探析AI+汽車數字營銷賽道,2024年可能會解決什么問題?

2 評論 2755 瀏覽 10 收藏 36 分鐘

根據費曼學習法,戰勝遺忘曲線的最好方法就是把學到的東西用自己的語言簡化后表述出來。我試圖整理了下最近工作中對AI落地于車企營銷場景中的調研分析,也算是階段性工作的思考復盤。

全文篇幅較長,包括以下內容:

  1. 汽車營銷行業現狀
  2. 汽車銷售模式:直銷與分銷
  3. AI產品的可能性
  4. 汽車營銷需求有哪些?
  5. AI已知的能力有哪些?
  6. AI能解決汽車營銷領域什么關鍵問題?

01. 汽車營銷行業現狀

跨入汽車行業之后,我發現了它們存在的共性——都是具有復雜上下游產品鏈路的大商品行業。

多年的建筑行業經驗也幫助我更快地理解了汽車這個行業,用三體里用來類比宇宙的話來描述就是:它都像一個行動遲緩的龐大巨人,光是抬手都很緩慢,并且牽一發動全身。

這種大行業的劣勢不言自明,涉及的上下游產業鏈龐大,交易周期久,投入成本大,看似交易金額高,但層層流轉下來實際凈利潤不高。

這個從新勢力品牌大多連年虧損的財報就可以看出來,例如蔚來2023年總收入556億,凈利潤為-200億。

反觀建筑行業,前十年的黃金時代因為房價泡沫的存在導致房價虛高,消費者盲目熱情。但實際來看,建筑行業其實已經被上下游環節擠壓得毫無利潤空間。

中建X局的2023年總收入為5000億,凈利潤僅為130億,雖然不至于虧損,但凈利潤率極低就很能說明其中問題了。

從另個角度來看,這種大行業的機會在于,正是因為上下游產業鏈路復雜,所以背后值得降本增效的環節就非常多。優化1-2個關鍵部分,就有可能創造指數級的利潤點。

汽車行業優于房地產行業的關鍵在于,仰賴于這幾年來新能源車的崛起,帶動了全行業的數字轉型之路(當然it’s a long way to go)。

汽車的大商品屬性決定了它的客單價高、購買頻率低,消費者購買決策周期長。區別于快消品的短平快營銷模式,汽車的營銷場景會更加復雜。

簡單來說,大部分消費者會涵蓋從線上平臺觸達、線下門店試駕、金融方案試算、成交的一系列營銷旅程。線上線下結合的全鏈路營銷模式決定了這是一條極長的用戶旅程,在任一個環節都會有潛客流失,線上線下場景相互如何銜接也是問題關鍵。

故汽車營銷場景遠不如電商營銷場景來的純粹,車企營銷與消費者的綁定更加深入。

02. 汽車銷售模式:直銷與分銷

分銷模式

前面分析了汽車營銷場景的復雜性,如果由主機廠全部負責汽車研發,供應鏈管理,生產制造,質量把控,銷售,售后維保等整個一條龍流程的話,既做技術研發又做價值變現的所需成本太高。

所以在早期,汽車銷售的方式都是主機廠和多地經銷商合作的分銷模式。相當于把銷售這部分工作外包出去,主機廠把車賣給經銷商,再由經銷商賣給用戶。

分銷模式有兩個優勢:其一,經銷商有區域化優勢,在當地積累了相對穩定的客群與口碑,比主機廠更適合下沉市場;其二,分銷模式可以幫助分擔資金壓力,主機廠很難同時承擔幾百家全國各地的店鋪運營費用,而如果讓經銷商分銷,資金壓力會大大減小。

當然,分銷模式也有其不利的一面。參差不齊的經銷商會導致品牌車價格的不透明,有些經銷商為了銷量不惜打價格戰。同一款車在A經銷商買18萬,在B經銷商買16萬的情況也時有發生,非常損害消費者的購買體驗。

此外,主機廠由于離消費者的距離太遠,其實對用戶的購買需求是不了解的,導致研發過程更多是“閉門造車”,也很難在產品力上有所突破。

直銷模式

隨著新勢力汽車的崛起,我們現在更熟悉的新能源車銷售模式是直銷,即主機廠直接售賣汽車給消費者。主機廠制定統一價,消費者前往門店購買車,使整個購買流程更加規范化,更便于運營品牌形象。

