与规划：媒体配置过程，对创意发展和受众选择的洞察，定价等。
生产：文案创作、内容管理、版本控制/翻译、预测试等。
活动和个性化：匹配上下文或其他受众数据，实时定制创意/提供，登陆页面，预测下一步行动，根据创意进行优化，调整支出/重新分配。
测量：按渠道衡量ROAS，协调来自不同来源、工具和指标的结果，创建绩效报告，显示对财务绩效的统一、增量、短期+长期影响。
客服支持：会话人工智能，聊天机器人，代理辅助，自然语言处理，分析客户交互记录等。
活动和个性化是许多企业关注的领域，也是人工智能应用的起点（人工智能的营销用例）
企业重点关注市场营销和客户体验领域
战略与规划：媒体配置过程，对创意发展和受众选择的洞察，定价等。
生产：文案创作、内容管理、版本控制/翻译、预测试等。
活动和个性化：匹配上下文或其他受众数据，实时定制创意/提供，登陆页面，预测下一步行动，根据创意进行优化，调整支出/重新分配。
测量：按渠道衡量ROAS，协调来自不同来源、工具和指标的结果，创建绩效报告，显示对财务绩效的统一、增量、短期+长期影响。
客服支持：会话AI，聊天机器人，代理辅助，自然语言处理，分析客户交互记录等。
初步证据是积极的，但还需要做更多的工作
提高ROI是大多数营销人员的关键指标（衡量人工智能的影响）
提高营销效率（ROI,ROAS）：68%
在特定任务上花费的时间（工时）减少：50%
客户满意度/净推荐值（NPS）提高：48%
观察或跟踪从手动到自动化的任务（提高效率）：40%
更高的客户生命周期价值（CLV）：39%
留存率提高：35%
客户获取成本降低：34%
（经营）利润率提高：31%
减少人为错误：31%
增量收入归因于人工智能：24%
其他（指定）：3%
尽管围绕人工智能进行了所有的测试和学习，但只有少数公司能够在领导层的支持下建立起强大的愿景（人工智能战略和领导力支持）
在评估如何将人工智能应用于我们的营销和客户体验能力方面，我们还处于非常早期的阶段，没有明确的愿景或路线图：9%
在一些有希望的领域存在孤立的实验，但缺乏统一的愿景、路线图或领导层的承诺：36%
有远景和战略路线图的要素，并有领导层的部分承诺：31%
我们有强有力的愿景，有领导层的支持，有执行和衡量影响的清晰路线图：24%
增长议题的关键要点
在人工智能实施的核心，公司主要关注的是提高客户体验。这一关键战略正在塑造企业将人工智能融入其运营矩阵的方式。
为了衡量这些人工智能战略的有效性，企业主要依赖于提高投资回报率（ROI）的关键指标。然而，他们也重视效率的提高，认识到人工智能给他们的营销活动带来的多方面好处。
目前，人工智能的主要用例集中在活动和个性化上。许多企业正在利用人工智能的能力来培养个性化的客户体验，增强营销活动，这标志着一种更有针对性和以客户为中心的方法的趋势。
尽管这是最初的重点，但我们预计人工智能应用的范围可能会在不久的将来扩大。随着生成式人工智能的潜力得到充分实现，我们预计将转向其他用例，包括创意资产的生产、战略和规划、测量和归因以及客户服务支持。
尽管人工智能价值的初步证据是积极的，但我们的研究强调，需要做更多的工作来验证人工智能的商业案例，并巩固其应用的愿景。尽管对人工智能进行了大量的实验，但只有少数公司在领导层的全面支持下，成功地建立了一个强大的人工智能愿景。这是可能加速人工智能应用进程的关键一步。
MMA的人工智能成熟度框架：
风险议题和治理部分
人工智能给企业带来了一系列新的挑战，其中「认为这是一种风险」及「不考虑风险/不知道」的比例对比
缺乏精确度，或者无法测量精确度：82% vs. 18%
缺乏透明度和难以解释人工智能的影响：75% vs. 25%
造成公平和代表权问题的偏见：75% vs. 25%
对抗性攻击的风险/人工智能被故意欺骗的可能性：74% vs. 26%
