货拉拉使用大模型提升营销效率的实践

根据麦肯锡2023的最新报告，生成式AI在经济价值中的75%主要集中在四个领域：客户运营、营销和销售、软件工程和产品研发。营销领域是AIGC的重要使用场景。

目前，许多国内外公司已经开始在营销领域布局或应用大模型，以提升营销效率。

在货拉拉我们也积极推进大模型的建设，进行企业内部业务应用赋能，将其应用到营销场景中(包括外呼、邀约、补贴、触达、广告、抽奖、积分等)。通过这种方式，不仅提高了运营效率，也为用户提供了更好的体验。

在货拉拉，我们将大模型营销能力拆分为8个基础能力。这8个基础能力是我们公司所有营销业务的支柱，它们共同构成了我们的技术框架，为我们的业务提供了强大的支持，这8个基础能力分别为：

• 营销内容洞察： 同义词扩充、内容解释、辅助分类等；

• 营销图片： 图片搜索、图片生成、图片修改、图片标注等；

• 营销会话： 话术生成、对话续写等；

• 营销视频： 视频主题、视频脚本、视频制作；

• 营销内容制作： 内容生成、内容修改、内容检查、内容搜索；

• 营销数据分析： 数据指标生成、指标总结、策略建议；

• 营销助手： 营销建议（时间、工具、触达手段）

• 营销代码开发：后端策略代码、前端营销活动代码；

营销消息生成

在当今的数字化营销环境中，货拉拉每月需要推送高达26亿条的消息。然而，重复发送相同的消息会导致用户疲劳，进而导致消息点击率下降，甚至用户选择关闭消息。这无疑对货拉拉的营销效果产生了负面影响。

在这种情况下，人工智能生成内容（AIGC）的应用显得尤为重要。AIGC能够自动生成各种各样的消息模板，避免了重复发送相同的消息，有效缓解了用户的疲劳感。同时，AIGC还能根据用户的行为和喜好，生成更具吸引力的消息，从而提高消息的点击率和发送成功率。

更为重要的是，AIGC能够帮助货拉拉节约消息模板生成的成本。传统的消息模板生成方式通常需要人工设计和编写，而AIGC可以自动完成这些工作，降低了成本。

因此，AIGC的应用不仅可以提升用户体验，还可以实现营销消息点击收益的最大化，对货拉拉的营销效果产生积极的推动作用。

货拉拉通过精心设计的提示（prompt）和丰富的文案库，能够生成各种风格的消息模板，如下表所示：

同时，货拉拉将该能力以产品化的方式接入营销消息中心，运营人员在配置消息模版的时候可以选择AI代写或者AI改写功能。

在AI代写方面，运营人员只需要填写【场景】、【用户类型】、【渠道】和【文案风格】等关键词信息，就可以通过调用LLM platform生成所需的文案。这大大提高了文案创作的效率，同时也保证了文案的质量和针对性。

在AI改写方面，用户只需要填写待改写的原文，就可以通过调用LLM platform生成改写后的文案。这不仅提高了文案改写的效率，也保证了文案的质量和一致性。

此外，我们还提供了针对文案生成结果的用户评价功能。用户可以对生成的文案进行点赞、点踩或填写问卷等评价。如果用户对当前文案满意，可以直接使用；如果不满意，可以支持再次调用生成，直到满意为止。

最后，我们也将该能力继承到货拉拉开发的浏览器插件Lalabot的写作模块中。在Lalabot的写作模块中，我们提供了多种预置的业务场景模板。用户只需要选择合适的prompt，就可以快速批量生成文案。这大大提高了写作的效率，同时也保证了文案的质量和一致性。

营销图片生成

在现今的广告环境中，货拉拉的广告流量日均曝光量已经达到了约2670万，主要采用图片的形式进行展示。这种广泛的曝光量为货拉拉提供了巨大的广告机会，但同时也带来了挑战，那就是如何设计出能够吸引用户点击的图片素材。

在使用Stable Diffusion和Midjourney生成广告时，我们发现直接使用提示（prompt）生成营销广告图片质量不高，不能直接使用，同时，广告图片设计模板的变化并不频繁。