在分銷模式轉向直銷方式的轉型過程中,汽車經銷商的打擊是很大的,大量汽車經銷商閉店,退網。2024年經銷商虧損比例達到50.8%,利潤結構構成中,還主要靠售后環節盈利,新車銷售收入還是虧損的。

當然,直銷方式對主機廠來說也是壓力很大,需要同時承擔研發、開店、運營成本,所以目前新能源車企中除了理想、比亞迪、賽特斯盈利以外,其他新勢力車企還是負增長。

而目前的經濟大環境也不容樂觀,產能嚴重過剩,消費情緒低迷,汽車行業從扭虧為盈到持續正增長看來是條很艱難的道路。

03. AI產品的可能性

在這樣一個不太樂觀的行業背景下,我想來探討下AI產品切入的可能性。

首先,我嘗試思考了以下三個問題:

  1. 汽車營銷領域最需要被解決哪些問題?
  2. AI已知的能力與實踐場景有哪些?
  3. AI能夠解決哪些汽車營銷領域的關鍵問題?

3.1 汽車營銷需求有哪些?

在未來的三年,大概率直銷和分銷的模式會同時存在,主機廠覆蓋一二線城市,經銷商覆蓋三四線的下沉市場,互相分工合作,完成汽車的售賣。

那汽車營銷領域的主體就包括了主機廠與經銷商,其中主機廠又分為新勢力品牌和老品牌(主要是一些合資燃油車為主的品牌,姑且這么稱呼)。

對于主機廠來說,新勢力品牌優勢在于數字化程度高,年輕用戶接受度高,但由于品牌起步晚,所以新勢力品牌營銷鏈路的第一步應該是塑造品牌,打出知名度,拉新用戶。

而老車企品牌以燃油車起家,在國內已經存續了幾十年,品牌早已深入人心,積累了大量的基盤用戶,但卻因為產品數字化轉型晚,逐漸背離年輕消費者的需求,如何留存再激活這些基盤用戶應該是營銷重點。

對于經銷商來說,它的優勢在于線下門店和消費者的直接接觸,以及售后的持續且長期的互動。線下門店的數字化轉型和售后管理上的降本增效應該是營銷策略重點考慮的部分。

3.2 AI已知的能力有哪些?

那么,AI又可以提供什么樣的能力呢?通過盤點目前AI已知的能力或許可以得到啟發:

1)內容生成與跨模態

AI的內容生成能力是目前最成熟的。隨著多模態模型的發展,AI已經可以實現文、圖、音樂、視頻四種媒介的生成與轉譯。目前AIGC生成各種媒介的落地應用數不勝數,諸如midjourney,runway,suno等等,這里就不多贅述。

格外想多提一句的是AI生文的能力——不像視覺生成看起來那么酷炫而通常會被低估。但總覽 AI 生成能力中,AI對文字的處理能力最成熟,也最穩定。

AI能力的穩定也就意味著結果可控,容易被標準產品化。它擅長將文字的信息排列組合,雖然沒有產生新的信息量,但非常適用于做文字總結、提煉、翻譯、分析等,由此可以延伸出大量的落地場景(80%的AI產品核心功能都是依托于此)。

這方面的產品相關案例有很多,國外很火的AI scribes抄寫員——也是被a16z非常認可的賽道,就主要依賴于LLM的文字信息總結能力。目前這個賽道已經積累了超千萬美元年收入的AI產品。

這方面的能力可以分支為三個部分組成:

  1. 語音轉文字:利用ASR模型,可以將語音轉錄為文字。
  2. 結構化處理和總結:原始的對話記錄需要通過AI的總結歸納,提煉出有價值的觀點
  3. 基于語義理解的輸出工作流:依據AI提煉的對話內容,可以通過workflow進一步傳遞關鍵信息。傳遞的這個過程中需要依賴于AI的語義理解能力,如將客戶關鍵信息自動填寫進crm表單中。

2)分析推理

在gpt-o1問世之后,另一個值得注意的能力是AI的分析推理能力。它允許用戶可以用自然語言進行復雜數據的分析,LLM特別擅長于對海量數據的特征提取、預測建模、語義/情感分析等方面的工作。

