想象一下与您的财务顾问进行对话。他可以通过您的语气或面部表情来判断某些事情是否有意义，或者您是否不同意某些事情，并且他可以相应地进行调整。但是，如果您的顾问开始提出与您的财务状况完全无关的建议，那不是很奇怪吗？如果他提出的建议是你在之前的谈话中已经讨论过的，或者更糟糕的是，他已经采取了行动，那也会很麻烦。
当与顾问或任何试图帮助你的人面对面交谈时，你会感到非常沮丧，但多年来，我们已经接受了这种缺乏个性化的在线课程。
你遇到过多少次这样不相干的经历？我能想到很多例子。企业对企业 (B2B) 技术网站建议我下载刚下载的白皮书。当我从未对女装表现出任何兴趣时，零售网站向我发送了推荐女鞋的电子邮件。我在互联网上看到过重新定位的广告，这些广告向我展示了我在某个时候看过的产品，但很快就决定不适合我。一旦你开始注意到这些非个性化的体验，你就会发现它们无处不在。
然而，在过去的几年里，一些有远见的公司改变了我们对数字的期望。Netflix和Spotify等服务的大量采用在消费者心中创造了一种新的期望 -- 一对一的个性化。Netflix和Spotify用于创造真正个性化体验的技术是一种称为机器学习的人工智能 (AI)。
“机器学习” 这个词听起来很有技术性 -- 当然可以 -- 但它的应用对营销人员来说很有价值。虽然你不需要知道它所有的技术复杂性，但它确实有助于对这个概念有一个大致的理解。为了解释机器学习与一对一个性化相关的内容，让我们从它之前的一种方法开始。
基于规则的经验在市场营销中发挥作用-但基础非常有限。
首先，它可能有助于更牢固地确定机器学习与其他营销策略的区别。
大多数营销人员过去提供个性化体验的方式是通过规则和细分。当营销人员决定按照某些预定标准对客户，站点访问者或应用程序用户进行分组时，会手动创建细分。
例如，B2B营销人员可以按行业细分网站访问者。然后，营销人员可以手动设置规则，以向这些不同的细分显示某种体验。营销人员可以选择相关内容，例如白皮书或案例研究，以根据每个人所处的行业细分向每个人推广。这创造了个性化的体验，因为进入金融服务领域的人会看到与进入医疗保健领域的人不同的内容。
这种方法可以奏效，但非常有限。
问题在于，规则是由人类根据他们认为是真实的内容编写的。在前面的行业示例中，营销人员必须决定向每个细分市场推广哪条内容。但是每个人都是独一无二的。即使在一个行业中，访问者也可能处于旅程的不同阶段，或者他们可能有不同的兴趣或内容偏好。他们从访问到访问的意图也可以改变。一些段和规则不能考虑所有这些信息。
如果没有机器学习的帮助，人类的数据太多了。
机器学习算法为设备创造独特的体验。
机器学习算法不是依靠营销人员的人工努力为人群群体创造不同的体验，而是为营销人员提供了一种可扩展的方式，为消费者创造独特的体验。
通过机器学习，我们没有给计算机很多规则来遵循，而是对它进行编程，以学习关于一个人的一切，并选择最有可能吸引该人的体验。为了使机器学习个性化最有效，营销人员应该能够建立自己的 “食谱”，告诉计算机在确定某人的数字体验时要考虑哪些类型的信息。
可定制的配方从选择一个或多个预编程的基本算法开始。这些算法可以是简单的，例如显示趋势或最近发布的项目，或者它们可以是更高级的，例如协作过滤或决策树。
然后，营销人员可以通过告诉机器包含或排除某些变量或提高个人偏好来对这些算法进行自己的调整-这取决于他们的业务需求。通过这种方法，营销人员可以控制访问者获得的独立体验。
人与机器决策。
当你亲自和某人说话时，你决定下一步该说什么，并根据你从以前的相遇中了解到的这个人来识别何时停止说话。即使这是您第一次与此人交谈，您也可以使用类似社会环境的一般行为准则。
机器学习也做同样的事情。这种学习基于识别和记住情况，以形成控制行为的流动模式。
机器学习可以确定你应该显示什么消息，你应该展示的优惠，你应该建议的次佳行动，你应该提供的导航选项，你应该显示的搜索结果，你应该发送的电子邮件的时间和内容，或者你应该推荐的最相关的产品或文章 -- 所有这些都是基于你从现在和以前与这个人的相遇中学到的。
机器学习使用真实数据来做出这些决定，就像一个人在对话中使用它来做出决定一样。
最终，人类应该在机器学习营销中拥有最后的发言权。
尽管如此，尽管机器学习是有益的，但人类不应该交出完全的控制权。人类定义，测试和完善算法和交互点的能力对于您实现一对一个性化的总体目标和您想要提供的品牌体验至关重要。
与传统的基于规则的方法相比，机器学习具有一些明显的优势。最突出的是，您可以考虑更多的数据，发现关键见解，并允许个性化个性化。
您不必了解机器学习的所有技术细微差别。但是，了解机器学习的基础知识及其好处无疑将使您成为更好的营销人员。