CxHub客户体验社区-用户研究、体验爱好者学习交流社区，专注客户体验(CX)研究。
社交媒体
关注 CxHub编辑部 好文分享一起成长
本文转载自： CMO训练营
Ipsos益普索是全球最大的市场研究和咨询公司之一，宗瑞兴先生作为益普索Ipsos中国AI Lab（AI实验室）的院长，有二十多年的数据分析和用户洞察经验，负责益普索的AI应用落地，为益普索内部和客户持续进行基于人工智能技术的洞察创新。
随着生成式AI的兴起，益普索中国在对中国客户的服务实践中，不断尝试，不断突破，利用AI的提取、总结、推理和生成能力，做出了很多既有新意，又有实际的营销价值，帮助生意增长的洞察案例。益普索正在将这些经验产品化、解决方案化，以服务更多的洞察、产品和营销人员。
宗瑞兴关于AI洞察技术和如何使用AI的很多想法，对我们将AI引入营销，非常有启发：
AI将改变洞察行业，让洞察在业务中发挥更大的价值；
洞察的全流程都会被AI所影响，包括数据的采集、分析和交付；
做好AI洞察关键要做好数据、提示语和工作流这3个方面；
AI可以让我们分析更多模态、更深入的数据；
不是扔个问题给AI就能得到洞察结果，一套好的工作流，才能让AI的价值发挥到最大；
有AI后洞察交付给企业的是报告+消费者数字孪生 ；PersonaBot将AI洞察植入到企业各部门的日常工作中 ……
胡：益普索在这波生成式AI的应用和实践中，生成式AI在营销洞察的哪个场景、哪个环节里赋能最大？
宗：我们把洞察分为3个环节，采集、分析和交付。目前来看，这三个环节都有赋能，但最大的赋能是分析。
胡：有什么样的赋能，能分别给我们做一下介绍吗？
宗：首先，在采集这块儿，我们在一些环节更智能更互动。比如我们市场研究中常用的问卷调查系统，我们会加入AI，比如说我们在问消费者问题的时候，他回答喜不喜欢某一个产品，我们会实时分析消费者喜欢或者不喜欢的原因，然后做自动追问。
胡：就像跟AI助手聊天一样？
宗：对，就像AI聊天助手。
做市场研究有定性和定量研究，定性研究就像咱俩坐着聊一个多小时，会比较深入；定量研究主要是填问卷，可能就简单打几个字，都是比较标准化的。
但是我们有了AI的功能之后，就像有一个访问员在你身边一样，他会根据你答的结果实时分析，然后再做一次追问或者两次追问，你给出的结果就会更加深入，我们就有机会理解得更深一些。
胡：这相当于把一些定性的研究方法加入到定量的调研中了。过去这样的追问是只能面对面访谈才能实现吧？
宗：过去这种一般叫线下调研，访问员拿纸问卷或者拿个PAD，面对面现场做追问，但现在大量的线上调研、线上问卷就没有办法追问了。现在有了AI之后，我们就可以像一个线上访问员一样做追问。
消费者的开放性问答是非常有价值的，相比于传统的在线问卷，有了AI追问后，结果会更加丰富。
胡：这相当于雇了一个Siri、一个AI聊天助手来做调研。但聊天助手可能在一些普遍的、日常的问题上可以问得很好，如何保证在专业性的问题上，它能问得足够深入、足够准确呢？
宗：首先，我们做的大量的消费者调研还是集中在消费品领域、是比较偏生活化的，目前的AI理解能力没有问题。另外很重要的一点是，现在的追问并不是要回答消费者的问题，而是基于消费者的回答做深入的追问。
举个例子，消费者说喜欢外形，AI会再追问具体外形的什么方面，这个实际上是用提示语、prompt可以很好地去解决的，即使在专业领域，技术上没有什么难点。我们会提前做好这种提示语，告诉AI，针对相对模糊的一些回答，让消费者给出更具体的反馈。
目前来看，还是比较准的。
胡：在数据分析的环节呢？AI带来了哪些变化？
宗：数据的处理和分析环节是最消耗研究团队时间和人力的。在洞察的几个环节里，目前AI赋能最大的改变也是在分析这一块儿。
第一，AI让分析变得更快。我们在做分析的时候，要做一些文本数据的处理，要通过编码（coding）给它做归类。我们有一套系统，整个工作流程一般是这样的——分析师先把一批语料扔进去做对话，先把标签定义出来；定义出来之后，再把全部语料放到我们的系统上去，给每条打上标签。
胡：过去分析师做这块儿确实是要花很多时间，来回定义标签，校正，调整……
