數(shù)據(jù)精準(zhǔn)營(yíng)銷(xiāo)的七個(gè)關(guān)鍵要素
說(shuō)到大數(shù)據(jù)精準(zhǔn)營(yíng)銷(xiāo),，不得不先提個(gè)性化的用戶(hù)畫(huà)像,，我們針對(duì)每一類(lèi)數(shù)據(jù)實(shí)體，進(jìn)一步分解可落地的數(shù)據(jù)維度,，刻畫(huà)TA的每一個(gè)特征,，在聚集起來(lái)形成人群畫(huà)像,。

01用戶(hù)畫(huà)像
用戶(hù)畫(huà)像是根據(jù)用戶(hù)社會(huì)屬性、生活習(xí)慣和消費(fèi)行為等信息而抽象出的一個(gè)標(biāo)簽化的用戶(hù)模型。具體包含以下幾個(gè)維度：
用戶(hù)固定特征：性別,，年齡,，地域，教育水平,，生辰八字,，職業(yè)，星座
用戶(hù)興趣特征：興趣愛(ài)好,，使用APP,，網(wǎng)站，瀏覽/收藏/評(píng)論內(nèi)容,，品牌偏好,，產(chǎn)品偏好
用戶(hù)社會(huì)特征：生活習(xí)慣，婚戀,，社交/信息渠道偏好,，宗教信仰，家庭成分
用戶(hù)消費(fèi)特征：收入狀況,，購(gòu)買(mǎi)力水平,，商品種類(lèi)，購(gòu)買(mǎi)渠道喜好,，購(gòu)買(mǎi)頻次
用戶(hù)動(dòng)態(tài)特征：當(dāng)下時(shí)間,，需求，正在前往的地方,，周邊的商戶(hù),，周?chē)巳海侣勈录绾紊捎脩?hù)精準(zhǔn)畫(huà)像大致分成三步,。
1.采集和清理數(shù)據(jù)：用已知預(yù)測(cè)未知
首先得掌握繁雜的數(shù)據(jù)源,。包括用戶(hù)數(shù)據(jù)、各式活動(dòng)數(shù)據(jù),、電子郵件訂閱數(shù),、線(xiàn)上或線(xiàn)下數(shù)據(jù)庫(kù)及客戶(hù)服務(wù)信息等。這個(gè)是累積數(shù)據(jù)庫(kù),；這里面最基礎(chǔ)的就是如何收集網(wǎng)站／APP用戶(hù)行為數(shù)據(jù),。比如當(dāng)你登陸某網(wǎng)站，其Cookie就一直駐留在瀏覽器中,，當(dāng)用戶(hù)觸及的動(dòng)作,，點(diǎn)擊的位置，按鈕,，點(diǎn)贊,，評(píng)論,，粉絲，還有訪(fǎng)問(wèn)的路徑,，可以識(shí)別并記錄他／她的所有瀏覽行為，然后持續(xù)分析瀏覽過(guò)的關(guān)鍵詞和頁(yè)面,，分析出他的短期需求和長(zhǎng)期興趣,。還可以通過(guò)分析朋友圈，獲得非常清晰獲得對(duì)方的工作,，愛(ài)好,，教育等方面，這比個(gè)人填寫(xiě)的表單,，還要更全面和真實(shí),。
我們用已知的數(shù)據(jù)尋找線(xiàn)索，不斷挖掘素材,，不但可以鞏固老會(huì)員,，也可以分析出未知的顧客與需求，進(jìn)一步開(kāi)發(fā)市場(chǎng),。
2.用戶(hù)分群：分門(mén)別類(lèi)貼標(biāo)簽
描述分析是最基本的分析統(tǒng)計(jì)方法,，描述統(tǒng)計(jì)分為兩大部分：數(shù)據(jù)描述和指標(biāo)統(tǒng)計(jì)。數(shù)據(jù)描述：用來(lái)對(duì)數(shù)據(jù)進(jìn)行基本情況的刻畫(huà),，包括數(shù)據(jù)總數(shù),，范圍，數(shù)據(jù)來(lái)源,。指標(biāo)統(tǒng)計(jì)：把分布,，對(duì)比，預(yù)測(cè)指標(biāo)進(jìn)行建模,。這里常常是Data mining的一些數(shù)學(xué)模型,，像響應(yīng)率分析模型，客戶(hù)傾向性模型,，這類(lèi)分群使用Lift圖,，用打分的方法告訴你哪一類(lèi)客戶(hù)有較高的接觸和轉(zhuǎn)化的價(jià)值。
