??深響原創(chuàng) · 作者｜何文

從ChatGPT驚艷亮相到各家產(chǎn)品粉墨登場，大模型可謂一石激起千層浪。

一邊是模型使用門檻的不斷降低：Meta聯(lián)手微軟高調(diào)開源Llama 2而且免費(fèi)可商用；今年6月火山引擎發(fā)布了大模型服務(wù)平臺(tái)“火山方舟”，讓非專業(yè)技術(shù)客戶可低門檻地選用、應(yīng)用大模型。

另一邊則是大模型生態(tài)逐步豐富，除了名噪一時(shí)的文心一言、通義千問等通用大模型，各個(gè)垂直領(lǐng)域也“涌現(xiàn)”出一大波行業(yè)大模型：京東的言犀、金山辦公的WPS AI、攜程的問道、閱文的妙筆……

但圈內(nèi)的熱鬧似乎止步于了科技互聯(lián)網(wǎng)，對(duì)于品牌、商家、千千萬萬的經(jīng)營者來說，大模型仍然遙不可及。而面對(duì)熱潮，面對(duì)谷歌、百度、阿里等大平臺(tái)都在推進(jìn)大模型滲透到業(yè)務(wù)的方方面面，品牌商家們多少都有些“模型焦慮”——都知道跟不上科技的惡果，但大模型這樣的技術(shù)普通品牌商家究竟應(yīng)該怎么跟？哪些生意環(huán)節(jié)可以用？怎么用？如果大家都用，我們?nèi)绾文苡贸霾罹?？用得更好?/p>

「數(shù)智化」的半步之遙

「數(shù)智化」是這幾年商業(yè)世界中經(jīng)常出現(xiàn)的高頻詞匯，它的價(jià)值人人皆知。過去商家賣貨，七分靠打拼，三分天注定，數(shù)智化就是想要把“天注定”的這三分補(bǔ)齊——通過數(shù)據(jù)解惑玄學(xué)，通過AI能力解放人力，讓世界“自由”。

但在數(shù)智化的過程中，人們會(huì)發(fā)現(xiàn)事情并不如想象中的美好。

首先是算力和數(shù)據(jù)的不足讓算法能力收到限制，類似“巧婦難為無米之炊”，我們想要數(shù)智化地來選品，但缺少用戶洞察的數(shù)據(jù)，缺少品與消費(fèi)行為之間的洞察，如果只是少量數(shù)據(jù)進(jìn)行推演，就又回到了“焦點(diǎn)小組”抽樣調(diào)查的方式。

其次是從SaaS到DaaS，“人”仍然是數(shù)智化的限制。

尤其在國內(nèi)，我們此前訪談了諸多國內(nèi)SaaS創(chuàng)業(yè)公司，他們異口同聲地談到當(dāng)前的痛點(diǎn)在于SaaS的標(biāo)準(zhǔn)化難以應(yīng)對(duì)大量客戶客制化的需求，而滿足客制化則意味著成本飆升，利潤喪失。在上一波單點(diǎn)突破的AI浪潮中，許多AI企業(yè)也陷入做項(xiàng)目、做私有化的交付實(shí)施困境中，無法實(shí)現(xiàn)盈利。此后DaaS的潮涌雖然一定程度上解決了標(biāo)準(zhǔn)化與客制化的問題，但其弱點(diǎn)在于系統(tǒng)中的規(guī)則，基本都是人來制定的，人的限制就是系統(tǒng)的限制。

“解決這個(gè)問題的鑰匙，是數(shù)智化時(shí)代的Maas，模型即服務(wù)。Maas系統(tǒng)可以通過自動(dòng)學(xué)習(xí)，不斷的更新規(guī)則，掌握新知識(shí)，從而突破人的限制。”Nint任拓集團(tuán)CEO、任拓大數(shù)據(jù)研究院院長蘇迭在首屆全域數(shù)字零售生態(tài)大會(huì)上談到。

他認(rèn)為過去AI無法大規(guī)模滲透到生活和商業(yè)中，僅在小范圍應(yīng)用的階段是數(shù)智化的1.0時(shí)代；ChatGPT的面世讓我們看到了更多可能性，算是進(jìn)入了數(shù)智化的1.5時(shí)代；而真正的數(shù)智化2.0則是各種應(yīng)用、產(chǎn)品、服務(wù)的大爆發(fā)，從創(chuàng)意輸出、應(yīng)用落地，到策略指導(dǎo)、品牌定制，全面的數(shù)智化。