宗：是的。AI特别擅长的就是归类，它可以非常快且相对准确地把标签定义出来，包括标签的命名以及解释，现在有了AI，都可以很快做出来，分析师只需要做一定的校正就好。然后我们把这些命名和解释输入到系统里去，把语料扔进去，结果很快就会出来。目前来看，效果还是非常不错的。所以，AI可以让我们的分析变得更快。
胡：除了更快之外，还有什么？
宗：第二，AI可以分析得更多。没有AI之前，有一些语料我们很难做分析，有了AI后，我们可以做更深入的、更多模态的语料分析。去年我们做了一个case，AIGC刚出来的时候，我们给一个餐饮的客户菜品的做创新，我们的切入点是通过研究饮食文化来做创新，饮食文化不仅仅在于吃得好，还有内涵，体现地域或者国家的文化传承。
胡：你们怎么用AI做这样的分析呢？
宗：我们的做法是分析美食纪录片的解说词，比如《舌尖上的中国》、《食在顺德》，里面综合反映了大量的中国饮食文化。
但这个语料是非常杂的，有可能讲人生故事，也有可能讲地方的传说或者食材的渊源。我们用生成式AI去提取它里面提到的食材，先把视频语料、解说词转成文字，然后让AI提炼它的食材口味、地区、故事等特点，提取完成后，通过AI一步一步再去做总结。以前这种语料我们基本上是不做分析的，人工成本非常高。
所以说，AI能让我们扩大分析面。
胡：这还是基于AI的归类能力？
宗：首先是extraction（信息提取能力），第二是归类能力。
我们现在还会用AI做学术文章、论文的分析。比如我们要帮客户做研发，要看一下这个领域的技术发展趋势，以前有些学术上非常专业的内容，我们的团队阅读难度是很大的，里面有很多的专业词汇、很多还是英文的，没有专业背景很容易看不懂。但是通过AI，从学术论文里提取它的结论，形成数据库，然后再写白皮书给到客户，客户的研发团队只要去看白皮书就好了。
企业里面的研发其实不需要做得那么深，只要看到现在技术发展趋势是怎样就好。
胡：所以第二个变化是，可以分析更多样的数据，分析的面更宽。还有吗？
宗：第三个变化就是，可以分析得更深入。
我们都会有这样的经历，当我们要从大量的信息里提取出有价值的信息点的时候，就会发现信息泛滥，很多时候，人的大脑很难承载太大的信息量。
过去的分析，极度依赖有经验的分析师，需要分析师看完了原始资料以后脑子里就会有一些结论，从而给分析定方向。但这不仅耗时间，而且深度上往往有局限。现在，我们可以用AIGC来帮助我们做分析。
胡：有AI后是如何做的呢？
宗：举个例子，我们前段时间在分析预测中国饮料市场的发展趋势，参考的是日本饮料市场，因为在这个领域，日本是领先于中国的。我们就分析了日本一个食品饮料大奖的获奖产品，每种饮料都会有介绍，我们还用刚才提到的信息提取的方式把每个饮料的特点提出来。但是有很多种饮料、feature（属性）非常多，功能功效、口味也非常多，而且这些功能、特征都是没有规律的，没法直接用，这个时候我们就需要做总结。
我们让AI提炼这些属性里的主要维度，总结出日本饮料的创新方向到底是什么。AI总结的几个创新方向非常好，我们把这些总结放到两个维度上来，就做出了日本饮料的功能矩阵；然后再把不同的饮料放到不同的位置上，就有了日本市场饮料功能的地图。
胡：相比于过去，你觉得提升体现在哪些方面？
宗：人可以做，但是需要非常有经验的分析师，并且整个过程非常的长。其实最后的维度还是我们人定的，并不是AI给的，但是它会给我们非常多启发，然后再由有经验的人去做判断。所以AI加入后，就会让我们做得更深入。类似的这种分析，从大量信息里面去提炼一些背后的原因，去抽象一些维度，我们现在都会用AI去做。
AI还有一个很有意思的地方，我们让它给这些维度命名，起个有创意性、贴切、响亮，而且吸引人的名字，我觉得AI取的名字比人好，非常好。AI的创意性还是不错的。
胡：所以总结来说，AI能够让洞察的分析速度更快、分析的面更宽、分析的内容更深入。在交付环节，AI如何赋能？
宗：在数据采集和分析这两个环节，严格地说，AI只是在原有工作流程上去做赋能和优化。在交付这个环节，AI加入后就很有意思了，我们会创造新场景、新的交付产品。
胡：怎么个创新法？