人工智能优化与品牌识别之间的潜在冲突：71% vs. 29%
脆弱性（人工智能在从训练数据集转移到新数据集时“中断”的可能性，AKA，虚假相关性和缺乏鲁棒性）：70% vs. 30%
对劳动力的影响/担心一些职位会因为人工智能而过时：67% vs. 33%
推荐引擎两极分化风险：67% vs. 33%
大多数企业都处于处理此类风险的早期阶段（人工智能的挑战和风险）。
为了应对风险，「没有战略」、「正在制定战略」以及「有战略」的对比：
缺乏精确度——或无法测量：26% vs. 41% vs. 15%
造成公平和代表权问题的偏见：25% vs. 35% vs. 15%
缺乏透明度和难以解释人工智能的影响：25% vs. 32% vs. 19%
对抗性攻击的风险/人工智能被故意欺骗的可能性：27% vs. 29% vs. 19%
人工智能优化与品牌识别之间的潜在冲突：26% vs. 31% vs. 14%
脆弱性（人工智能在从训练数据集转移到新数据时「中断」的可能性，AKA，虚假相关性和缺乏鲁棒性）：25% vs. 31% vs. 14%
推荐引擎两极分化风险：26% vs. 26% vs. 15%
对劳动力的影响/担心某些职位将因人工智能而过时：28% vs. 26% vs. 13%
建立知识共享规则和流程需要付出更多努力（人工智能知识共享）
在所有营销能力中明确定义的规则和一致的知识共享过程：9%
有主要的确定的规则和一致的知识共享流程：27%
有一些明确的规则，但知识共享的过程不一致：42%
没有明确的规则和流程：22%
46%的公司正在努力，专注于在企业层面进行专门的人工智能治理
企业有一个专门的人工智能治理指导委员会，由高层管理人员持续会议组成，由人工智能从业者和管理人员组成的专门工作组，每个人工智能治理小组都有明确的优先事项和目标：17%
企业有专门的人工智能治理结构，并制定了一些程序来集中实施人工智能应用活动：29%
执行团队制定了一些程序来创建人工智能治理架构；活动是由几项议程和优先事项不明确的工作组共同参与的：34%
没有正式的治理过程：19%
风险议题的关键要点
人工智能的引入给企业带来了一系列独特的挑战。这些问题包括准确性和透明度，数据和算法的潜在偏差，以及追求优化与保护品牌资产之间的潜在冲突。这些挑战需要谨慎的关注和细致入微的策略。
我们的研究表明，大多数企业仍处于处理这些人工智能相关风险的早期阶段。此外，在建立明确的信息共享规则和流程方面，还需要付出更多努力——这是减轻潜在人工智能风险的关键一步。目前，只有9%的公司在这一领域建立了明确的规则和流程，这凸显了这一问题在负责任的人工智能应用过程中的重要性。
令人鼓舞的是，我们的研究显示，46%的公司正在积极应对这些挑战，强调在企业层面建立专门的人工智能治理。这种前瞻性的方法标志着对负责任的人工智能使用的承诺，为面对人工智能相关风险时更具弹性和适应性的营销环境奠定了基础。
MMA的人工智能成熟度框架：
企业和能力议题
先前存在的数据质量问题正在浮出水面（人工智能计划的进展）
1. 数据质量
我们的企业开发了最好的类流程，以确保用于人工智能应用和营销决策的所有数据都是最高质量的：11%
有适当的程序定期确保良好的数据清理/质量，从而加强对企业的信任：46%
一些核查程序已经到位，但数据质量仍不清楚：35%
数据的质量尚不清楚，我们也没有验证的流程：8%
2. 广度和深度
可用于AI的消费者数据完整而深入，确保同类最佳应用：10%
可用的消费者数据基本上是完整的，尽管有些数据缺乏进一步优化人工智能精度所需的深度：34%
现有的消费者数据不完整，存在一些差距，这偶尔会给人工智能应用带来困难：42%
现有的消费者数据不完整，存在许多空白，这给人工智能的应用带来了困难：14%