這便是品牌需要的未來。而要想跨越這1.5到2.0的半步之遙，我們需要的不止是大模型，更需要立于大模型之上的行業(yè)中模型及場景小模型。

我們不妨先看下蘇迭理解的數(shù)智化的應(yīng)用架構(gòu)：

• 大模型位于最底層，作用是建立基本的認(rèn)知，具有泛化能力，我們可以通俗理解為小學(xué)通識(shí)教育，會(huì)識(shí)字，會(huì)加減乘除。

• 中模型是基于大模型通過學(xué)習(xí)行業(yè)數(shù)據(jù)而建立的，它了解某個(gè)具體行業(yè)的領(lǐng)域特征，有點(diǎn)像中學(xué)的學(xué)科教育，歷史地理，物理化學(xué)。

• 而再往上走就是場景小模型，類似大學(xué)專業(yè)，土木工程、航空航天、工商管理。它是一種任務(wù)模型。小模型是基于中模型以及具體場景的數(shù)據(jù)而建立的，并且可以利用每家企業(yè)實(shí)際業(yè)務(wù)數(shù)據(jù)，繼續(xù)精調(diào)模型，幫助企業(yè)解決具體工作中問題。

對(duì)于品牌來說，大模型成本驚人難以入手，而行業(yè)中模型雖然能更垂直，但每家企業(yè)、每個(gè)品牌的應(yīng)用場景各不相同，實(shí)際操作起來仍困難重重。唯有更具體的小模型，既“接地氣”地直接指向?qū)嶋H場景，又成本可控，讓企業(yè)品牌們能夠在當(dāng)前降本增效的大趨勢下，兼顧未來。

用“內(nèi)容種草”來舉個(gè)簡單的例子，此前內(nèi)容與商品的數(shù)據(jù)是不流通的，品牌憑經(jīng)驗(yàn)認(rèn)知做內(nèi)容、投放達(dá)人，內(nèi)容只是社媒營銷，究竟哪些內(nèi)容能帶來種草，哪些內(nèi)容能帶來最終的拔草，沒有人能精準(zhǔn)歸因。不確定的內(nèi)容，放在不確定的人、貨、場中，相當(dāng)于不確定性多重疊加的黑盒。

現(xiàn)在商家品牌對(duì)于內(nèi)容給予了更多厚望，內(nèi)容肩負(fù)著社媒營銷、沉淀品牌和電商轉(zhuǎn)化的多重目標(biāo)。而這就需要讓內(nèi)容與商品、內(nèi)容與消費(fèi)者之間的關(guān)聯(lián)變得可見、可分析、可歸因。

大模型的運(yùn)用讓我們能夠在萬億級(jí)別的數(shù)據(jù)中厘清增長的主線。中模型結(jié)合美妝、母嬰、消費(fèi)電子等垂直領(lǐng)域的不同情況進(jìn)一步細(xì)化思考邏輯。再結(jié)合具體場景，如新品發(fā)售、打爆品、忠粉復(fù)購、節(jié)點(diǎn)大促等，選取特定小模型，做到真正的“招招中的”。

品牌可以用目前熱度還不算太高的“分析式AI”找到方向、形成精準(zhǔn)策略，實(shí)現(xiàn)營銷增效，同時(shí)用當(dāng)紅的生成式AI來生產(chǎn)內(nèi)容，讓內(nèi)容降本。二者協(xié)同起來，生成式AI幫助我們發(fā)現(xiàn)新的規(guī)則，基于新的規(guī)則，再用分析式AI解決具體問題。

蘇迭認(rèn)為，要想跨越數(shù)智化的“半步之遙”， 需要從生成式AI跨到生成式+分析式AI、需要從使用公開化數(shù)據(jù)，跨到使用（公開化的）私有化數(shù)據(jù)、需要從多樣性跨到（多樣性的）整合性。

如此一來，不光解決了平臺(tái)服務(wù)方在標(biāo)準(zhǔn)化與客制化之間糾結(jié)的矛盾，還讓品牌面對(duì)大模型不再是一臉茫然，而是能夠以實(shí)際使用場景為出發(fā)點(diǎn)直接用上小模型并根據(jù)自己的情況優(yōu)化，從而拉開與同行的差距。