宗：我们服务的基本都是大客户。过去最终交付给到客户的基本上是一份很漂亮的PPT报告，但会有两个问题：
一是很多时候报告放到那个地方大家不看；二是，这个报告给到研发团队或Marketing团队使用的时候，很多细节报告里看不到，因为这个最终的PPT报告是多次总结、最终抽象的结果。
所以我们现在在做一种尝试，我们内部叫PersonaBot，也可以说是消费者的数字孪生。
胡：消费者的数字孪生，这是什么意思？
宗：数字孪生这个概念它来自工业界，比如西门子，它会卖给你发动机，同时他在电脑里面还会有一个发动机的模型，可以通过做模拟来获得一些数据，比如转速能不能提高一点、提高后温度变多少，相当于在虚拟空间里建立实体物理世界的一个孪生。
我们用AI的推理能力和文本理解能力，来做消费者的数字孪生。因为我们在做项目、做调研时候，会跟消费者有大量的接触，比如说跟他们做访谈，到他们家里去观察他们的家庭情况，陪他们购物，这样就会采集到大量的信息，比如家里是几口人、收入工作基本情况，包括他的价值观、消费观，他对某个产品的使用态度等等，很丰富的信息。过去，这些信息可能就闲置了，现在我们把这些信息用AI去建立一个映射消费者的模型。
胡：这跟我们刚才说的交付有什么关系呢？
宗：我们做项目会做很多的访谈，比如说几十个用户、几百个用户，那么交付给客户的这份报告是基于这些用户的调研，写一个抽象的报告。现在，我们会再配合报告交付给客户这种数字孪生的一群虚拟消费者，比如访问了10个人，就同时交付给客户10个虚拟的消费者。这些数字孪生的虚拟消费者都是根据访谈的内容去建模生成的。
胡：这种数字孪生虚拟消费者，客户的使用场景是什么？
宗：当你看报告过程中有疑问，想知道细节深入了解的时候，你只要去问这些虚拟消费者，跟他聊就好了。
胡：又是一个聊天助手？
宗：就像一个拆解PPT的过程，有一个对话框可以随便发问，你为什么喜欢古典风格的、你对这个产品怎么看……它会基于之前访问的结果回答你。我们会控制它只基于访谈的内容去回答，如果无法回答的时候AI会回复不知道、不了解。
过去我们也会给客户访谈的笔录，但笔录有可能一个人就两三万字，客户看起来比较费劲，要从里面找到想了解的关键问题，就更费劲。
胡：这个应用场景确实很有意思。
宗：而且我们还可以做成更复杂的，后面加入一套工作流。假设这10个消费者里有年轻人、有年纪大的人，我现在想知道年轻人怎么看，这时候会有一个虚拟的主持人、虚拟分析师会把这个问题逐一的问这些数字孪生消费者，问完了以后，再把每个人的回答做总结，给你Summary，这时候的结果就不再是个体的了。
胡：所以可以直接得到PPT报告之外的一些问题的答案？这非常增值！
宗：是的，所有的答案都是基于我们的样本库、访谈结果，做非常多的扩展。
通过AI我们把消费者的知识库激活了。我们之前交付的PPT报告，很多时候它是研究人员抽取出来一些概念，这些结论是为了说服。但实际在落地的时候，只看这些结论有时候是不够的，所以这时候我们就可以有这样的一个PersonaBot，来满足客户更深入的需求。
胡：这样的PersonaBot，只能应用在报告的解读上？
宗：我们现在也不仅仅是去理解消费者，PersonaBot还有别的一些作用，比如还有一个作用叫反馈。
反馈是什么？你有一个idea、一个想法，也可以问消费者，问他从他的角度他怎么看之类的。我们都知道，大模型有很强的推理能力，基于事实来推理。
胡：适合什么使用场景？
宗：比如说研发团队，随时可以身边有一个消费者去听一下反馈。真正实物研发出来之后，他肯定还需要跟真人去做沟通、去询问，但是有了PersonaBot，日常随时就可以得到反馈。
目前还有一定的限制，不可能面面俱到，毕竟不是一个真正的人。所以我们现在会做得很复杂，会有一套工作流。用简单的知识库对大量的笔录直接问效果并不好，我们会有一套AI驱动的工作流来控制整个过程，充分发挥AI的技术特点，产出非常优质的，反应消费者需求，对工作有启发的内容。
胡：有客户在使用吗？客户反馈如何？
宗：很多企业采集消费者信息是用于它的产品创新，每年都可能要出新品。客户每年会有一些workshop、内部头脑风暴，好几个来自于不同团队的成员坐在一起，看消费者访谈记录，或者做一些访谈，然后分析用户需求，我们的New Idea是什么……