在分析階段,，數(shù)據(jù)會(huì)轉(zhuǎn)換為影響指數(shù),，進(jìn)而可以做一對(duì)一的精準(zhǔn)營(yíng)銷(xiāo)。舉個(gè)例子,，一個(gè)80后客戶(hù)喜歡在生鮮網(wǎng)站上早上10點(diǎn)下單買(mǎi)菜,，晚上6點(diǎn)回家做飯，周末喜歡去附近吃日本料理,，經(jīng)過(guò)搜集與轉(zhuǎn)換,，就會(huì)產(chǎn)生一些標(biāo)簽,，包括80后生鮮做飯日本料理等等，貼在消費(fèi)者身上,。
3.制定策略：優(yōu)化再調(diào)整
有了用戶(hù)畫(huà)像之后,，便能清楚了解需求，在實(shí)際操作上,，能深度經(jīng)營(yíng)顧客關(guān)系,，甚至找到擴(kuò)散口碑的機(jī)會(huì)。例如上面例子中,，若有生鮮的打折券,，日本餐館最新推薦，營(yíng)銷(xiāo)人員就會(huì)把適合產(chǎn)品的相關(guān)信息,，精準(zhǔn)推送這個(gè)消費(fèi)者的手機(jī)中,；針對(duì)不同產(chǎn)品發(fā)送推薦信息，同時(shí)也不斷通過(guò)滿(mǎn)意度調(diào)查,，跟蹤碼確認(rèn)等方式,，掌握顧客各方面的行為與偏好。
除了顧客分群之外,，營(yíng)銷(xiāo)人員也在不同時(shí)間階段觀(guān)察成長(zhǎng)率和成功率,，前后期對(duì)照，確認(rèn)整體經(jīng)營(yíng)策略與方向是否正確,；若效果不佳,，又該用什么策略應(yīng)對(duì)。反復(fù)試錯(cuò)并調(diào)整模型,，做到循環(huán)優(yōu)化,。
這個(gè)階段的目的是提煉價(jià)值，再根據(jù)客戶(hù)需求精準(zhǔn)營(yíng)銷(xiāo),，最后追蹤客戶(hù)反饋的信息,，完成閉環(huán)優(yōu)化。
我們從數(shù)據(jù)整合導(dǎo)入開(kāi)始,，聚合數(shù)據(jù),，在進(jìn)行數(shù)據(jù)的分析挖掘。數(shù)據(jù)分析和挖掘還是有一些區(qū)別,。數(shù)據(jù)分析重點(diǎn)是觀(guān)察數(shù)據(jù),，單純的統(tǒng)計(jì)，看KPI的升降原因,。而數(shù)據(jù)挖掘從細(xì)微和模型角度去研究數(shù)據(jù),，從學(xué)習(xí)集、訓(xùn)練集發(fā)現(xiàn)知識(shí)規(guī)則,，除了一些比較商業(yè)化的軟件SAS,，WEKA功能強(qiáng)大的數(shù)據(jù)分析挖掘軟件,，這邊還是更推薦使用R，Python,，因?yàn)镾AS,，SPSS本身比較昂貴，也很難做頁(yè)面和服務(wù)級(jí)別的API,，而Python和R有豐富的庫(kù),，可以類(lèi)似WEKA的模塊，無(wú)縫交互其他API和程序,，這里還需要熟悉數(shù)據(jù)庫(kù)，Hadoop等,。
02數(shù)據(jù)細(xì)分受眾
“顛覆營(yíng)銷(xiāo)”書(shū)中提到一個(gè)例子,，可以引述一下，大家思考一個(gè)問(wèn)題：如果你打算搜集200份有效問(wèn)卷,，依照以往的經(jīng)驗(yàn),，你需要發(fā)多少份問(wèn)卷，才能達(dá)到這個(gè)目標(biāo),？預(yù)計(jì)用多少預(yù)算和時(shí)間來(lái)執(zhí)行,？
以往的方法是這樣的：評(píng)估網(wǎng)絡(luò)問(wèn)卷大約是5%的回收率，想要保證收到200份的問(wèn)卷,，就必須有20倍的發(fā)送量,，也就是發(fā)出4000份問(wèn)卷，一個(gè)月內(nèi)如果可以回收,，就是不錯(cuò)的表現(xiàn),。
但現(xiàn)在不一樣了，在執(zhí)行大數(shù)據(jù)分析的3小時(shí)內(nèi),，就可以輕松完成以下的目標(biāo)：
精準(zhǔn)挑選出1%的VIP顧客