“我們有一個(gè)夢想，希望讓每個(gè)品牌商都可以擁有自己的AI模型。”——蘇迭的設(shè)想已不遙遠(yuǎn)。

任拓解法：技術(shù)力+內(nèi)容力

在幫助品牌借力模型激發(fā)增長這件事上，任拓可以說是在業(yè)務(wù)邏輯上水到渠成、在執(zhí)行能力上也有天然的數(shù)據(jù)優(yōu)勢。

作為數(shù)字零售大數(shù)據(jù)方面的專業(yè)分析機(jī)構(gòu)，任拓已有十余年的電商數(shù)據(jù)追蹤經(jīng)驗(yàn)，80%左右的500強(qiáng)品牌都是他們的客戶。此前，任拓主要為客戶提供全域電商測量和內(nèi)容實(shí)效測量兩大方面的服務(wù)。就在昨天，任拓發(fā)布了「任拓勝算AI增長模型平臺(tái)」并且攜手上海市數(shù)商協(xié)會(huì)、第一財(cái)經(jīng)、小紅書營銷、天下秀、交大安泰、筷子科技、D1M、寶捷會(huì)創(chuàng)新基金及等成立了首個(gè)數(shù)字零售聯(lián)盟、發(fā)布多場景應(yīng)用級(jí)小模型，想要和生態(tài)伙伴一起走進(jìn)數(shù)智化的2.0。

具體來看，任拓勝算AI增長模型平臺(tái)分為三層：

能力層一方面是任拓的底層技術(shù)，包含著任拓勝算AI、生態(tài)伙伴們的自研算法以及合適的大模型；另一方面是其積累的海量數(shù)據(jù)，包括行業(yè)數(shù)據(jù)及具體場景數(shù)據(jù)。

模型層聚焦行業(yè)中模型，比如美妝中模型、母嬰中模型、食品中模型等；并將建立場景小模型，比如選品通、風(fēng)向標(biāo)等。

應(yīng)用層則是基于中模型和小模型生成一個(gè)個(gè)“任務(wù)球”，讓問題更細(xì)化。比如美妝行業(yè)中模型可以與“屬性通”小模型結(jié)合，為美妝品牌生成選品策略的任務(wù)球，解決具體問題。

其中，「屬性通」和「風(fēng)向標(biāo)」雙SaaS格外值得關(guān)注。

「屬性通」用于選品。

事實(shí)上，越來越多的品牌開始以內(nèi)容為指導(dǎo)反向選品。今年年初，小紅書CMO之恒跟我們分享了珀萊雅的例子——她們發(fā)現(xiàn)在小紅書上用戶非常關(guān)注“早C晚A”，怎么樣能夠抗老？怎么樣能夠淡紋？于是珀萊雅借助“早C晚A”的用戶趨勢推出了“早C晚A”雙抗和紅寶石精華兩款精華的CP組合。經(jīng)過有效的種草，那一年拿住了“早C晚A”關(guān)聯(lián)記憶的第一心智。之后，她們又在 “早C晚A”之外發(fā)現(xiàn)，年輕人由于種種原因，皮膚敏感肌變成了新的痛點(diǎn)，又接著在精華賽道里差異化地推出了修護(hù)維穩(wěn)的源力精華。

任拓的“屬性探索”， 不止于單一平臺(tái)，而是拉通全域的數(shù)據(jù)，解構(gòu)社交內(nèi)容，用大數(shù)據(jù)建模歸因分析，幫品牌在消費(fèi)大爆炸中找到關(guān)鍵的賽道和產(chǎn)品、分析預(yù)測消費(fèi)趨勢，從源頭上找到好“品”。畢竟只有“品”好了，后面的內(nèi)容營銷才會(huì)事半功倍。

「風(fēng)向標(biāo)」則用于內(nèi)容策略。在這里，品牌可以看到熱詞榜單、新詞榜單、聲量榜單、聲量增速榜單，綜合評(píng)估關(guān)鍵詞的熱門度、新鮮度、討論熱度和增長速度。

