1、AI，从数字营销的底层崛起2026，标签时代的落幕大课堂版权所有宋星直播 宋星大课堂 纷析咨询 纷析商学 20262026标签，曾经是数字营销划时代的发明 过去，我们将复杂的消费者简化为“属性+兴趣”的组合寻找目标用户就像查阅档案，只要索引到正确的“标签”，就能找到对的人。相比于无法进行个体颗粒度的人群定位的时代，这是巨大的进步但在中国，标签的作用越来越弱海外：商品没有中国种类多 新品相对少 线下购物是主流 标签画像相对稳定中国：极为动态的市场 商品极为丰富 新品层出不穷 消费者注意理和兴趣快速游移消费者旅程较长不断压缩旅程，尽量立即转化今天中国的数字营销 不断压缩转化路径特征一：全网盯着A3

2、人群浅层的A1、A2人群，无法带来即时转化，品牌纷纷抢夺购物意图明确的A3人群特征二：疯狂堆基建建海量计划，盲目测爆款灵魂拷问：如果标签真的精准有效，那就根本不需要堆海量的计划。消费者变化越快，转化环节越短，传统的标签就越来越没有效果标签能保证“人是对的”，但无法保证“时机是对的”标签是历史数据的总结，是静态的切片。但，今天的数字营销，必须抓住稍纵即逝的时机。因此，消费者意图，尤其是当下的意图，就远比标签要更重要。标签在广告体系的迭代：进入下一个时代了Before 标签时代After 意图时代认知公式：静态+动态=属性+兴趣底层逻辑：人的画像=标签的集合认知公式：过去+现在+未来=行为序列路径

3、构成的意图判断底层逻辑：人的画像=意图的集合受众的向量化表示 什么是向量化表示（embedding）N维的向量表示多维向量：真正实际应用的核心技术驱动：从“标签数据”到“特征向量”用户特征，不再是“静态文字贴纸”，而是转变为多维坐标系中的“向量”用户相关的特征信号慢慢全部成为向量化表示了：行为、上下文、环境不再是标签，而是语义级别的理解受众比较维度标签（Tag）向量（Vector）二者对比表达能力不同标签是离散的、稀疏的，类似“有或没有”“大或小”的定义。例如，“是否喜欢新能源汽车”只能取“是/否/弱/强”等有限值。向量是连续的、稠密的，可以捕捉更细微的差异。比如，对新能源汽车的兴趣，标签可能

4、分成“低/中/高”三档，而向量可以表示为 0.732 这样精细的数值。标签是对概念的简化，而向量是对概念的数学化重构。它不是简单的归类法，而是一种更接近原貌的信息表达。用向量进行广告投放，更能准确理解受众。维度之间的关系不同各个标签彼此独立，就像表格里的一列一列，没有内在联系。向量的各维度是相关联的，能够通过深度学习捕捉隐藏的组合特征。例如，一个用户对“健身饮食”高度关注，又频繁浏览“跑鞋”，系统就能在语义上识别出“潜在马拉松人群”。标签是单一概念的表层叠加，而向量是带有语义关系的特征组合。向量让AI不仅能理解用户，也能理解事物之间更深层的联系。计算方式不同主要依靠人工设定的规则或过滤筛选人群

5、，例如“选出所有喜欢户外运动 AND 年龄2534 的人”。可以通过相似度计算（欧氏距离、余弦相似度等），快速找到“与该用户最相近的1000人”，即“相邻向量区域”。一旦用户行为或属性变化，他在向量空间中的位置也会改变，系统可据此重新匹配。标签是静态的过滤器，向量是动态的定位坐标。标签圈出的是相似“表象”的人，而向量找到的是相似“内核”的人。向量让AI开始具有理解力：Queen King Man+Woman向量让投放引擎具有了一定的“推理”能力核心进化：引入DNN与序列模型（如Transformer/RNN）为什么弥补了标签的短板：现代模型拥有极强的向量空间理解力，能让它理解事物之间的关联。此

6、外，它也能处理长时间周期的序列信息，从而预测未来行为。广告匹配，过去是规则，现在是AI 人工匹配 规则匹配 AI匹配人工匹配规则匹配AI匹配匹配逻辑以广告位所处的上下文内容属性进行匹配以人群标签进行提前设定规则的匹配智能化的自主的匹配匹配信号域名、标题、内容关键词人群标签受众的向量化表示的特征典型广告形式合约广告竞价广告竞价广告是否可以人工干预可以为执行的合约调整（商务沟通）随时调整基本不能此外，不仅仅只是对受众做向量化，是全方位的向量化平台会自动识别视频内容 每次发布新视频时，系统随机抽取视频内容帧数，来判断视频的内容主题 通过推荐标签的内容可以提前预判作品的标签是否符合预期，不符合可重新上