如今，越来越多的营销工具由 AI 驱动。随着这种转变的发生，营销人员正在努力应对这样一个事实，即总会有某种形式的无意算法偏差影响这些平台。即使在数据科学团队没有意识到的情况下，这种偏差也是被编程的，因此很难检测和解决。
作为营销人员，我们继承了我们用于广告的算法中的偏见，无论它们是我们构建还是购买的算法。因此，重要的是制定具体步骤以确保我们使用的算法中的偏差最小，无论是您自己的 AI 还是供应商提供的 AI 解决方案。人工智能，尤其是机器学习，已经增强了广泛的营销解决方案，包括超细分、动态创意、库存质量过滤、动态网站和登录页面。但是有很多事情会阻碍算法的成功。
当偏见潜入人工智能时，它会以各种方式对工作和活动造成严重破坏。这经常发生，因为营销人员在某些情况或客户方面比其他人拥有更好或更多的数据，这导致算法对数据量更大的情况或客户更准确。以下是一些常见的例子：
- 我们都想“征服”竞争对手的客户，但营销人员通常比未来的潜在客户更了解现有客户。因此，可能存在相当大的风险，即这些算法本质上更能成功地找到像他们当前客户一样的人。
- 许多营销人员对高价值客户进行细分和定位。由于这些可能更少，算法通常主要根据来自更常见、价值较低的客户的数据进行训练。因此，这些算法被证明偏向于寻找价值较低的客户，从而损害了整体努力。
- 当早期采用者占新产品的大部分客户群时，营销人员可能难以为晚期采用的客户优化营销。这很容易发生，因为主要是早期采用者的数据将用于训练算法。
- 营销人员可能会无意中优先考虑短尾应用上的库存，因为我们用于竞价优化的算法从这些应用获得的训练数据比其他应用更多。
这里的一个关键教训是，我们不能从表面上看待人工智能算法——它们当然不是万无一失的。随着新技术和新功能的出现，需要注意一系列新问题。营销人员需要问很多问题——从公司销售人工智能的动机到训练数据的来源。我们也需要审视自己，知道我们会根据个人经验给我们的解释带来偏见。
以下是确保您的 AI 不会过度偏颇的五个具体步骤：
1.参与并保持参与。人类持续参与人工智能是至关重要的。质疑所有假设并将人类决策与模型决策进行比较，挖掘您可以找到的任何差异或模式。作为营销人员，请确保不要过早地投入到 AI 的“一劳永逸”自动化用例中，而是定期确保算法以您想要的方式运行。
2.使用有代表性的训练数据。对于您想要在营销中使用的任何和所有组，请确保该组很好地代表了训练数据。通过确保这些结果在训练数据中被过度索引来更准确地预测罕见的结果，例如转换，这将确保算法有很多成功的例子。作为评估供应商的营销人员，请确保您对供应商已采取措施确保数据代表性感到满意。
3.看表面之下。在衡量准确性时，不要只关注算法的整体性能，还要查看每个单独的子组，例如平台、性别以及 LTV 高低客户。否则，您最终可能只能对数字广告而非电视广告进行准确预测，或者对您已经投入大量资金的出版商进行准确预测，而不是那些对您的品牌而言的新广告。
4.不断追求更好的数据。永远不要安定下来。继续寻找更好的培训数据，并确保您的供应商采用相同的方法。获得更多、更广泛并尝试新事物来收集和/或利用可用于优化的数据。谁拥有最好、最彻底和最准确的训练数据，谁就拥有巨大的优势。作为评估供应商的营销人员，请询问培训数据——它的准确性、数据来源、更新频率。重要的是要记住，“最好的”训练数据不一定是最大的数据集。训练数据的强度更多地取决于质量而不是数量。
5.以怀疑的态度评估人工智能。它是一个强大的工具，在定位、数据准确性、创意版本控制、测试和测量方面发挥着越来越大的作用。人工智能驱动的解决方案可以帮助营销人员更聪明地工作，并在更大范围内实现令人兴奋的新事物。与任何其他投资一样，您需要知道如何避免风险。
当您投资基于 AI 的解决方案时，您需要询问算法偏差。一旦你采用了一个解决方案，再问一遍……再问一遍。