这个时候，我们会开发出来一个PersonaBot，变成他们团队中的一个虚拟成员。让AI进入到企业整个Workshop的流程中激发大家的想法。现在已经有客户在用，这样的效果非常好。
胡：可不可以说，未来的AI洞察，交付给客户的更多会是线上产品，或者说数据+产品，而不是报告？
宗：我觉得报告的需求仍旧是存在的。报告的价值在于它是从大量的信息里去抽取出来，非常精炼、非常High Level的一些结论，它重要的在于说服，我们细分人群是这样子的、我们面对的是这几类用户……我们全公司都要看到。这是一种管理，是一种说服。
这个东西靠AI工具是不行的，AI工具过于灵活，对报告这一交付形式的影响不会太大。
AI会带来一个增量，我们让AI落地，它能配合报告让大家用起来。以前报告主要是研究团队、管理层看，有时候业务人员也有可能去听一听报告解读、宣讲，但大家不会老拿出这个报告来看。
现在有了AI辅助落地，它就可以扩展到更多的团队，比如做包装设计的、成分研发的，都可以来通过AI问问题。它也可以变成营销人的一个真实的消费者助手，帮助我们理解消费者。
这是一种很重要的、过去没有的价值输出。各部门都可以鲜活地用报告了，相当于把报告通过AI植入到各部门的日常工作中，比如在企业微信或者飞书上，可以随时@消费者张三，你怎么看，或者问一下AI ，年轻妈妈怎么看这个事情、学生怎么看这个事情……这是一个非常大的增量。
胡：做PersonaBot这样的AI在线洞察产品，碰到过什么问题，如何解决？
宗：最大的问题，就是认知。
生成式AI发展特别快，特别去年刚开始的时候，大家都觉得AI无所不能，但后来发现实际落地的时候问题很多，并没有达到预期，“不应该是这样的呀，AI不是很强吗？”
后来我们发现，不能只依赖于大模型，比如说刚才我们提到的提示语，特别是今年我们在做的工作流、智能体（agent），这些都很重要。有了这些过后，提升幅度就非常大。所以说最大的问题是对AI应用的一个整体认知，解决了认知问题就过了一道坎。
胡：您认为，AI洞察产品，要如何做呢？如何架构呢？
宗：AI产品架构最底层是大模型，我们会选择比较合适的大模型；上面一层是知识库，知识库不仅仅是消费者的信息，还有行业的信息、竞品的信息；知识库的上面，我们叫做工作流——workflow；在往上就是聊天的界面、洞察的交互，我们也正在看未来的演化，有可能会让它变成一个人的形象。
基本是这样的结构。
这里面重要的是，要看到整体AI的一套技术栈跟业务结合的一个逻辑。像益普索这样的公司，我们核心的优势是对商业的理解。很多理解、很多信息以前就存在，但是它怎么跟AI结合、解决什么样的商业问题，这是我们擅长的。所以不能只看到大模型，这里面的工作流和prompt实际上还是比较复杂的。
胡：你们做的是一个分析师AI Agent？
宗：可以这么说，我们做的其实就是一个AI Agent，包括有一些我们叫做LLM大语言模型的Operation System的东西，管理我们刚才讲的提示语、工作流。
胡：做这类产品，最关键的是工作流吗？
宗：好的AI洞察结果，需要三个条件，更好的更新鲜的数据、更好的提示语和更科学合理的工作流，做到这三点，AI洞察的质量就会非常好。
当我们把一个数据传上去之后就直接问AI：你有什么新想法？这样一步出来的结果往往都很一般，我们需要有非常科学和详细的工作流。
明年是益普索到50年，在很多领域，比如产品创新，我们有非常科学的一套方法论的，我们会把这套方法论放到AI流程里面。我们不会直接问它说你给我一个New idea，而是先问它一些可能，比如场景需求、成分分析、包装的分析等等，最后合起来。
流程其实就存在于我们过去的经验里。很多时候我们需要把流程定义出来，然后看这个流程里AI如何赋能，然后再让分析师来使用、反馈。这个流程很多时候很复杂，有的工作流程里可能会用到好几个AI工具，比如说视觉的、语言的，语言的可能还有好几个，因为它的特性都不太一样。
胡：在底层大模型方面，你们觉得有什么门槛吗？