發(fā)送390份問(wèn)卷,，全部回收
問(wèn)卷寄出3小時(shí)內(nèi)回收35%的問(wèn)卷
5天內(nèi)就回收了超過(guò)目標(biāo)數(shù)86%的問(wèn)卷數(shù)
所需時(shí)間和預(yù)算都在以往的10%以下
這是怎么做到在問(wèn)卷發(fā)送后的3個(gè)小時(shí)就回收35%？那是因?yàn)閿?shù)據(jù)做到了發(fā)送時(shí)間的一對(duì)一定制化,，利用數(shù)據(jù)得出,，A先生最可能在什么時(shí)間打開(kāi)郵件就在那個(gè)時(shí)間點(diǎn)發(fā)送問(wèn)卷。
舉例來(lái)說(shuō),，有的人在上班路上會(huì)打開(kāi)郵件,，但如果是開(kāi)車(chē)族，并沒(méi)有時(shí)間填寫(xiě)答案,，而搭乘公共交通工具的人,，上班路上的時(shí)間會(huì)玩手機(jī)，填寫(xiě)答案的概率就高,，這些都是數(shù)據(jù)細(xì)分受眾的好處,。
03預(yù) 測(cè)
“預(yù)測(cè)”能夠讓你專(zhuān)注于一小群客戶(hù),，而這群客戶(hù)卻能代表特定產(chǎn)品的大多數(shù)潛在買(mǎi)家。
當(dāng)我們采集和分析用戶(hù)畫(huà)像時(shí),，可以實(shí)現(xiàn)精準(zhǔn)營(yíng)銷(xiāo),。這是最直接和最有價(jià)值的應(yīng)用，廣告主可以通過(guò)用戶(hù)標(biāo)簽來(lái)發(fā)布廣告給所要觸達(dá)的用戶(hù),，這里面又可以通過(guò)上圖提到的搜索廣告,，展示社交廣告，移動(dòng)廣告等多渠道的營(yíng)銷(xiāo)策略,，營(yíng)銷(xiāo)分析,，營(yíng)銷(xiāo)優(yōu)化以及后端CRM/供應(yīng)鏈系統(tǒng)打通的一站式營(yíng)銷(xiāo)優(yōu)化，全面提升ROI,。
我們?cè)僬f(shuō)一說(shuō)營(yíng)銷(xiāo)時(shí)代的變遷,，傳統(tǒng)的企業(yè)大多還停留在“營(yíng)銷(xiāo)1.0”時(shí)代，以產(chǎn)品為中心,，滿(mǎn)足傳統(tǒng)的消費(fèi)者需求,，而進(jìn)入“營(yíng)銷(xiāo)2.0”，以社會(huì)價(jià)值與品牌為使命,，也不能完全精準(zhǔn)對(duì)接個(gè)性化需求,。進(jìn)入營(yíng)銷(xiāo)3.0的數(shù)據(jù)時(shí)代，我們要對(duì)每個(gè)消費(fèi)者進(jìn)行個(gè)性化匹配,，一對(duì)一營(yíng)銷(xiāo),，甚至精確算清楚成交轉(zhuǎn)化率，提高投資回報(bào)比,。

大數(shù)據(jù)下的營(yíng)銷(xiāo)顛覆經(jīng)典的營(yíng)銷(xiāo)4P理論,，Product，Price,，Place,，Promotion，取而代之的是新的4P,，People,，Performance，Process,，Prediction,。在大數(shù)據(jù)時(shí)代，線(xiàn)下地理的競(jìng)爭(zhēng)邊界早就不存在,，比的是早一步的先知能力,，利用大數(shù)據(jù)，從顧客真實(shí)交易數(shù)據(jù)中,，預(yù)測(cè)下一次的購(gòu)買(mǎi)時(shí)間,。 營(yíng)銷(xiāo)3.0時(shí)代關(guān)鍵詞就是“預(yù)測(cè)”,。
預(yù)測(cè)營(yíng)銷(xiāo)能夠讓你專(zhuān)注于一小群客戶(hù)，而這群客戶(hù)卻能代表特定產(chǎn)品的大多數(shù)潛在買(mǎi)家,。以上圖為例,，你可以將營(yíng)銷(xiāo)活動(dòng)的目標(biāo)受眾鎖定為20萬(wàn)潛在客戶(hù)或現(xiàn)有客戶(hù)，其中包括特定產(chǎn)品的大多數(shù)買(mǎi)家（4萬(wàn)人）,。你還可以撥出部分預(yù)算用于吸引更小的客戶(hù)群（比如20% 的客戶(hù)）,，而不是整個(gè)客戶(hù)群，進(jìn)而優(yōu)化你的支出,。