LLM自己本身的數學能力并不是特別好,不讓它調用工具的話,經常會出現下圖一樣啼笑皆非的回答。

問LLM一個簡單的加法算數,會得到兩種答案

現狀AI+BI的產品解決方案是讓AI學會調用計算器、Sql函數等,利用工具來進行數據分析。

而實際上,AI對數字其實是不夠敏感的,也就代表了它無法判斷這個數字是正確還是錯誤與否。它只是運行工具,得出結果,然后把這個結果告訴用戶。

但我發現AI做數據分析時有一個遠超其他工具的明顯優勢——信息的歸攏能力。它可以把一系列數據可視化圖表系統性地組織起來,形成可供閱讀的數據報告,總結其中的洞察觀點。這個優勢在面對海量數據圖表的場景下會格外突出。

例如Stormly這個產品,它可以自動生成詳細的報告,節約了數據團隊手動整理這些數據圖表的時間,并且能給出基礎的分析insigt。

Stormly生成的數據報告

3)個性化交互

目前圈內一直有聲音在探討LUI的交互形式是不是反人性的。我認為這種討論一定不能拋開場景來進行。

誠然,LUI的交互方式相比GUI,一定程度上增加了使用者的門檻。有很長一段時間內,我對LUI都秉持著懷疑的態度,因為丫真的太難上手了。相信很多人都經歷過這種難產時刻:打開gpt4,對著那個空洞的輸入框,不知道要做什么,有種拔劍四顧心茫然的無力感。

所以類似character.AI等對話bot產品我一直很難沉浸式體驗,聊天苦手是真的完全不知道要跟bot每天說些啥。

但LUI隨之而來的是高度的個性化。每個用戶輸入不同,得到的結果也不同,這是GUI時代無法實現的。并且,隨著多模態LLM的出現,語音交互也成為可能。語音+高度個性化的交互或許會是AI native產品與常規產品拉開差異的解法。

比如,在WAIC上,我關注到bilibili的一款語音產品:給漫畫配上聲音,讓漫畫動起來,變成可看可聽的“漫畫”。

筆者攝于WAIC:B站的動態漫

4)自動化工作流

在AI時代之前RPA就已經存在,但是自動執行的任務往往是機械化的單線程。AI在工作流中能夠在關鍵節點承擔決策規劃、信息整理再加工的工作,實現更高階的“自動化”。

coze、dify上有很多大佬搭的自動化工作流,像是每日新聞摘要、生成小紅書文案、爆款標題等等,這些就不再贅述。我也看到有產品直接打包了幾十個AI workfolw,封裝成一個產品開始賣服務,例如Worgit.ai、MakerBox。

Worgit.ai里面超級多的AI Agent

但通過實際分析相關產品之后,發現這些workflow屬于錦上添花的部分,很難支撐成為MVP功能。AI進行自動化工作流的功能核心還是依賴于上述提到的2個能力(生成與分析)。

不然,就算工作流跑通了,最后輸出的效果撲街也沒有什么用。

3.3 AI能解決什么關鍵問題?

把AI的能力遷移到汽車營銷場景,它又能解決哪些關鍵問題呢?

無論是主機廠還是經銷商,價值變現的手段主要是賣車,所以核心關鍵問題是:怎么把車賣給消費者?延展一下思路,賣車就好比找對象,無外乎得先向對方介紹自身條件,然后再問對方對另一半的期待是什么,最后尋找共同的match點說服對方為啥咱倆合適。

類比到車的營銷場景,無非就是三種需求:a.介紹自家車款;b.了解客戶購車意向;c.運用話術說服客戶。上述需求可以推導出以下三大功能:

1)營銷物料的內容生成

很多產品都探索過將AIGC技術應用于營銷物料的生成,其中有一站式內容生成平臺例如ADcreative、Content Studio。

ADCreative界面

目前互聯網世界也有很多優秀的AI生圖、音樂、視頻作品。

社區中也有很多應用于營銷場景的AI電商海報、廣告視頻、數字人口播等等的探索。但它們都有一個共性的弊?。赫б豢床诲e,但不經細看。

AIGC目前的能力局限了這類產品的天花板,圖像/影像生成仍有缺陷。在對細節要求比較嚴格的車款營銷物料生成場景中,AI很難做到精確把控。

汽車是一個工業品,比電商產品更加復雜,稍微有一點不一樣就會導致汽車主體的變形。所以,在用AI生成汽車形象的時候難以避免導致車的細節部分(輪轂、前后視鏡等)會崩壞。

筆者用MJ直接生成的圖:可以看出車的輪轂崩壞

雖然可以通過蒙版控制AI只重繪車的背景,而不對車的形象做修改,但是這又限制了AI生圖場景——只能生成簡單環境,而無法生成復雜環境的車圖(舉個例子,無法做到想讓車反射周邊環境的光氛圍又不改變車的形狀)。