宗：整体来说，我们还是偏应用的，会对接很多大模型。大模型的发展非常快，迭代也很快，我们要做的工作是熟悉大模型的技术发展，充分发挥技术的潜力。
胡：我们在用AI的时候，经常会碰到它“自由发挥”，但洞察是一个非常严谨的工作。怎么控制AI的回答质量呢？
宗：在我们的工作流程里，AI做的工作是两类。
一类是创造类，这个情况下发挥是没有问题的，需要new idea。
另外一类是事实类，我们大量的事实类的东西是基于一定的语料的，我们现在用几种手段来控制：一个通过知识库，相当大程度能去控制它；第二个是用提示语明确告诉AI，如果不在知识库内的要说明，或者就说不知道；第三个是所有信息都是带来源的，比如说我们在做笔录分析的时候，每一条上面都会有这句话来自于哪个人说，点一下就可以查看出处。
通过这种方式，能够让事实类的分析消除大模型“幻觉“，控制它不胡说八道。
胡：除了PersonaBot，你们还做了哪些有意思的产品或者尝试呢？
宗：我们还有AI Solution。AI Solution有数据，有业务逻辑，有场景，它是更垂直的。
举个例子，我们做的第一个AI Solution是饮料行业的产品创新工具，我们的做法是从最底层的消费者场景开始。饮料创新的特点是，它不是基于被满足的需求，现在的饮料创新并不能仅限于满足用户提出来的需求，而是要给到用户惊喜，很可能是一般人都想不到的口味、功能、包装或者场景。但这些产品创新其实都是来自于真实场景，然后去创新，要给用户带来惊喜，所以我们还是要理解消费者的饮用场景。
益普索有消费者社区，我们会在我们的消费者社区里找很多消费者，把他喝饮料的场景拍照片，描述出来，比如今天是在单位午餐，吃的什么、喝了什么饮料、感受是什么、心情是什么，这样就会形成一个数据库。
这时候我们会拿AI去解析这些场景，打很多的标签，欢聚时刻、二人世界或一人时光之类的。我们就可以不用去做那么多调研也能快速地看到全中国几百个用户的不同饮料生活场景。
胡：这算是一种传统调研+social的数据采集方式，这些数据很有价值！
宗：到这里还不够，后面我们会基于这个场景，做一套AI赋能的研发工具。
只要输入你的营销目标，比如说针对年轻人或者针对某个运动场景或者说我要打某一个成分或什么口味，这个时候AI会到我们刚才提到的非常丰富的几百个场景里去实时扫描哪些消费者的需求符合这个场景，挑出这个场景之后再实时计算这个场景的需求是什么，我们就快速地有了非常生动的消费者需求描述。
它不是凭空想的，而是来自于真实场景。这一步叫做需求分析。
胡：这是第二步，还有第三步吗？
宗：需求分析完以后，下一步就可以去做各种分析了。比如说夏天打球这个场景，它有几个需求，选择其中的一个或者几个做一个组合，可以分析满足这种需求的有什么样的成分，可以在全网搜索，我们也有一个成分数据库。然后是口味分析、包装分析。
分析完了之后，最后一步，再利用AI生成产品概念，一直到生成产品概念图，这些都是可以用大语言模型来做的。
胡：这是一整套完整的从数据到最后解决方案的AI赋能的典型应用，非常有价值！
宗：我们很快会在食品饮料行业推出这套创新的AI Solution产品创新工具，这是洞察领域里非常新的一套逻辑——AI+消费者数据+工作流整合做的产品化的东西。
不仅是头部客户能用到，一些创新的企业、新消费品牌，都能够用上。这套模式我们也会复制到别的行业。
胡：您刚才说到了情绪识别，这个很有意思，这样的情绪识别还有什么AI落地的场景在尝试？
宗：我们也帮客户做产品的背景图生成，电商的或者是其他营销过程中的一些背景图，因为我们是一个用户洞察的公司，我们会基于用户的一些情绪需求、基于用户对产品的理解和需求，在给AI的提示语里会加入这些理解，包括了很多消费者的情绪场景需求，生成的质量非常好。
胡：有具体的使用案例吗？
宗：这是在一些专项的项目里，给客户做一些趋势研究，比如说香味的趋势研究，下一个季度哪些香味会流行，消费者对香味儿的情绪感受是什么？基于这种情绪和感受生成一些相关的图，客户在做营销的时候或者在做包装的时候，就可以根据这种视觉的元素和视觉表达来去做下一步的设计。