過(guò)去我們看數(shù)據(jù)可能是被動(dòng)的方式,，但預(yù)測(cè)營(yíng)銷(xiāo)強(qiáng)調(diào)是決策價(jià)值，比如購(gòu)買(mǎi)時(shí)間,，你該看的不是她最后的購(gòu)買(mǎi)日期,，而是下次購(gòu)買(mǎi)的時(shí)間，看未來(lái)的存活概率,，最后生成客戶(hù)終身價(jià)值（CLV）。預(yù)測(cè)營(yíng)銷(xiāo)催生了一種新的數(shù)據(jù)驅(qū)動(dòng)營(yíng)銷(xiāo)方式,，就是以客戶(hù)為中心,，核心在于幫助公司完成從以產(chǎn)品或渠道為中心到以客戶(hù)為中心的轉(zhuǎn)變。
04精準(zhǔn)推薦
大數(shù)據(jù)最大的價(jià)值不是事后分析,，而是預(yù)測(cè)和推薦,，我就拿電商舉例，精準(zhǔn)推薦成為大數(shù)據(jù)改變零售業(yè)的核心功能,。譬如服裝網(wǎng)站Stitch fix例子,，在個(gè)性化推薦機(jī)制方面，大多數(shù)服裝訂購(gòu)網(wǎng)站采用的都是用戶(hù)提交身形,、風(fēng)格數(shù)據(jù)+編輯人工推薦的模式,，Stitch Fix不一樣的地方在于它還結(jié)合了機(jī)器算法推薦。這些顧客提供的身材比例,，主觀(guān)數(shù)據(jù),，加上銷(xiāo)售記錄的交叉核對(duì)，挖掘每個(gè)人專(zhuān)屬的服裝推薦模型,。 這種一對(duì)一營(yíng)銷(xiāo)是最好的服務(wù),。
數(shù)據(jù)整合改變了企業(yè)的營(yíng)銷(xiāo)方式，現(xiàn)在經(jīng)驗(yàn)已經(jīng)不是累積在人的身上,，而是完全依賴(lài)消費(fèi)者的行為數(shù)據(jù)去做推薦,。未來(lái)，銷(xiāo)售人員不再只是銷(xiāo)售人員,，而能以專(zhuān)業(yè)的數(shù)據(jù)預(yù)測(cè),，搭配人性的親切互動(dòng)推薦商品,，升級(jí)成為顧問(wèn)型銷(xiāo)售。
05技術(shù)工具
關(guān)于預(yù)測(cè)營(yíng)銷(xiāo)的技術(shù)能力,，有幾種選擇方案：
1,、使用預(yù)測(cè)分析工作平臺(tái)，然后以某種方法將模型輸入活動(dòng)管理工具,；
2,、以分析為動(dòng)力的預(yù)測(cè)性活動(dòng)外包給市場(chǎng)服務(wù)提供商；
3,、評(píng)估并購(gòu)買(mǎi)一個(gè)預(yù)測(cè)營(yíng)銷(xiāo)的解決方案,，比如預(yù)測(cè)性營(yíng)銷(xiāo)云和多渠道的活動(dòng)管理工具。
但無(wú)論哪條路,，都要確定三項(xiàng)基本能力：
1）連接不同來(lái)源的客戶(hù)數(shù)據(jù),，包括線(xiàn)上，線(xiàn)下,，為預(yù)測(cè)分析準(zhǔn)備好數(shù)據(jù) ,；
2）分析客戶(hù)數(shù)據(jù)，使用系統(tǒng)和定制預(yù)測(cè)模型,，做高級(jí)分析 ,；
3）在正確時(shí)間，正確客戶(hù),，正確的場(chǎng)景出發(fā)正確行為,，可能做交叉銷(xiāo)售，跨不同營(yíng)銷(xiāo)系統(tǒng),。
06預(yù)測(cè)模型