比如剃須刀品牌想要知道消費(fèi)者最關(guān)心哪些關(guān)于剃須刀的信息、哪些關(guān)鍵詞能夠一下子就抓住潛在消費(fèi)者的注意力，甚至消費(fèi)者會(huì)在什么情況下選擇更換剃須刀的品牌等等，品牌就可以通過“風(fēng)向標(biāo)”找到熱詞、關(guān)鍵詞的深入分析。

有了這些明確的“風(fēng)向標(biāo)”，品牌的內(nèi)容生產(chǎn)也能有的放矢，直達(dá)消費(fèi)者高熱話題，為后續(xù)生成更能打動(dòng)消費(fèi)者的內(nèi)容指引方向。要知道，在5月份舉行的Google Marketing Live活動(dòng)，谷歌已經(jīng)開始針對(duì)用戶的搜索關(guān)鍵詞針對(duì)性地實(shí)時(shí)生成廣告文案了。這種迅速洞察內(nèi)容風(fēng)向的能力在未來會(huì)越來越重要。

當(dāng)然，這里不得不說再多說幾句的是任拓的結(jié)構(gòu)化內(nèi)容標(biāo)簽，它們是一切模型的燃料。標(biāo)簽的顆粒度、時(shí)效性、豐富度、全域性、都會(huì)影響算法的最終結(jié)果呈現(xiàn)。

比如標(biāo)簽的顆粒度，直接決定了AI分析的精準(zhǔn)性。拿美妝產(chǎn)品的目標(biāo)用戶來說，如果標(biāo)簽顆粒度僅有男性、女性，或者只是簡單的年齡標(biāo)簽，那么即使用上大模型，也無法得出任何有建設(shè)性的意見。但如果標(biāo)簽細(xì)化到熬夜黨、熊貓眼、浮腫星人、孕期準(zhǔn)媽媽、產(chǎn)后恢復(fù)期、男孩母親……分析與歸因的效果可想而知。

那為什么標(biāo)簽還需要拉通全域？因?yàn)槲覀兊纳馐侨虻?、多平臺(tái)部署的。雖然內(nèi)容與電商融合是這兩年的大趨勢，但仍有很多內(nèi)容平臺(tái)其實(shí)并沒有健全電商能力，品牌也不得不面臨A平臺(tái)種草，B平臺(tái)拔草的“斷鏈”問題。

無論品牌是在抖音還是小紅書，任拓的一套標(biāo)簽打通了不同平臺(tái)的數(shù)據(jù)壁壘，鏈接內(nèi)容數(shù)據(jù)和電商數(shù)據(jù)，相比于平臺(tái)自身的數(shù)據(jù)分析工具就更有“全局”視野了。

據(jù)了解，NINT自研的知識(shí)圖譜模型，目前已在食飲、美妝、大健康等類目應(yīng)用，內(nèi)容和電商結(jié)合準(zhǔn)確度更高，詞語更豐富。而其構(gòu)建的4級(jí)標(biāo)簽知識(shí)圖譜全面覆蓋了人貨場及內(nèi)容創(chuàng)意場景，通過衡量不同內(nèi)容標(biāo)簽在種草和轉(zhuǎn)化上的表現(xiàn)，為品牌定位出更有效果的內(nèi)容要素、高潛力的內(nèi)容生產(chǎn)方向，再輔助內(nèi)容快速生成。這也為上述提到的任拓勝算AI增長模型平臺(tái)、「屬性通」和「風(fēng)向標(biāo)」雙SaaS提供了源動(dòng)力。

林林總總這么多，其實(shí)無非是站在品牌的角度思考未來數(shù)智化的圖景，以及在這幅數(shù)智化2.0的圖景中，品牌能如何“搶先上車”直奔未來。

任拓給出了一套綜合的解法——既有底層邏輯的思考，也有務(wù)實(shí)問題的解決方案。我們可以相信，更多品牌已經(jīng)從數(shù)智化的焦慮中緩過神來，且走在了以模型促增長的路上。這會(huì)給人以持續(xù)探索這一領(lǐng)域的信心。

在未來，毫無疑問會(huì)有更多細(xì)分場景得到AI的支持、大模型的能力也會(huì)不斷提升，是否應(yīng)用模型與數(shù)據(jù)的力量將不再是一道選擇題，數(shù)智化也將從一個(gè)行業(yè)話題真正成為滲透商業(yè)與生活的常態(tài)。