这种情绪和这种灵感，都是基于用户洞察得出来的，它是符合你对用户的理解和你的策略的，这样就保证整个执行是从用户的需求来，保持策略的一贯性。
胡：普通AI商拍只是一句简单的提示语。这比普通的AI商拍更厉害！
宗：可以这么说。所以我们的洞察原来可能只是到一个报告，但现在我们可以提供一些更落地的东西，不只是一个策略，直接就到一些执行的建议或者创意。我们不会涉及到比如说具体包装怎么去设计，但是我们会给到设计师很多的启发。他看到这样的一个非常直观的图片，灵感马上就会来了。
当AI来了之后，给我们带来的可能性太多了，这时候如果在利用它这种可能性的时候，没有围绕着我们的策略方向，很分散的话，会造成很多浪费。我们把各种能力组合起来，就可以做出很实用的产品。
胡：您刚才说了很多产品创新方面的AI洞察落地，在市场营销经典的沟通策略或者传播方面，AI洞察能做什么呢？
宗：在沟通这块，我们会帮助客户做几件事情。第一，怎么做沟通策略，然后结合AI做创意测试。
胡：如何通过AI做沟通策略呢？
宗：我们有一个产品叫CreativeNow，中文叫做创意大脑。
我们采集了3000多支广告，而且我们是做过消费者评估测。我们采集素材之后，就会测试这个广告好不好，是不是引人注目，是不是会很好的传递品牌信息，是不是能够提升购买意愿？
这是一些 marketing的指标。基于此，我们做了一个AI Database。
然后我们用AI对创意进行解析，比如说颜色占比是怎么样的，里面的人多大岁数，是明星或是不是明星，什么情绪，还会用到我们非常独特的 Censydiam模型，这是一个益普索的专有模型，它研究的是消费者的消费动机。
举个例子，比如说小孩子为什么买AJ，AIR JORDAN？是因为他的同学都穿，他买的是一个归属感、一种认同感（Belonging），穿上以后我们就是一个圈子。
真正好的广告能够通过创意去传递认同感，能够打动消费者。
我们有一套8个动机方向的模型。
我们用AI把视觉的内容转成脚本，再去看它是哪个动机，就会有一个数据库，就能解析出这个广告的执行是怎么做的。颜色、镜头快慢、情绪、策略，谈的是产品、还是产品利益、还是情绪利益，它的利益点是什么、动机是什么以及它的好坏。有了这套东西之后，我们就会建立一个所谓的广告策略地图。比如说我是一个洗发水产品，我就能知道整个洗发水行业，大家的定位到底是什么。
胡：为什么采集广告来做测试？
宗：我们选的素材都是硬广，硬广它其实代表了沟通策略，它是Controlled Content，都是CMO和CEO审过的，相比来说social的东西就会更散一些。
我们分析硬广其实并不是硬广本身，而是沟通策略，包括它的产品定位、主要目标用户定位。我们就能知道这个品类大家都在往哪个方向在谈，谈的是一种归属感，还是一种享受生活、科技感；就知道哪里是红海，哪里是蓝海；我是不是可以有一个新的方向，新的方向上面有没有一些做得好的广告，或者其他行业是怎么做的。就可以得到一个沟通策略，早期的沟通策略。但前提条件是，你要建立一个非常完善的database。
胡：AI在里面的作用主要是什么？
宗：AI在里面起到非常大的作用，它主要是做视频解析，比如刚才我们提到的，有一些我们用的是深度学习的，比如说颜色占比，比如情绪则通过面部表情识别，还有一些直接用生成式AI去读取它的一些情节，再判断它的动机。
没有AI的话，这个数据库很难建起来。
胡：相当于AI把数据这一块儿做得更深入？
宗：是的，过去可能没有那么深入，我们把这个叫做New Data，这个data其实原来是有的，但它藏在视频这种复杂的素材背后。现在通过AI可以把它解析出来，做新的数据库。
AI过后的分析，我们叫New Insight。再往后的交付，叫New Delivery，新交付。三个NEW。
胡：如何做创意测试呢？
宗：用我们刚才说的PersonaBot。我们的工作流程中，一般都是根据客户的需求采集目标用户的一些生活形态、一些习惯，这里面包括对内容的偏好。我们会问消费者他们对一些广告或者社交内容喜欢不喜欢，原因是什么。
我们有一些非常独特的算法总结他们的偏好，比如我喜欢简洁的、大方的或者是二次元的。我们会把这些挖掘出来，然后把这些信息导入AI里，用来做内容的预测、评测。