預(yù)測(cè)客戶(hù)購(gòu)買(mǎi)可能性的行業(yè)標(biāo)準(zhǔn)是RFM模型（最近一次消費(fèi)R,，消費(fèi)頻率F，消費(fèi)金額M）,，但模型應(yīng)用有限,，本質(zhì)是一個(gè)試探性方案，沒(méi)有統(tǒng)計(jì)和預(yù)測(cè)依據(jù),?！斑^(guò)去的成績(jī)不能保證未來(lái)的表現(xiàn)”，RFM只關(guān)注過(guò)去,，不去將客戶(hù)當(dāng)前行為和其他客戶(hù)當(dāng)前行為做對(duì)比,。這樣就無(wú)法在購(gòu)買(mǎi)產(chǎn)品之前識(shí)別高價(jià)值客戶(hù)。
我們聚焦的預(yù)測(cè)模型,，就是為了在最短時(shí)間內(nèi)對(duì)客戶(hù)價(jià)值產(chǎn)生最大影響,。這里列舉一些其他模型參考：
參與傾向模型，預(yù)測(cè)客戶(hù)參與一個(gè)品牌的可能性，參與定義可以多元,，比如參加一個(gè)活動(dòng),，打開(kāi)電子郵件，點(diǎn)擊,，訪(fǎng)問(wèn)某頁(yè)面,。可以通過(guò)模型來(lái)確定EDM的發(fā)送頻率,。并對(duì)趨勢(shì)做預(yù)測(cè),，是增加還是減少活動(dòng)。
錢(qián)包模型,，就是為每個(gè)客戶(hù)預(yù)測(cè)最大可能的支出,，定義為單個(gè)客戶(hù)購(gòu)買(mǎi)產(chǎn)品的最大年度支出。然后看增長(zhǎng)模型,，如果當(dāng)前的總目標(biāo)市場(chǎng)比較小,，但未來(lái)可能很大，就需要去發(fā)現(xiàn)這些市場(chǎng),。
價(jià)格優(yōu)化模型,，就是能夠去最大限度提升銷(xiāo)售，銷(xiāo)量或利潤(rùn)的架構(gòu),，通過(guò)價(jià)格優(yōu)化模型為每個(gè)客戶(hù)來(lái)定價(jià),，這里需要對(duì)你想要的產(chǎn)品開(kāi)發(fā)不同的模型，或者開(kāi)發(fā)通用,，可預(yù)測(cè)的客戶(hù)價(jià)格敏感度的模型,，確定哪一塊報(bào)價(jià)時(shí)對(duì)客戶(hù)有最大的影響,。
關(guān)鍵字推薦模型,，關(guān)鍵字推薦模型可以基于一個(gè)客戶(hù)網(wǎng)絡(luò)行為和購(gòu)買(mǎi)記錄來(lái)預(yù)測(cè)對(duì)某個(gè)內(nèi)容的喜愛(ài)程度，預(yù)測(cè)客戶(hù)對(duì)什么熱點(diǎn),，爆款感興趣,，營(yíng)銷(xiāo)者使用這種預(yù)測(cè)結(jié)果為特定客戶(hù)決定內(nèi)容營(yíng)銷(xiāo)主題。
預(yù)測(cè)聚集模型,，預(yù)測(cè)聚集模型就是預(yù)測(cè)客戶(hù)會(huì)歸為哪一類(lèi),。
07AI在營(yíng)銷(xiāo)領(lǐng)域的應(yīng)用
去年人工智能特別火，特別是深度學(xué)習(xí)在機(jī)器視覺(jué),，語(yǔ)言識(shí)別,，游戲AI上的突飛猛進(jìn)，以至于人們開(kāi)始恐慌人工智能是不是已經(jīng)可以接管人類(lèi)工作,，我個(gè)人是對(duì)新技術(shù)有著強(qiáng)烈的興趣,，也非常看好新科技，數(shù)據(jù)與現(xiàn)實(shí)的關(guān)聯(lián),。
我以前在國(guó)外零售店買(mǎi)單的時(shí)候經(jīng)常被詢(xún)問(wèn)“你有沒(méi)有購(gòu)物卡”,，當(dāng)我說(shuō)沒(méi)有收銀員會(huì)趕緊勸我免費(fèi)開(kāi)通，有打折優(yōu)惠,，只需要填個(gè)手機(jī)號(hào)和郵箱,，后面就可以針對(duì)我的購(gòu)買(mǎi)記錄做營(yíng)銷(xiāo)活動(dòng)，而當(dāng)我下次進(jìn)來(lái),，他們就讓我報(bào)出電話(huà)號(hào)碼做消費(fèi)者識(shí)別,，當(dāng)時(shí)我想如果做到人臉識(shí)別，豈不是更方便,，刷臉就可以買(mǎi)單,。