做营销，大模型真的有用么？
咱们去年曾经在《千亿参数的广告模型，是怎样炼成的？》一文中详细介绍过大模型的威力。当时，就有读者在后台留言：大模型看上去很厉害，可它怎么影响我们客户关心的投放效果呢？当时我回他说：别忙，技术进步得有个"浮出水面"的过程！今天，终于可以来聊聊这事儿了。
说到客户感受的投放效果，我在《广告营销怎样摆脱玄学？》里面也提到，其实无非还是三大指标，"成本、起量、稳定性"，这些就是投放效果的量化表现。而那位读者的疑问也相当自然：你的大模型多少亿参数，AI能力多么强，是怎么影响这些业务指标的呢？
为了讨论大模型对效果的影响，我想先引入一些“中间指标”。以我的观点，广告系统能创造多少价值，无非是看“流量”和“数据”这两项关键资产。其中，流量是基石，它决定了客户的营销能有效触达的用户量级；而数据则是提升流量服务效率的关键，也是数字广告最有趣、最富于变化的部分。
这些跟大模型又有什么关系呢？
大模型带来了什么？看流量和数据
先说流量。流量跟流量，可不是一模一样的。它们的场景不同、位置不同、交互不同，广告效果很可能是不同的。
情况复杂，客户又希望一键就能全部触达，这事儿没那么简单：如果都用一个出价标准，出高了有些量上会亏本，出低了好的量又拿不到。怎么办？最好不要让客户花太多精力，对这些五花八门的异构流量做挑选和评估。那么谁能做呢？当然是交给大模型了！
大模型通过对丰富的场景、交互、用户等特征的引入，对于流量效果的准确评估能力就会大大提升，这样一来，客户也就越来越不用纠结于哪些位置该投、哪些位置是坑，只要关注和表达好自己核心的商业目标就好了。
所以，流量的拓展，看起来只是在后台把广告位打通就好，可是更关键的驱动力，还是在于技术能力。只有把异构的广告流量，用同一个模型准确地评估出真实效果，才能让客户放心地把预算放开到全部广告位上，花更少的钱，触达更广泛的流量。
再来说说数据，这个就更有意思了。
谈到数字广告，传统上对数据作用的理解，就是利用一方数据做受众定向。这条路，可以说早就被压道车压过多少遍了。然而，在今天的视角下，数据还有另外两个新的拓展方向。
一个方向，是由一方数据，拓展到投后的转化数据，比如电商购买、售后，或者游戏充值、LTV，甚至是私域沉淀和复用。关于后链路数据的价值，咱们聊过很多，这里就不展开了。
另一个方向，也是咱们曾经聊过的，那就是从"懂人"拓展到"懂货"，从而建立起"商品"这个层级上的数据资产。商品层级的数据资产最主要的意义，是将原来建模统计的粒度，由广告视角变成了商品视角。
所以，底层技术的升级特别是大模型，带动了流量、数据这两项核心资产的积累和拓展。而这些技术基建，落实在客户的营销实操过程中，渐渐形成了一套新的逻辑：首先，关于广告触达哪些资源，尽可能一键通投，覆盖更多流量；其次，在卖什么货的问题上，以商品化为根基，作为对不同广告标的的建模和理解基础；最后，在广告投给谁的问题上，把找人的逻辑交给系统来处理，并逐渐升级到“智能投放”。
这么说还有点空泛。下面，我就通过腾讯广告关键的产品变化，让大家直观地了解一下，以大模型为代表的营销技术，是如何浮出水面的。
流量一键投放，生意视角一盘棋
先说说广告触达范围的问题，也就是流量的拓展。今年，腾讯广告体系内的新流量快速崛起。比如，被腾讯人称为“全村希望”的视频号，和体量相当大的搜索，已经全面并入了腾讯广告的营销版图。
如前所述，这些新流量的并入，并不是放在同一个页面了事。实际上，视频号、搜索等新的流量热点，已经被无缝接入了原有体系，并且也将可以用尽可能少的素材实现通投。因此，这些异质程度很高的不同流量来源，被顺畅地统一在了同样的模式下，这将大大降低客户的运营成本。而成本，也正是“三大指标”里的一个重要的量化标准。