我们有个客户有个非常大的campaign，里面有很多素材，包括social的，比如开屏广告、KTV平面、social video，还有硬广各种物料。我们把这些素材放进刚才说的AI里就可以很好地做出评价。
胡：这是如何做到的，AI可以直接看懂视频？
宗：这里面有两个AI，一个是视频转文字的AI，一个是评价的AI。
我们有一套视觉AI，首先把视频转成文字，这个文字类似于视频的脚本，比如0秒——2秒是什么情节，转的效果还是很好的，比GPT-4效果要好。
GPT-4的逻辑是这样的，首先它会截几帧，然后将图像转文字。转成文字的时候它可能会编故事，问题很大。但我们是另外一种做法，不太一样，把视频传上来之后转成脚本，就能读懂它。
胡：然后让AI去理解这个文字脚本？
宗：然后再让PersonaBot去做理解。我们会有打分的一套体系，还会有一些定性的评价，评价好还是不好。
最开始的时候我们跟一个客户纯粹做测试，就小规模的试一试，后来发现很有价值，首先它的结果是有意义的，然后还能给出一个定性的结果，很有启发。
胡：效果如何验证呢？
宗：我们在建模的时候做一遍验证，比如说做30个Personal Bot，每个Personal Bot都是基于真人建的。建模后我们会拿一些广告给这些AI原型的、原来的真人去问一遍，对比PersonaBot的结果，看它的匹配率。验证完这套模型可靠的话，后面就可以直接用。
这套算法的兼容性是比较强的，因为广告其实还是有比较典型的素材和营销场景的，我们围绕几种典型的去做就可以。
胡：用AI做这些洞察，如何验证它的效果呢？在客户端，有没有什么具体案例或者说数据能够直接验证，AI洞察出来后的策略，能够帮助客户生意的增长？
宗：有验证。
刚才说到餐饮连锁的菜品创新这个案例是我们去年做的，今年跟客户聊过，他们去年秋冬季的菜单，相当多的菜品是根据我们的建议来做的。客户有一个标准——爆品率，当一个菜品销售达到一定的金额之后，就是爆品。他们去年秋冬季的爆品率比前年秋冬季提升了73%，提升幅度非常大，很大程度是follow了我们当时的建议。
这是一个验证。
胡：所以AI洞察的结果，对生意增长是可以有直接帮助的？
宗：有的case是。
还有一个，它并不是对生意的直接验证，而是实际效果的验证。我们现在在做视觉分析的时候，比如说一个视频广告的分析，它抓不抓眼球，互动性强不强，我们用了一套AI眼动预测，不需要用眼动仪做测试，只需要用AI来预测，我们不仅能知道消费者在这个视频里会看哪一部分，还能去计算广告的内容是不是要动脑子，因为有些视觉的东西很复杂，看了以后要想一想，有的一看就明白了，这也是可以计算出来的。
胡：AI怎么知道我动没动脑子？
宗：数据的来源是来自于真实的眼动测试，比如说给您看一个图片，这时候你的眼睛是在上面转半天，这个时候可能你就在思考，“你在思考”这件事儿它是有神经科学验证的。
当我们采集了大量的真实信息后，就会建立一个模型，什么样的图片和它的可理解度相关，建立关系，这时候我们就能计算这样的指标。还能计算出来它视觉上的焦点，比如在哪几个地方停留多长，会算出焦点。
除此之外，还会有几个神经科学的预测指标。我们拿神经科学的预测指标，和我们客户实际的social内容投放后得到一些指标做对比、关联。比如在抖音里面有一个5秒完看率，就会计算某些指标，它的前5秒的得分做相关分析，相关性非常强。也就是说，我们拿AI去预测大家容不容易理解、它的互动性是能够和真实投放建立关联的。
胡：这个AI落地的使用场景是什么？
宗：比如说我可能有一批素材，要找KOL去投，KOL可能会好几个版本的内容；或者是官方蓝V可以拿这个来验证，选ROI最好的或者互动性最好的发。
这是我们创意大脑里面一个功能，评价创意好坏的其中的一个指标，互动性，包括评价视频和图都可以做。我们视觉这方面做的还是比较多的，包括对视觉的理解、视觉的生成。
胡：下一步你们准备在哪些方向上进一步发力？
宗：我们现在已经探索出来一些比较好的应用场景，有一些是case by case的，有些是我们现在正在做产品化的。下一步的重点是把这些场景更多的去复制。现在我们已经看到很多客户有共性，重点是做更多的推广复制，做更多的标准化产品。