而這個(gè)場(chǎng)景在去年也有了實(shí)驗(yàn)，螞蟻金服研發(fā)出了一個(gè)生物識(shí)別機(jī)器人,，叫螞可Mark,，據(jù)說(shuō)其認(rèn)臉能力已經(jīng)超越了人類(lèi)肉眼的能力。還有VR購(gòu)物,，Amazon推出的無(wú)收銀員商店Amazon Go,，通過(guò)手勢(shì)識(shí)別，物聯(lián)網(wǎng)和后續(xù)數(shù)據(jù)挖掘等技術(shù)實(shí)現(xiàn)購(gòu)物體驗(yàn),。
針對(duì)營(yíng)銷(xiāo)領(lǐng)域,，主要有以下三種預(yù)測(cè)營(yíng)銷(xiāo)技術(shù)：
1、無(wú)監(jiān)督的學(xué)習(xí)技術(shù)
無(wú)監(jiān)督學(xué)習(xí)技術(shù)能識(shí)別數(shù)據(jù)中的隱藏模式,，也無(wú)須明確預(yù)測(cè)一種結(jié)果,。比如在一群客戶(hù)中發(fā)現(xiàn)興趣小組，也許是滑雪,，也許是長(zhǎng)跑,，一般是放在聚類(lèi)算法，揭示數(shù)據(jù)集合中 真實(shí)的潛在客戶(hù),。所謂聚類(lèi),，就是自動(dòng)發(fā)現(xiàn)重要的客戶(hù)屬性，并據(jù)此做分類(lèi),。
2,、 有監(jiān)督的學(xué)習(xí)技術(shù)
通過(guò)案例訓(xùn)練機(jī)器，學(xué)習(xí)并識(shí)別數(shù)據(jù),，得到目標(biāo)結(jié)果,，這個(gè)一般是給定輸入數(shù)據(jù)情況下預(yù)測(cè)，比如預(yù)測(cè)客戶(hù)生命周期價(jià)值,，客戶(hù)與品牌互動(dòng)的可能性,，未來(lái)購(gòu)買(mǎi)的可能性。
3、強(qiáng)化學(xué)習(xí)技術(shù)
這種是利用數(shù)據(jù)中的潛質(zhì)模式,，精準(zhǔn)預(yù)測(cè)最佳的選擇結(jié)果,，比如對(duì)某用戶(hù)做促銷(xiāo)應(yīng)該提供哪些產(chǎn)品。這個(gè)跟監(jiān)督學(xué)習(xí)不同,，強(qiáng)化學(xué)習(xí)算法無(wú)須僅需輸入和輸出訓(xùn)練,，學(xué)習(xí)過(guò)程通過(guò)試錯(cuò)完成。
從技術(shù)角度看,，推薦模型應(yīng)用了協(xié)同過(guò)濾,，貝葉斯網(wǎng)絡(luò)等算法模型。強(qiáng)化學(xué)習(xí)是被Google Brain團(tuán)隊(duì)的負(fù)責(zé)人Jeff Dean認(rèn)為是最有前途的AI研究方向之一,。最近Google的一個(gè)AI團(tuán)隊(duì)DeepMind發(fā)表了一篇名為《學(xué)會(huì)強(qiáng)化學(xué)習(xí)》的論文,。
按團(tuán)隊(duì)的話(huà)來(lái)說(shuō)，叫做“學(xué)會(huì)學(xué)習(xí)”的能力,，或者叫做能解決類(lèi)似相關(guān)問(wèn)題的歸納能力,。除了強(qiáng)化學(xué)習(xí)，還在遷移學(xué)習(xí),。遷移學(xué)習(xí)就是把一個(gè)通用模型遷移到一個(gè)小數(shù)據(jù)上,，使它個(gè)性化，在新的領(lǐng)域也能產(chǎn)生效果,，類(lèi)似于人的舉一反三,、觸類(lèi)旁通。
強(qiáng)化學(xué)習(xí)加上遷移學(xué)習(xí),，能夠把小數(shù)據(jù)也用起來(lái),，我認(rèn)為是很激動(dòng)人心的，通過(guò)AI來(lái)創(chuàng)造AI,，數(shù)據(jù)科學(xué)家的部分工作也可以讓機(jī)器來(lái)實(shí)現(xiàn)了,。