原创：砺道智库 弘泰

据福布斯网9月25日报道，值得注意的是，数字营销活动的设计和开发与当今领先的人工智能学习计划所设定的设计标准没有太大的不同。

世界上最好的人工智能学习程序-无论是基于云的程序，比如亚马逊的Alexa或非云设备DeepCube，一开始就有一个基于接收和同化刺激的框架和能力来实时进行内部变化。

这些被称为深度学习模型，使反馈和反应被整合到所有未来行动的决策和处理框架中，然后随着更多的刺激被不断地重塑和完善。有趣的是，这种迭代过程实际上归功于人类大脑是如何自我发展的：通过增加常用神经网络的带宽，以更快的速度传播信号和触发响应动作，同时去除很少使用的突触以消除空白和浪费。

同样，数字营销是一门建立在深度学习基础上的科学，任何可持续发展的营销活动都需要有可塑性和深度学习模型，以改进其反馈建模。

从最简单到最复杂的数字运动，你需要能够在反应和反馈的基础上无缝地适应，从而产生最快的价值增长，在大多数情况下，这将是销售增长或消费者参与，并消除过剩或低效。

例如，要想在Facebook上开展一场成功的广告宣传活动，你的方法必须从探索不同的消费者对你的产品的反应方式，到将获得最大回报的受众人数增加一倍。

要想在谷歌(Google)的广告活动中取得成功，你必须再看看哪些关键词能产生最高的响应(点击到网站)，或者更确切地说，哪些关键词的最终价值(销售额)增长最快。不可避免的是，你在这方面的进展方向将是将这些高增长的价值增倍。

就像Alexa和DeepCube这样的人工智能系统一样，任何数字营销活动的熟练程度都将取决于它对外界刺激的智能反应速度，并重新调整其信息传递和目标定位过程(这被称为A/B测试)，以推动平均定律中最大的结果。

一旦你的营销系统以最高的效率运行，营销人员称之为产品市场适配，那么你就能够以一种精简、可靠的方式进行规模扩张。精简的比例意味着你的回报将从很大程度上不可预测，变成一个更可预测（更少偏差）的共同效率，你花了多少预算乘以你的转换率乘以你的产品价格。

这是任何数字营销活动的最终目标，只有通过建立沿着科学发展曲线运行的灵活的营销模式，才能可靠地实现这一目标。