营销部来了个 AI：7 个真实案例，我挨个拆给你听

前段时间，我翻到一组案例，越看越坐不住。

是一家叫 DP6 的公司做的。DP6 是一家做数字营销咨询的公司，专门帮品牌用数据做决策。2024 年底，他们办了场活动，叫 Marketing Data Science，直译过来就是「营销数据科学」。活动上，他们的一位数据与 AI 高级经理 Rafael Ennes 做了场分享，主题是：数据和 GenAI，怎么把潜力放大。

分享里给了 7 个 GenAI 在营销上的真实用法。不是 PPT 上的概念。是他们和 The Brandtech Group 旗下兄弟公司一起，在大品牌身上真跑过的项目。

我看完只有一个字：强。

今天我把这 7 个用法拆开，一个一个讲给你听。

一、你问，它答

做营销的人，最缺什么？

不是创意，是数据。

你想想这个场景。你是市场部负责人，你想知道：我主打的那条产品线，到底是哪几个 campaign 带来的收入最多？答案其实就躺在公司的数据仓库里。可你不会写 SQL。于是提需求、排期、等报表。报表回来的时候，做决策的窗口已经关了。

什么叫 Reporting Chatbot？

说白了，就是派一个 AI 坐在数据仓库门口，当你的翻译。你用大白话问，它进去翻，然后用文字、图表或者表格回你。

这一下，就把数据的门槛拆了。不懂数据的团队，自己就能查数；决策不用再等周报，当场问、当场有。顺带，数据分析师也解脱了，不用天天被各部门当人肉查询接口。

以前，数据是数据分析师的。现在，数据是每一个会打字的人的。

二、货架上的毫米级战争

第二个，说点离钱更近的。

你在 Google Shopping 上比过价吧？在 Amazon Ads 的结果里点过商品吧？每一个商品背后，都挂着一串东西：标题、描述、图片、各种属性。

买家看不见你的仓库，他只看得见这些。

所以这些内容值得被认真对待。可麻烦在于，商品一多就是灾难。几百个 SKU，每个平台的规则还各不相同，靠人工一条条审、一个个改？改到明年去吧。

Feed Optimizer 干的，就是让 GenAI 自动去审这些标题、描述、图片和属性，该优化的优化，该调整的调整。而且它守规矩，Google Shopping、Amazon Ads 这些平台的规范，一条都不越。

结果是两头都赚到：买家看到的信息更对味，点击、转化、销量往上走；卖家省下大量人工复核的时间，商品上架跑得更快。

三、差评是最好的产品经理

第三个，我个人最喜欢。

你的 App 在应用商店里，每天都有用户留评论。夸的、骂的、提建议的、骂完顺便教你怎么改的。

这些评论，以前很多公司怎么处理？没人看。或者安排个人看，看到麻木，憋出一份月报，然后没人读。

可这里面全是金子啊。

这个用例叫 App Review Benchmark，就是拿 GenAI 把几千条乱糟糟的吐槽，变成结构化的答案：被骂得最凶的是什么？是导航迷路，是加载太慢，还是定价太贵？哪些问题伤用户最深，该优先修？还能拿去和竞品的评论对一对，看看谁家的差评都落在哪儿。

以前，用户的声音散落在评论区里，谁也捞不动。现在，它们自己排着队，按伤害值从高到低，摆在你桌上。

**差评，就是最好的产品经理。**就看你听不听得见。

四、AI 是怎么向别人介绍你的？

第四个，方向反过来。前面三个，都是你怎么用 AI。这个讲的是：AI 怎么说你。

你发现没有，这两年很多人遇到问题，第一反应已经从打开搜索框，变成了直接问 AI。AI 在回答里提到谁，谁就可能拿到那单生意。

那么问题来了：当用户问 AI「这个品类买哪个好」的时候，AI 是怎么介绍你的？它说的卖点，和你想传的，是同一套吗？比起你的竞品，它更替谁说话？

Share of Model，是 Jellyfish 做的一个方案，专门回答这个问题。它用 GenAI 去分析各个大模型对你品牌的「认知」：你的哪些属性，它记住了；竞品的哪些属性，它也记住了；两下一比，差异就出来了。