因此，我们根据历史点击率较高的模板，实现了一种半自动化的横向扩展的人工智能生成内容（AIGC）能力。

具体的实施步骤如下：

1. 我们首先设计出一套设计模板，这包括确定图片的尺寸、字体以及位置等元素。

2. 接着，我们利用大型模型的能力，自动生成相应的文案。

3. 然后，我们使用Pillow Package工具，将自动生成的文案添加到设计图上，从而实现文案库的横向扩展。

4. 最后，我们选择优秀的广告图片进行上线，并收集其效果反馈。对于点击率较低的图片，我们会进行替换，以优化广告效果。

5. 通过这种方式，我们不仅提高了广告的效果，也提升了运营效率，实现了营销消息和广告点击收益的最大化。

邀约对话总结

在当前的环境下，货拉拉邀约中心已经积累了大量的对话文本，并且这些文本还在不断增加。然而，邀约员填写的跟进记录的完整度较低，每个人的标注习惯也各有不同，这使得对话文本的识别难度增大。

为了解决这些问题，我们在邀约员与司机对话结束后，将样本数据进行匿名化处理后，利用自研的GPT对话总结能力，提供了客观、清晰、标准的通话记录小结。这种方法不仅可以提高对话文本的识别准确性，还可以提高邀约员的工作效率。

更为重要的是，我们将标记为“有意向”的线索优先转化给邀约员。这种策略可以确保邀约员优先跟进有可能转化为实际业务的线索，从而提高邀约员的跟进效率，实现资源的最大化利用。

对话总结实例：

营销机器人

在当前的货拉拉平台上，每日都有众多司机和用户通过客服中心或企业微信进行各类营销相关的咨询，这些咨询内容涵盖了如何下单、是否有优惠、如何支付等多个方面。对这些问题的及时且准确回复，能够直接推动平台订单的生成，从而促进订单转化率的提升。

目前，营销机器人的主流技术主要基于预设规则和意图识别，能够自动回复用户的消息，或者根据用户的消息内容，自动执行一些任务。然而，随着大语言模型的发展，多轮对话能力、问题拆解能力和语言生成能力的提升，为营销机器人的构建提供了新的思路。

大语言模型能够理解和生成自然语言，使得机器人能够更好地理解用户的需求，提供更准确的回答。同时，多轮对话能力使得机器人能够与用户进行深入的交流，提供更个性化的服务。问题拆解能力则使得机器人能够更好地理解和处理复杂的问题。

在货拉拉，我们基于这些先进的技术，正在尝试构建一个新的营销机器人Agent。这个Agent的目标是帮助用户拆解和回答各种营销相关的问题，提供更高效、准确的服务。我们相信，这种基于大模型的营销机器人，将能够大大提高我们的服务质量，提升用户满意度，从而推动订单转化率的提升。

在这个项目的初期阶段，我们将主要从两个方向入手：

1. 营销问题的回答:

对于营销问题的回答，我们选择采用Langchain+大模型，以知识库检索方式回答。知识库检索的优点在于，当我们的营销策略发生变化时，我们可以简单地更新知识库的内容，以反映这些变化。这样，我们的营销机器人Agent就能始终提供最新、最准确的信息，从而提高用户满意度。

• 本地知识库检索问答流程图如下图所示，主要分为3个步骤：

• 步骤一

• 利用本地知识库文件构建本地向量库。首先对本地知识库文件进行解析和分割，然后进行文本向量化处理后储存到本地向量库中。

• 步骤二

• 查询知识库中与用户问题相似的前K个文本块。首先将用户问题文本转为向量化，然后与向量库中的向量进行相似度匹配，返回前K个最相似的文本块。

• 步骤三

• 构造提示词模板。首先将步骤二中返回的前K个最相似的文本块与用户提问文本填入到提示词模板中，然后将提示词直接丢给大模型进行回复，将结果返回给用户。

2. 下单流程的辅助：

对于下单流程的智能辅助，将下单过程分解为以下几个关键要素：

1. 业务类型（例如，拉货或搬家）

2. 运货起点和终点

3. 用车车型

4. 用车时间

首先，我们将利用大模型的多轮对话能力，通过与用户的交互，逐步获取这些要素。这种对话的方式可以提高用户的参与度，提供更好的用户体验。

其次，我们将这些要素整理成Json格式，以便于后续的处理和调用。这种格式的优点在于，它是结构化的，可以方便地进行数据分析和处理。同时，它也是通用的，可以方便地与其他系统进行交互。