筆者用蒙版局部重繪車的背景

很多人會想:生圖都如此復雜,更不要說生成車的廣告視頻了。但我在實踐中發現,用視頻生成大模型生成車的視頻幀圖,反而比用diffusion model生成車的圖像效果好很多。

我粗淺地猜測,大概是視頻生成大模型可以理解時空的概念(視頻訓練素材里有時間軸的概念),所以它不需要蒙版也能很好的保持了車的一致性,并且會在車身加上周邊環境的反射細節。

筆者用Runway生成的視頻:保持了車外觀一致性

即使是按照上文所述的方法,AI也僅能實現對簡單場景的換背景,遠無法達到一鍵直出汽車主KV的任務。目前AI的能力還不足以做好0-1的事情,精確生圖這條路徑難以走通,但仍然有一些1-100的路徑可以利用AI的核心優勢。

a. 用限定好的圖片素材庫重新排版

這也是目前很多產品選擇做的,比如小紅書新出的AI功能,可以看出來它并沒有重新生圖,只是對用戶的文字輸入進行重排版。(這里頂多用了AI的文字理解能力,然后再套相應的模板)

此外,還想吐槽一下,稿定設計里的AI設計,出現了嚴重的圖文不符。輸入的內容和背景圖完全風馬牛不相及,個人猜測也是因為套模板的緣故。

稿定設計里的AI生成

b. 對復用性強的營銷物料進行改寫/改繪/跨模態

鑒于AIGC的內容生成始終帶有些“不靠譜性”,我自己覺得更好實現落地的能力是利用AI提高成熟物料的復用率。

對于一些復用性強的營銷內容任務,給予AI一些好的范例,可以讓它進行批量生產。此外,跨模態能力允許營銷物料從文——圖——音樂——視頻等多種媒介形式進行切換(理想狀態中),極大提高了營銷內容的靈活度。

涵蓋了改寫的產品也很多,比如Typefully的AI重寫功能,可以從用戶過去的推文中吸取靈感,基于此產生新的推文。

Typefully的AI重寫界面

實現跨模態媒介轉換的產品也不少,但效果都不太好。圖/文/視頻的互轉,過程中總會有信息的缺損需要AI來彌補,而AI目前還沒有那么智能到完全理解人類作品,所以這類產品轉換后生成的東西要么“一眼假”,要么“套模板”。

在其中,我發現了Munch這個產品的功能落地還算扎實。這個產品是用于將長視頻再利用,比如從長視頻中讓AI剪切有意義的片段,形成引人入勝的短視頻。

這個產品需要AI的強視頻理解能力,自動識別精彩片段,并批量剪輯成片。從嚴格意義上,這個產品沒有實現跨模態,而是同一媒介信息的濃縮。但它的應用場景非常明確,且效果穩定可控,就是一個很好的AI產品。

Munch:長視頻智能剪輯為短視頻

2)消費者調研

汽車行業的客戶洞察應該是貫穿于整個售前-售中-售后這三個階段的,所以我將用三個階段的分類討論AI如何賦能。分類是按照購車客戶的生命旅程周期來定義,并不完全嚴謹,我會詳細介紹下各個階段的區別。

a.售前階段——潛客洞察

在售前階段,為了吸引客戶留資購車,車企不僅需要分發大量的營銷物料,還需要對分發出去的內容進行分析,從社區輿情中提煉活躍潛客的喜好(eg.關注的賣點、購車顧慮點等),才能更好地針對性提出營銷戰略,精細化運營過程。

潛客的分析建立在客觀數據(內容物料的內容數據、潛客行為記錄)和主觀數據(社群評論、售前問卷等)的基礎上。而AI非常擅長對海量數據的歸類分析、情感判斷等工作,天然適合承擔互聯網社區輿情洞察的工作。

以上當然是理想狀態下的場景。從實際情況上看,這樣的分析不會得到太有意義的結果。因為網上水軍泛濫,如果用AI提取社媒上輿情的高頻內容,大概能獲得的結論可能是“哈哈哈哈哈”或者“贊贊贊”,誰也不可能從這種無意義內容中提取出潛客特征。

接著上述的思路想,用關鍵詞規則或者AI的語義理解能力先過濾掉一部分無意義內容,對篩選過后的精華評論進行分析,也是一種解法,但仍有缺憾,因為大部分人在網上的留言都是碎片式的,非常容易被斷章取義,輸出的效果也不好。

或者,還有另一種思路,讓AI主動去問潛在客戶呢?