看清了，你才知道内容和定位该往哪儿调，才有可能把 AI 脑子里的你，一点点掰成你想要的样子。

以前大家争的是搜索结果里的位置。往后，恐怕得多争一样东西：AI 记忆里的份额。

Share of Search 你多半听过。Share of Model，我是头一回见，拍案叫绝。

五、给创意装上后视镜

第五个，回到创意本身。

一场 campaign 打完，大家复盘什么？点击率、转化率、ROAS。数字谁都看。但很少有人问一句：这条广告，到底为什么好？或者，为什么不好？

这个用例叫 Creative Insights，是拿 GenAI 去盘过去的 campaign：把创意素材的种种属性，对着当时的投放要求和实际结果，一条条对。

对完之后，下一场 campaign 的 brief 就不是拍脑袋了，它是从「上次什么真的有效」里长出来的。哪些视觉元素、哪种表达，对哪一拨人最管用，团队心里也有账。素材和受众的口味对上了，ROAS 自然更容易往上走。

说白了，这是给创意装了后视镜。没有后视镜的车也能开，只是会把同一个坑，反复撞一遍。

六、创意，开始有流水线了

第六个，解决一个特别疼的问题：产能。

大品牌做 campaign，最怕个性化这三个字。10 个受众群、5 个市场、3 种语言，一条创意要裂变出多少个版本？靠人做，产能瞬间爆炸。

Pencil Pro 是拿 GenAI 把这条生产线自动化：文本、图像、视频，几类生成模型一起上，按品牌规范，批量产出创意物料。

产能上去了，质量不掉线。交付周期短了，campaign 就能更敏捷。不同受众看到的，是更对味的不同版本，而不是同一条广告硬推给所有人。

有人担心，流水线会不会让创意变廉价？我的看法是：被批量复制的是物料，不是洞察。洞察，永远是稀缺的。

七、地基：你得先喂料

最后一个，是前面所有用法的地基。

你可能会问，这些工具都不错，可大公司真要用起来，卡在哪儿？

卡在喂料。

打个比方。AI 像一个刚入职的聪明实习生，脑子转得飞快，但对你公司一无所知。你直接让他上场，他就会一本正经地胡说八道。

大品牌是什么处境？创意要投放到几十个市场，每个市场的合规要求不一样，历史表现也不一样。而这些信息，散落在文档里、数据库里、表格里，连人都不一定找得齐，何况 AI。

Brandtech Brain 就是来干这个的。技术上是 RAG（检索增强生成）、微调、提示工程这一套。翻译成人话：把散落的公司知识收拾成 AI 读得懂的形态，再在 AI 干活的时候，把相关的、最新的、属于你公司的那部分，实时塞回给它。

效果立竿见影。

胡说八道少了，因为它生成内容时，脚下踩着的是你自家的数据，不是凭空联想。个性化强了，业务里的战略信息进了模型，大规模的定制成了可能。还有，人工喂料、来回纠错的活儿少了，规模化这才真正立得住。

一句话：GenAI 的上限，取决于你喂给它的料。

最后，说点题外话

回头看这 7 个用法，你会发现它们其实在说同一件事。

GenAI 没有把营销变成另一个行业。它做的是，把营销里那些「因为太费人力，所以一直将就」的环节，一个一个掰开、重做。

数据将就着看，评论将就着听，创意将就着复制，知识将就着散落。现在，不用将就了。

那场分享里有个观点，我印象很深：AI 项目真正的价值，要等规模化落地之后，才真正浮现。演示里那种热闹，不算数。

我深以为然。案例都摆在这儿了，工具也都在这儿了。

剩下的问题是：你的营销部，打算什么时候把那些「将就」，重干一遍？

祝你能抢先一步。