电子商务营销人员长期以来一直梦想着在最佳时机向特定购物者传递完美的营销信息，从而促成交易。
即使在20年前，营销人员也可以设置“业务规则”——如果这样，那么那样——或将购物者划分为不同群体，以提供定制化的信息或推荐。
发生变化的是生成式人工智能的出现，它通过自动化和规模化劳动密集型或不切实际的任务，极大地扩展了个性化能力。
超个性化
将生成式AI与大量实时数据以及发送机制（如电子邮件、短信、聊天）相结合，就能实现超个性化。
营销团队现在可以制定一份详细阐述公司关键卖点、品牌差异化和语调的提纲，随后人工智能可以为每位购物者生成独特且优化的信息per shopper。
此外，用于对这些信息进行超个性化的软件正变得实惠，即使是中小型商家也能负担得起。
将购物者数据与生成式AI结合，营销人员可能正处于实现超个性化信息的门槛上。
解决的三大问题
考虑一下引发本文的例子。
Backstroke，一个生成式AI电子邮件平台，宣布推出了一款能够生成完整电子商务营销邮件的工具，包括布局、图片、文案、主题行和预标题。
尽管它无法 实现 实时 个性化，该新工具解决了与超个性化相关的三大主要问题。 与超个性化相关的三大主要问题。
数据捕获
超个性化需要大量数据。
电商营销团队通常可以获取第一方甚至第三方的购物者人口统计和行为信息，但缺乏以有意义的方式使用这些数据的技术能力、时间或资金。
例如，Backstroke 与 Klaviyo 深度集成，Klaviyo 是用于电子商务数据收集的最佳电子邮件服务提供商之一。Blueshift提供类似的服务，并同样与 Shopify 和 Magento 集成。
Backstroke 和 Blueshift 都认识到，电商营销人员需要帮助来收集超个性化所需的数据。在生成个性化电子邮件之前，AI 必须了解哪些内容对购物者重要。
数据的理解与使用
超个性化的另一个常见问题是，在收集到购物者数据后，如何理解和运用这些数据。Backstroke、Blueshift 以及其他生成式 AI 公司会将购物者分组或构建个体购物者画像。
可以这样理解：营销人员可以手动创建许多电子邮件细分群体——按性别、重复购买客户、流失买家等分类。一位勤勉的生命周期营销人员可能会手动维护 20 个这样的细分群体，而人工智能却能生成多达其十倍的数量。
因此，随着 AI 对购物者及其购买意图的了解不断加深，Backstroke、Blueshift 等公司能够持续优化和调整细分群体。
内容创作
最后，实现超个性化所需的文字和图片也是一道障碍。
想象一下，一位电商生命周期营销人员为 10 个购物者细分群体分别撰写、测试和优化包含三条邮件的序列。这意味着需要创作 30 条邮件。仅测试主题行，每条邮件可能需要三个变体——总共涉及 90 封邮件。
不久之后，维护和优化这些邮件将变得难以管理。这正是生成式 AI 平台正在解决的超个性化问题之一。营销人员不再需要维护 90 或 900 个版本的邮件，而是可以为 AI 提供一个框架，由 AI 自动生成并优化整个营销活动。
面向中小企业的 AI
截至 2024 年 10 月，大规模向每位客户或潜在客户发送独特消息尚不可行。但随着生成式 AI 的快速增长，这种超个性化已近在眼前。机器学习和数据处理方面的创新正稳步提升 AI 定制个性化消息的能力，有望实现更精准、更有效的营销。
此外，使用人工智能的成本正在下降。中小企业电子商务商家很可能很快就能获得曾经仅面向企业卖家开放的个性化工具，can soon access。