如何用NLP与知识图谱支援MarTech建设？

所有人都向往无所不知，营销尤为如此。

不同的是，营销人追求的「无所不知」更像对洞察和精准的执着——无论是大到用户数据管理，还是小到销售线索的筛选，营销人希望知道更多，从而减少销售转化过程中的损耗，提高效率。

由于语言文字是人类社会信息传递的主要形式，当人们交流、存储信息的主要场地逐渐偏向互联网，触及「无所不知」的方法也在这里被渐渐发掘——人工智能领域的发展可见一斑：

自然语言处理（Natural Language Processing，简称NLP）技术探讨的基本命题是如何处理和运用自然语言。而知识图谱则是在NLP对语言文本的解构基础上，以图数据形式存储信息，并描述客观世界中概念、实体及其关系。

简单来说，NLP技术类似于人类读懂语言和文字的能力，而知识图谱则对应着人类储存在脑海里的知识体系。

于是，AI投资热潮过境之后，高投入、低回报、落地难的固有印象让这个领域短暂失去了吸引力。但在资本眼中，两个细分领域仍然存在大量的机会，一个是计算机视觉（CV），另一个就是自然语言处理（NLP）。

自然语言处理和知识图谱是两颗相辅相成的AI双子星，在MarTech领域已经找到了帮助营销人「无所不知」的方法：智能获客。

从智能获客快速落地的NLP

在Google开源BERT后，NLP行业迎来了自己的标杆模型，识别精准度大幅提升。再加上互联网世界中文本数据普遍，又存在大量如搜索等垂直领域的需求，该技术受到VC青睐理所当然。

但作为NLP技术重要的应用之一，知识图谱在不同环境下却表现出不同的形态，一方面，「Google知识图谱」试图还原整个现实世界联系，叙事恢弘，另一方面在MarTech领域，知识图谱的应用则从更贴近商业本质的一面展示价值，那就是智能获客。

智能获客，同时对Marketing与Sales部门产生影响：Marketing负责为销售导入优质潜在线索，属于线索管理（Lead Management）范畴。而销售部门也需要对已有数据做进一步筛选，这属于销售支持（Sales Enablement）的范畴。

IDC分析师曾认为，销售支持（Sales Enablement）其实就是「在正确的时间以正确的格式向正确的人提供正确的信息，以帮助推动特定的销售机会。」对于销售部门而言，这往往需要能够连贯地组织、查找、共享、定制和分析目标的必要框架。

在业务场景中，「正确」并不容易达成——事实上，大多数企业地销售数据很容易给销售人员造成紊乱，一般造成这一现象的原因有三：

• 销售线索往往由多个团队输入，内容良莠不齐，导致目标画像不全

• 行业数据信息庞杂，商业关系还原难度大

• 潜客筛选、销售线索优先级划分困难

而这些痛点也为NLP和知识图谱的应用提供了丰富的应用场景。

「以销售为导向的企业，每天各个渠道都会产生大量的销售线索。几百人的销售团队，每天可能需要面对上万条参差不齐的线索。行业需要一套解决方案，能帮助销售人员自动补齐线索内容、自动挑选更有价值的销售线索优先触达。」百炼智能联合创始人&CTO姚从磊在接受采访时这样说道。

在姚从磊看来，销售线索是ToB销售侧的痛点之一，百炼智能据此打造了自己的智能获客四大产品：竞争分析、档案补齐、模型预测和客户裂变。

「档案补齐是通过知识图谱的实体对齐技术，对残缺不全的销售线索进行自动化补充整理；而以NLP技术处理后的销售端成单数据和销量数据为基础，我们可以通过建立 深度神经网络 模型帮助客户实现成单和销量的预测；此外，基于全网公开数据，知识图谱能带来客户竟对关系的提炼和KP的锁定，辅助销售工作。」姚从磊补充道。 

把数据转化成业务语言

由此看来，知识图谱在销售支持领域的应用，已经涉及到数据收集、数据治理以及数据分析三个环节。在实际辅助销售人员的过程中，知识图谱技术承担着将销售大数据转化成「业务语言」的重任。

例如，客户过往成单总的信息，返回到客户模型中，成为能够基本定性的数据，如公司规模、地理位置附近存在竞对产品的数量等。随后这些数据进入到深度学习神经网络模型，最终形成应用标签，最终预测销量。

但在ToB企业销售部门，知识图谱也有自己发展的不利因素，如可供训练模型使用数据量相对较少，不同行业数据类型差异较大等问题。 

在被问及这些问题时，姚从磊表示训练数据较少的问题确实存在，但只要数据规模能保证在千级，知识图谱+模型就能产生相对有效的标签支持。另外，GAN （对抗生成网络）技术能帮助模型在较少训练数据下，获得较高的预测准确率。 

而不同行业的数据类型不同的影响并不大，知识图谱产品的服务模式是可以切换到其他行业的，需要调整的只是数据刻画和分析的维度。

「我们从一开始只做销售线索的筛选导入到如今，一年时间里已经开始与部分客户合作进行销量预测。」姚从磊说，「接下来，我们会逐步将自然语言处理技术的召回率提升到较高的水平（平均98%以上）并部署GAN （对抗生成网络）」

消费者全量数据的知识图谱畅想

对于那些具备通用产品，客户群大而分散，且有筛选销售目标需求的用户，知识图谱是一个见效迅速且成本不高的销售效率提升之法。 

百炼智能选择了从智能获客切入，同时在销售支持（Sales Enablement）与线索管理（Lead Management）的细分赛道上不断深耕。但对知识图谱而言，如果将「销售数据」换成营销「全量数据」，那么NLP和知识图谱技术对Martech的影响会更加广泛。

销售业务场景下，人们主要工作内容是拜访客户。在拜访完一家客户后，销售人员往往需要了解就近还有哪些客户，这意味着基于地理位置的对潜客的筛选能够帮助到销售人员，而地理信息仅仅是一个维度。

如果将地理位置、竞对关系、人事变动、近期行业资讯等公网「知识图谱」，与目标客户的网页浏览URL、APP行为、第三方平台行为等营销「知识图谱」结合起来，营销人员将最大限度地「在正确的时间，像正确的人传达正确的信息」，销售人员也将最大限度地「在正确的时间，正确的地点，接触正确的人，提供正确的产品信息沟通」，最终双方协同推动特定的销售机会。

这是比较理想的基于消费者全量信息建立知识图谱的情景——高精度的知识图谱必然需要NLP技术与强大的AI模型共同实现，如消费者访问海量的URL数据，首先需要用爬虫获取页面内容，再通过NLP语义识别为每一个URL贴上相应标签。

随着CDP、数据中台概念的兴起，广告主越来越关注第一方数据与第三方数据的结合，建立自己的私域流量池。但在全量数据面前，数据标签打通成本高、难度大，也限制着广告主建立自己的洞察。

而知识图谱，可能就是那条捷径。