于是，客户在腾讯系投广告，当真是变成了一个平台，一个视角，一套素材，一盘棋。
再来看卖什么货的问题，这一点上最值得关注的产品进展，就是商品化投放。
商品化的概念，在电商行业中最容易理解：以往的电商客户，可能会对同一件商品建很多条广告计划；而底层的模型，也会将他们视作独立的单元来收集数据和调度决策。而在商品化的投放体系下，一来，引入商品作为建模关键以后，商品的品类、属性等大量新特征都能在标准化商品库中得到沉淀和聚合，同一商品的不同广告计划，将会在建模被当作同一标的来处理；二来，商品的一些静态特征，比如品类、参数，也极大地加速了新商品上架时的冷启动学习过程。
举个例子，虽然你的广告计划是新建的，需要学习期，但是广告里的商品是在其他广告计划里卖过的，那相应的数据自然就可以参考了，学习期也就缩短了；再退一步说，就算卖的是新上市的独家商品，腾讯广告通过行业深耕，也沉淀了大量的行业经验，足以给出合理的借鉴和参考。
因此，在“投商品”的思路下，客户关心的这几个关键指标——起量、成本和稳定性，都会得到显著的改善！
在其他行业中，也可以用类似的方法来组织投放和建模。比如游戏行业，也可以以某款游戏而非广告计划为标的做投放，还可以根据其同品类的其他特征快速挖掘合适的人群。在它的前一阶段，这个理解游戏细分品类和属性的基建工作，在腾讯广告被称为“游戏知识图谱”，其基本思想，跟电商的商品化底层是一脉相承的。关于游戏行业的情况，咱们回头找时间单谈。
而关于“广告投给谁”的问题，过去一年间大家讨论最多的，莫过于“脱包”了。
曾经被认为是腾讯广告投放关键环节的“二方人群包”，去年在短时间内下线，还引发大家关于定向的一些讨论。此举当然是有平台的考虑的，一方面，原来经验丰富的头部客户虽然护城河被打破，感受到了竞争压力，但从另一层面想，头部客户不用一直在那一小撮人里面持续参竞“内卷”了，单人成本会降低，也给到中长尾客户更多公平竞争的机会，整个生态也会更加健康。
脱包的另一个重大意义，是将人群挖掘这件事，从“碳基”的人类经验驱动，升级到了“硅基”的算法建模驱动。而突破人类经验边界这件事，大大提升了品牌在营销是“依靠数据找到合适受众”的能力。而这种能力，显然就是来自于大模型带来的数据建模能力。这一点，可能不如ChatGPT那么直观，但在商业领域的价值，却一点也不小。
在大模型的基础上，腾讯广告将推出一脉相承的新能力——面向各种营销目的的“智能投放”功能，包括APP智投、线索智投、商品智投等。其中的“智能”，是说客户在设定好优化目标、预算限制和期望ROI之后，接下来的人群选择、出价调整和加减预算等动作，都交由系统来处理。智能投放能交给系统主导的东西更多了，如果靠谱，对优化师的工作量将是个巨大的解放。
从底层逻辑上看，以上都是大模型浮出水面带来的产品变化。
数字营销，是一个逻辑和实证支配的领域。要打破玄学的魔咒，向科学要广告效果，那就需要底层技术的不断升级，同时要让成熟的技术渐渐浮出水面，直接服务于户的体验和效果。
在过去一年的时间里，腾讯广告在大模型上的技术进展和相应产品变化，向我们形象地展示了这一“技术浮出水面”的过程。当然，从底层技术发力，是困难而正确的事，并非在一朝一夕可以见到成效。
对广告主而言，上述趋势也很有启发：一方面，不能只把广告当作生意的引流环节，更要从生意的视角来理解广告营销前后链路的逻辑，充分从广告标的的视角做好数据的管理和维护；另一方面，广告主自身也要尽快加强如建模能力、特征挖掘能力的技术储备，积极与媒体平台建立合作，方能在未来智能投放的大趋下占位先机。
加入星球，探讨用户增长与变现专业话题
微信扫码关注该文公众号作者