由AI來生成問卷,集成在企業網站、產品平臺中,有潛在客戶瀏覽時,就主動向他們發送調查問卷選項,收集反饋結果,形成分析看板。海外目前已經有比較多成熟的相關產品,如Canny、sprig。

Sprig的AI問卷+分析

但這仍不適用于中國市場情況。海外市場的營銷渠道仍依賴于自身PC端官網,會有大量潛客瀏覽官網信息。

而中國卻過快從互聯網時代跨入了移動互聯網時代,導致數字營銷市場的重心在第三方移動端平臺,很少人會想到去PC端官網了解產品,這讓AI主動調研的渠道也就難以走通。

目前,我也還沒有想好更優質的解決思路,只能說這個場景不一定需要AI介入。國內的產品如矩陣通,建立在龐大數據庫的基礎上,純粹從客觀數據分析的角度入手(或者用關鍵詞規則來監控客戶輿情),效果會比依賴于AI的語義理解能力好上不少。

b.售中階段——客戶精準畫像

我把售中階段定義為潛客留資到上門店看車的過程。在這時候,車企已經獲知該客戶的基本信息(性別、地區、意向車型等),需要銷售人員在跟進線索的多次交流中,記錄客戶的關鍵標簽,逐漸刻畫出更精細的客戶畫像。精準的客戶標簽可以輔助銷售人員了解其傾向,在后續的服務過程中擴大客戶的滿意點,打消疑慮,最后成功獲客。

這個階段會引出普遍車企營銷中都會遇到的問題:客戶標簽管理。銷售人員在每輪溝通中都要手動為其打標簽,接待客戶數量一旦越來越多,給銷售增加的工作量就無比龐大。

如果設置關鍵詞規則,進行自動打標,那標簽也有可能不準。比如,一個客戶心儀車型是A,他在會話過程中問了一句:A和B的車型有啥區別?系統自動根據關鍵詞打標的話,就有可能把A和B都給記錄到這名客戶的心儀車型標簽中去。

AI的語義理解能力可以很好地解決自動打標的問題,它通過識別銷售與客戶的會話,自動歸納出該名客戶的意向車型、性格、購買需求等,同時甚至不需要套生硬的標簽,它還可以總結出更加個性化的結論。

但需要注意的是,汽車銷售與電商銷售場景不同,汽車銷售的核心場景在線下門店,而非線上。畢竟,大部分人對購買汽車這種大商品還是比較謹慎的,一般都會去門店試駕體驗后再進行消費決策。

所以,如果想讓AI識別購車場景下的客戶畫像,得通過ASR手段收集門店里銷售接待的錄音,將錄音轉譯為文字,再接入LLM進行語義分析,客戶畫像提煉。華人自主創業的產品cresta,核心功能就與之類似。

Cresta的客服語音智能識別+分析客戶畫像

但這個場景的難點在于,目前中文ASR模型的效果普遍不佳。即使可以通過添加熱詞等方式微調,但經過測試,語音轉文字的精確度仍然不高。中文語境下方言體系龐雜,識別不同種類的方言更是難上加難。

想要提升ASR模型的準確度,需要從多模態融合算法的優化入手。隨著多模態能力的發展,LLM具備了直接識別語音的能力。通過特殊的語音語料訓練LLM,可以快速提升AI對特定詞語的理解能力(特別是汽車型號等非日常用語)。

c.售后階段——滿意度調研

售后階段顧名思義,即指客戶成為車主之后的階段。該階段中,車企的運營策略部門需要獲知車主的滿意度情況,為后續改進客戶接待流程提供方向,也為后續新車產品的開發方向提供參考。

車主滿意度調查和上述潛客調查的場景是非常類似的,只不過是兩者調查的主體不同。AI落地于車主調研的場景會更加容易,因為車主一般是品牌親密度較高的人群——可以通過提供車主服務把他們聚集在車企app里。AI用app、郵件、短信等方式向車主發送有獎調查問卷,收回問卷的質量會比潛客高很多。

此外,我在Product Hunt上還關注到了幾款問卷調研+語音Agent類產品,像Waveform.ai。AI可以自動撥打電話,以語音的形式向客戶詢問調研問題,自動記錄客戶回答內容,形成書面報告。