胡：除了刚才提到的产品，你们还做了哪些有意思的尝试呢？
宗：洞察云有一个模块，我们叫做 AI Toolkit，insight的AI工具箱，它是纯粹工具类的。我们希望未来它不光是给分析师用，而是给marketer，做创新或者做营销的人用，因为每个人其实都需要有分析能力。
我们给你一套专业人员打磨好的工具箱，赋能给你，你在日常的社交媒体运营或者产品研发过程中都可以用这套工具。而且它是一整套的，买了以后就可以一整套都用到。我们现在还在测试中，会逐步开放。
胡：在新的产品或者新的AI落地场景方面有什么规划，有什么正在做的吗？
宗：现在正在做的就是AI定量分析的尝试。
我们前面提到的大量的实际上是定性的分析，比如说非结构化的图片理解、文字的分析等。但洞察涉及的还有很多，比如说做运营、电商运营或社交媒体运营，会看到每天数据的变化。大模型是不擅长这类数据分析的，语言大模式是个文科生。
我们现在正在结合大模型，看定量能不能做。
胡：它是属于判别式模型的应用吗？
宗：不是。它的基本逻辑是:自然语言Text to SQL或者Text to Python，文本转Code，这个是用大模型，Code跑数据再做分析或者画图，这是我们现在正在做的。
其实市场上现在已经有一些产品，包括 GPT-4现在就有这个能力，你上传个Excel，问它客单价多少、趋势怎么样，都能分析出来。但现在的挑战是，它不是特别稳定，我们现在还在做测试，有可能会给它“包起来”，比如说有一些不靠谱的就不让它做，因为商用的产品一定要可靠。
这是我们现在正在探索的新东西。
大模型在往前走，技术在往前走，我觉得这个应该会很快，可能几个月，也有可能一年。定量分析能力出来之后，行业就会发生更大的变化。
胡：这个应用价值更大？它的主要场景是一些什么样的?
宗：比如销售数据、运营数据、市场监测的数据，还有就是调研数据，包括社交的数据，其实也是一样都有量化的，都可以拿它去做分析。而且我们测试过，非常有意思。
我举个例子，比如说我们问它能不能看销售数据一周中的销售规律，你也没让它画图，它会把一张图给你画出来，画得非常漂亮。从周一到周日的每天的销售量、平均销售额，都给你画出来。然后你再问它某一天这么高的原因是什么？它也能分析出来。
非常惊喜，真的很好。
胡：您做了这么多AI落地的尝试，算是非常有经验了，请您给品牌主一些建议，未来如何结合AI来做洞察会更有效。
宗：第一，大家要去更多了解 AI。
现在AI的技术发展得非常快，了解了之后，才能发挥想象力。我们会发现，当我们跟品牌主在聊天的时候，特别是不是那么很正式的聊天的时候，反倒能够发现很多场景,因为我们跳开了AI本身谈业务。
益普索虽然走得相对靠前一点，但很多时候和业务场景中间是有信息gap的。广告主更了解他们内部的场景，所以广告主多去了解一些现在AI的新进展，激发他的想象，可能会有一些新的、意想不到的需求。
我们有几个客户很有意思，他们历史非常长，都是全球性的业务，非常积极的去拥抱 AI，所以他会了解新技术，会提新想法。
胡：这是第一个，要积极多了解AI，知己知彼。第二个呢？
宗：还有一个就是容错。
新的东西出现的时候不一定能保证完美，我们要先走出去。AI目前的技术，从我们的视角看还是比较靠谱的，但是没有办法百分百的去保证。这时候，我们需要有一定的容错率，往前走出去，才会获得创新红利。要敢于拿出一定的预算，来尝试做新的东西。现在大家预算相对比较紧，可以尝试拿比较少的预算来撬动 AI这样的技术。
从目前走的比较靠前的客户来看，他们在创新上的投资是非常物有所值的，已经有一些公司将验证性的探索转化成了常规的研究方法，将验证后的结果应用于业务。
我们已经和一些客户得到明确的结论：AI可以让洞察融入到业务当中，一些客户已经尝到了创新红利。
胡：益普索在AI的投入上如何呢？
宗：我们的投入其实非常大的。从我们公司来讲，我们认为这是未来的方向，所以比较早就着手AI了，一直在做创新。
我们希望能够和客户一起引领洞察市场的变革，也相信不远的将来我们这个行业会发生巨大变化，洞察的价值会被更加认可。