目前，货拉拉的营销机器人Agent仍处于初期构建阶段。我们的团队正在积极进行迭代优化，以使其尽快达到上线使用的标准。

在这个过程中，我们将持续改进和优化机器人的各项功能，包括问题回答的准确性、下单流程的智能辅助能力，以及与用户的交互体验等。

虽然我们的营销机器人Agent还处于初期阶段，但我们对其未来的发展充满信心，我们相信它将成为我们提升服务质量，提升用户满意度，推动订单转化率提升的重要工具。

在AIGC的实际应用中，最终的落地形式是以Application的方式，为业务方和用户提供服务。随着货拉拉的应用逐渐增多，大模型的能力也被越来越多地接入和利用。这种趋势使得更多的应用开始调用大模型，从而引发了一系列新的问题和挑战。

1. 如何构建通用的营销工具以供大模型使用。这需要我们在设计和开发过程中，充分考虑到各种可能的应用场景和需求，以确保我们的工具能够适应各种不同的环境和条件。

2. 复杂的营销应用可能会涉及到多次模型的使用，这就需要我们对模型的设计和组织方式进行深思熟虑。我们需要找到一种有效的方式，将多个模型有机地组合在一起，以实现复杂的营销任务。

3. 我们需要找到一种快速、可视化的方式来搭建模型调用链路和应用。这不仅可以提高我们的工作效率，也可以帮助我们更好地理解和掌握模型的运行情况。

为了解决上述问题，我们设计一个货拉拉大模型营销应用平台，自顶向下分为五个层级，以实现更高效的运行和管理。

1. 应用层：这一层主要包含货拉拉的各种营销应用，如消息中心、邀约中心话术、智能广告文案等。这些应用是我们与用户直接交互的界面，它们将复杂的技术过程转化为用户可以理解和操作的形式。

2. Agents层: 这一层是应用决策的智能体，它包含记忆、问题拆解、Tools工具调用等功能。Agents层的主要任务是根据用户的需求和行为，做出最优的决策和响应。

3. 应用组件层: 这一层主要负责构建Agents所需要的工具组件，例如Prompt模版、Chains等。这些组件是Agents层的基础，它们为Agents提供了执行任务所需的工具和资源。

4. 模型工具层: 这一层包括通用模型、自研模型以及自研工具。这些模型和工具是我们处理数据、训练模型、优化模型、部署模型等任务的基础。

5. 数据层: 这一层主要包括服务监控、营销知识库、文案库等。这些数据是我们的模型和应用的基础，它们为我们的模型提供了训练和优化所需的数据，同时也为我们的应用提供了运行所需的信息。

通过这五个层级的设计，我们可以更好地管理和运行我们的应用，从而提高我们的业务性能。

货拉拉已经开始在营销领域使用大模型的AIGC能力，提升营销效率，提高服务质量和用户满意度，从而推动订单转化率的提升。

在营销文案生成方面，我们的AI可以根据产品特性和目标用户群体，生成吸引人的、有针对性的营销文案，大大提高了文案的创作效率和质量。

在营销广告图片生成方面，我们的AI可以根据营销主题和目标用户群体的喜好，生成吸引人的、有针对性的广告图片，提高了广告的吸引力和转化率。

在对话总结方面，我们的AI可以快速准确地总结出对话的关键信息，帮助我们更好地理解用户的需求和反馈，从而提高服务质量和用户满意度。

在营销机器人方面，我们期待AI可以24/7无间断地与用户进行互动，提供个性化的服务和推荐，提高用户的满意度和订单转化率。

货拉拉通过不断的前进，始终保持在技术前沿，以便为用户提供最优质、最高效的服务。