既有的数据系统也阻碍了人工智能的实施（人工智能与数据系统集成）
数据系统完全集中在单一平台上，企业完全在云环境中运行，企业中的所有员工都可以轻松访问所有数据，并且对用户友好：5%
企业正在将遗留数据系统转换为统一和集中的云平台，并且企业的大多数员工可以轻松地以友好、易于使用的方式访问消费者数据：34%
数据在某种程度上集成到一个平台上，企业的一些员工可以轻松访问消费者数据：40%
既有的数据系统仍然在孤岛中运行，很少或根本没有集成业务/营销需求：21%
对于大多数营销人员来说，云计算和CDP一直是一个明确的焦点（人工智能平台）
营销人员意识到，他们需要为人工智能构建更复杂的数据基础设施（人工智能基础设施）
我们已经在网络基础设施（例如企业网络）上进行了投资，以支持应用程序的效率和规模（可伸缩性、高带宽和低延迟）：4.75
我们利用内部和外部的客户和市场数据来训练预测算法：4.72
我们采用了人工智能基础设施，以确保客户和市场数据的安全，从端到端使用最先进的技术：4.33
我们已经投资于先进的云服务，以允许复杂的人工智能能力在简单的API调用（例如微软认知服务，谷歌云视觉）：4.29
我们采用并行计算方法处理人工智能数据：3.07
大多数企业缺乏专门的人工智能人才或优先处理人工智能事务的人才来填补空白（对人工智能专家的任用）
1.专业人才的可获得性
达到相当大程度：15%
达到很大程度：37%
达到一定程度：36%
仅在小范围内：12%
2.优先聘用专业人才
非常高优先级：13%
高优先级：32%
优先级：45%
低优先级：10%
需要更多地关注如何将人工智能应用于营销的相关培训（AI营销培训）
培训已经得到了充分的拓展，不论是项目或主题都是一致的，包括行业和跨市场的新主题：9%
培训是存在的，但它是不一致的，并不总是针对每项能力进行定制：36%
为了更好地理解人工智能对其工作的影响，企业中的营销人员接受了最少的培训：33%
目前没有开发培训，市场营销人员也很少有机会接受培训：22%
为了释放必要的资源，领导的作用至关重要（领导层对人工智能的态度）
领导层有清晰的愿景，正在优先考虑人工智能应用，并在能力方面进行大量投资：13%
领导层致力于优先考虑人工智能，并制定明确的应用路线图：30%
领导层认识到需要在人工智能方面提高准备程度，但尚未采取重大举措：52%
领导层不愿将人工智能作为重点关注领域：5%
然而，在人工智能方面，领导层似乎缺乏紧迫感
特别紧急：9%
非常紧急：29%
有点紧急：52%
一点也不急：10%
企业议题的关键要点
虽然营销人员了解利用内部和外部数据来训练算法的重要性，但在这个人工智能驱动的时代，围绕数据存在的问题出现了重大挑战。这种广泛的担忧会渗透到数据质量和数量等具体方面，事实上，我们的调查发现，只有十分之一的营销人员在管理有效部署人工智能所需的数据质量和数量方面达到了成熟。
既有的数据系统是人工智能实施的另一个障碍。尽管许多营销人员在整合他们的数据技术栈方面取得了长足的进步，但只有二十分之一的营销人员在这一领域达到了成熟，这强调了继续努力和进步的必要性。尽管如此，我们还是看到了营销领域的一线希望，因为相当一部分营销人员（40%）正专注于云和客户数据平台（cdp），并在这些领域拥有全面运营的系统。这一趋势表明，人们越来越认识到复杂的数据基础设施在成功的人工智能应用中的关键作用。
在这一过程中，领导力发挥着关键作用。为了释放人工智能在营销中的变革潜力，领导者必须调动必要的资源，并优先考虑人工智能的准备情况。具体来说，企业内部的人工智能专业人才缺口明显，需要更加重视在市场营销中开发相关的人工智能应用培训。然而，在拥抱人工智能方面，领导层似乎缺乏紧迫感，这表明需要转变企业思维方式来采用人工智能。