遺憾的是,這類產品目前還停留在demo階段(畢竟gpt-o1也才發布不久),但未來可以期待一下。

3.4 智能客服

智能客服這個方向應該是數字營銷場景中最高頻落地的,業內也有很多的AI產品進行相關探索。在產品調研時,我自己試用了一些AI智能聊天機器人,像小冰、句子互動等。其實值得單開一篇文章來寫,這里就簡要記錄下我的結論。

整體上看,智能客服產品賽道擁擠,同質化較為嚴重。如果要求不太高的話,一個簡易的GPTs就可以包裝成一個客服產品。如果稍微用點心,用Dify、Coze等平臺編寫一個工作流實現智能客服的75%功能也并不難。

所以,這類產品的護城河要么有個非常牛逼的大模型(綜合能力遠超其他大模型),要么就是和現有頭部電商/行業產品結合的非常密切(比如淘寶小蜜)。

第一點說實話比較難,畢竟現在一年過去了,還沒有大模型的綜合能力超越gpt-4家族。并且,各個大模型之間的能力差距還沒有大到可以技術壟斷。第二點的話,目前大部分垂類使用場景還掌握在大廠的手里,AI 智能客服會和相關產品強綁定,比如淘寶和淘寶小蜜,網易和網易七魚等,都是大廠扶持的產品,AI Native應用可能很難找到切入點。

2024LMSYS榜單:GPT4家族一騎絕塵

此外,大部分AI智能客服都不太智能,在處理某些問題場景的時候甚至不如基于nlp的規則類智能客服。

可以看出來,很多產品經理在努力讓自家的AI智能客服看起來像個“人”,有時候會給其一個可愛的名字或者數字形象。這樣的努力其實避重就輕,因為一交談就會發現AI智能客服還是不太靈光,頂著再像人的形象也不好用。

本著揚長避短的原則,既然技術瓶頸無法讓AI像個真人,那就不必強求。針對高頻客戶問題,設定一些規則進行回復,而遇到較為個性化問題時,可以讓AI進行判斷是否可以回復,無法回復時轉接人工客服,是常規的解決思路。

至于提高AI客服的準確性和專業度,可以通過RAG+知識庫的形式,讓它掌握特殊領域的知識(可惜RAG能優化的空間也比較局限,有時候還會弄巧成拙)。RAG目前有非常多種改進后的變體,如RAGfusion、CRAG、GraphRAG等,這方面的文獻研究數不勝數,論文肯定比我寫的明白,這里就不多贅述了。

我自己密切關注的AI智能客服價值點之一在于自動工作流?;厮莸绞褂脠鼍吧蟻硭伎迹蛻魜碚铱头欢ㄊ菐е_切的目的的:讓客服幫自己解決問題。AI的自動工作流可以在接待多個顧客的同時將他們引導向不同的目的地、提供合適的工具。

工作流的規則為LLM的發揮提供了一個穩定的框架,盡可能減少幻覺問題,為用戶解決實際的問題。

類似的產品最近有Nurix,創始人是印度企業家,他選擇了一個取巧的賽道:IBO(業務流程外包),為印度的外包行業提供定制化客服Agent,以提升客戶服務質量和生產力效率。

Nurix AI的智能客服(文字+語音)

04 結語

以上是我近期對于汽車領域的數字營銷場景的AI產品方向思考,時間有限,有些思考沒有經過反復推敲,不一定對,歡迎各位同行交流指正。

最后,我想用一句老生常談來進行總結:人們總是在短期內高估,而在長期內低估。這幾年以來,我很高興能夠置身浪潮其中見證AI的發展。

這一次的AI浪潮雖然不可類比移動互聯網的黃金十年,但它帶來的更多是潤物細無聲的變化。不管怎么說,讓子彈再飛一會。

希望未來少些宏大敘事,涌現出更加扎實的AI產品。

作者:不展芭蕉,公眾號:不展芭蕉

本文由 @不展芭蕉 原創發布于人人都是產品經理。未經作者許可,禁止轉載

題圖來自Unsplash,基于CC0協議

該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. AI+汽車營銷更完善后,應該能根據客戶需求,給客戶推薦更好的車,也能提供更人性化的服務。

    來自廣東 回復
  2. AI+汽車營銷真酷!期待2024年能有更多個性化體驗,買車也能高科技滿滿!??????

    來自遼寧 回復