1971年，世界上第一封電子郵件發出。我們猜測第一條垃圾郵件是在那之後不久發出的。
如今，電子郵件的世界(以及困擾它的垃圾郵件)要複雜得多。從1995年的100萬電子郵件用戶到2015年的25億電子郵件用戶，電子郵件的使用量呈爆炸式增長。現在，郵箱提供商和垃圾郵件發送者都依賴人工智能來作戰。
像Gmail這樣的普通郵箱提供商使用大量人工智能來確定電子郵件是否為垃圾郵件，然後相應地發送它們。但這僅僅是個開始。
現在，郵箱提供商使用先進的人工智能和機器學習不僅可以阻止垃圾郵件，還可以顯著改善電子郵件用戶體驗。
你並不總能看到這種人工智能在工作。但這確實會影響你的電子郵件營銷活動。
當我們意識到自己最新、最棒的活動變成垃圾郵件時，我們都有一種可怕的沉淪感。
或者被埋在潛在客戶的促銷文件夾下的一堆其他品牌的通信的痛苦。
人工智能係統做出這些決定。他們使用非常具體的規則，從數百萬用戶那裏獲取大量數據，以確定電子郵件應該如何分類。這些機器學習模型會隨著時間的推移而根據用戶行為而改進。
這就是為什麼如果你把郵件標記為垃圾郵件，它們就不會出現在你的Gmail收件箱裏了。這也是為什麼如果你沒有打開或使用特定類型的電子郵件或電子郵件地址，Gmail將停止向你的主收件箱發送電子郵件。在這兩種情況下，穀歌的算法都會從你的行為中學習，並進行相應的調整。
電子郵件客戶端會不斷評估文本分類、您與電子郵件的交互、發件人的聲譽以及數千(如果不是數百萬)個其他因素，以便實時做出這些決定。
人工智能在電子郵件行業的應用並不新鮮。事實上，自20世紀90年代機器學習驅動的貝葉斯分類器以來，人工智能就被用於過濾垃圾郵件。從那時起，它開始專注於信譽過濾，查看你的發送模式並發現異常。如今，郵箱提供商使用的人工智能係統還會查看用戶級別的用戶如何與您的通信進行交互。
這一切都給營銷人員帶來了真正的挑戰。
沒有人確切知道不同的郵箱提供商是如何使用人工智能和機器學習來過濾你的電子郵件的。Gmail或雅虎或任何其他提供商用來決定你的電子郵件最終流向的規則都沒有列出。每個供應商使用不同的標準、測試和模型來告知電子郵件決策。這些決定是由每個公司獨特的商業機會和挑戰所驅動的。
一方麵，這意味著電子郵件營銷人員首先必須做他們應該做的事情:
發送用戶喜歡打開、閱讀、點擊和參與的優秀電子郵件。
如果你這樣做了，你就在讓用戶使用你的電子郵件的道路上走得很好，這反過來又會向後端AI算法發出信號，表明你的電子郵件是可信的，值得優先處理。
但另一方麵，這意味著風險從未如此之高。
真正的危險不是你發送了一封客戶忽略的電子郵件。而是你發送了太多的電子郵件，用戶忽略了，標記為垃圾郵件，或者從他們的主要收件箱中移出。隨著時間的推移，決定你如何發送電子郵件的機器人霸主將從這些用戶行為中學到一件事，而且隻會學到一件事:
你的電子郵件不如用戶收件箱裏的其他電子郵件可信或有價值。
用戶擁有完全的控製權。用戶采取的每一個行動都會通知機器模型，從而決定你未來的電子郵件如何發送。
不幸的是，涉及的變量太多，任何一個人的電子郵件營銷人員都無法把握和采取行動。
人工智能模型本身是基於成百上千條機器學習規則運行的。這些規則是由許多用戶行為和操作決定的。
在返回路徑，我們幫助企業更可靠、更有效、更安全地溝通。我們將撰寫關於電子郵件營銷人員必須如何應對人工智能在電子郵件中帶來的變化。但首先，也是最好的起點，是對你的電子郵件在實際用戶中的表現進行基準測試。
你需要使用人力專家或機器工具來衡量當前的交付能力和參與率。你還需要確定發件人的聲譽，這將告訴人工智能模型如何處理你的電子郵件。
要做到這一點，請參考Return Path的綜合聲譽衡量評估在這裏．
勞倫·麥克庫姆
Lauren McCombs在Return Path工作了3.5年，目前管理著數據科學團隊。