Haruskah Anda Mempercayai Kecerdasan Buatan untuk Mendorong Pemasaran Konten Anda?

Diterbitkan: 2020-12-22

kecerdasan buatan-drive-konten-pemasaran Sebelum sarapan, saya memeriksa newsfeeds Facebook dan LinkedIn untuk mengetahui sinopsis singkat hari itu. Saat saya melompat ke kamar mandi, saya menekan "unduh" pada film yang direkomendasikan di Netflix, karena tahu saya memiliki penerbangan yang panjang malam ini. Saat melahap sereal saya, saya mengeklik sekali untuk membeli hadiah untuk ulang tahun teman minggu depan. IPhone saya ping untuk memberi tahu saya bahwa saya harus pergi sekarang jika saya ingin membuat pertemuan awal yang berjarak 54 mil. Dan saat saya masuk ke mobil, saya menggunakan aktivasi suara untuk memutar playlist Spotify favorit saya, dan Apple Maps memberi tahu saya bahwa dibutuhkan waktu lima menit untuk berkendara ke stasiun kereta pagi ini.

Dengan contoh nyata dari nilai yang dapat dibuktikan di pasar, kita tidak dapat lagi bercanda dengan sinis bahwa AI berarti "hampir diterapkan".

Kita semua dikondisikan untuk mengandalkan teknologi dalam kehidupan kita sehari-hari, tidak hanya untuk komunikasi, tetapi juga untuk pengambilan keputusan. Antarmuka yang semakin dalam dengan teknologi ini mengubah otak kita untuk memproses informasi secara berbeda, seperti yang ditulis oleh Nicholas Carr di The Shallows. Itu sama dengan pelanggan kami.

Antarmuka yang semakin dalam dengan teknologi mengubah otak kita untuk memproses info secara berbeda, kata @roughtype. Klik Untuk Menge-Tweet

Aplikasi konsumen yang populer telah menyebabkan adopsi massal yang tidak disadari dari teknologi prediktif yang canggih. Namun… sementara kami semakin mengalihkan proses kognitif kami ke berbagai aplikasi dan alat konsumen, perusahaan baru saja menyadari tingkat ekspektasi pelanggan yang baru ini. Penerapan miring ini paling jelas ketika kami menganggap bahwa kami sekarang mempercayai sistem penghindaran tabrakan di dalam mobil untuk melindungi hidup kami, namun masih mempertanyakan apakah mesin dapat merekomendasikan apa yang harus ditulis selanjutnya dalam program pemasaran atau pelanggan mana yang harus menerima yang baru. penawaran produk.

Kami mempercayai kecerdasan buatan untuk mengemudikan mobil kami dengan aman tetapi tidak untuk merekomendasikan strategi pemasaran.

Kami mempercayai kecerdasan buatan untuk menggerakkan mobil kami tetapi tidak untuk merekomendasikan strategi pemasaran, kata @andjdavies. Klik Untuk Menge-Tweet
KONTEN TERKAIT HANDPICKED:
Pemasaran Konten Kognitif: Jalan Menuju Masa Depan yang Lebih Cerdas (Secara Artifisial)

Kebenaran yang tidak nyaman

Selama 10 tahun terakhir, otomasi pemasaran telah berkembang menjadi industri bernilai miliaran dolar dengan menjanjikan untuk menghadirkan personalisasi dan efisiensi ke program pemasaran. Panggilan sirene dari pengasuhan prospek otomatis, penilaian prospek, dan respons yang dipicu untuk aktivitas prospek kritis telah terbukti sangat menarik bagi organisasi B2B: Terdapat hampir 11 kali lebih banyak perusahaan dengan otomatisasi pemasaran pada tahun 2014 dibandingkan pada awal 2011 (SiriusDecisions), dan 60% perusahaan yang menghasilkan setidaknya $ 500 juta mengadopsi otomatisasi pemasaran pada tahun 2014 (Raab Associates).

Namun, kebenaran yang tidak menyenangkan tentang otomatisasi pemasaran generasi pertama adalah bahwa hal itu tidak benar-benar otomatis. Ini adalah alat alur kerja pusat yang fantastis yang dapat mencapai skala, tetapi memerlukan sumber daya untuk menyiapkan, mengintegrasikan, mengelola, dan mengoptimalkan. Memang, di banyak organisasi B2B, frasa "feed the beast" telah diterima dalam bahasa pemasaran sebagai cara untuk menggambarkan permintaan sumber daya otomatisasi pemasaran. Yang paling mendasar, ada masalah rule creep. Saat menyiapkan kampanye, Anda menetapkan aturan bisnis: "Jika A terjadi, lakukan B" atau "Jika individu memiliki karakteristik ini, tempatkan di segmen 4." Ini bisa sederhana untuk memulai, tetapi selalu merupakan pengurangan yang tidak memadai untuk perjalanan pembeli yang kompleks dan beragam. Jadi, Anda menambahkan lebih banyak aturan untuk membuat kampanye lebih bertarget. Dan setiap kali Anda mengukur hasil, hasilnya adalah semakin banyak aturan yang perlu ditulis. Beberapa klien perusahaan kami memperkirakan bahwa mereka menghabiskan $ 500.000 per tahun untuk elemen manual otomasi pemasaran ini - dan itu mengabaikan investasi penting dan signifikan dalam pembuatan konten yang berkelanjutan.

Meskipun otomatisasi pemasaran menjanjikan dunia, yang sebenarnya dilakukannya adalah mengotomatiskan pelaksanaan pemasaran konten, sementara pengambilan keputusan tetap merupakan upaya manual yang tidak praktis. Ini menawarkan pemasar alur kerja yang kuat dan bahkan wawasan, tetapi gagal memberikan cara otomatis untuk bertindak berdasarkan wawasan tersebut dalam skala besar. Pada dasarnya, konten dalam sistem tersebut bodoh; sistem tidak memahami tentang konten itu dan siapa yang harus membacanya. Untuk melacak mereka yang mencari cara untuk mengatasi hal ini, Forrester baru-baru ini memulai tema penelitian baru yang disebut "kecerdasan konten", yang didefinisikan sebagai "penggunaan teknologi kecerdasan buatan untuk memahami dan menangkap kualitas yang melekat pada konten apa pun." Seperti yang dikatakan oleh analis teknologi pemasaran David Raab, "Sesuatu harus diberikan: Entah pemasar berhenti mencoba membuat keputusan terbaik atau mereka berhenti mengandalkan aturan."

Otomatisasi pemasaran generasi pertama mengotomatiskan eksekusi; pengambilan keputusan tetap merupakan upaya manual. @andjdavies Klik untuk menge- Tweet

Kesenjangan harapan

Dalam menghadapi ekspektasi pelanggan yang terus meningkat tanpa henti, pemasar terkemuka berinvestasi dalam alat berbasis AI - kategori yang mencakup segala sesuatu mulai dari alat personalisasi yang "belajar" dari perilaku online individu untuk merekomendasikan konten secara lebih efektif, hingga alat yang dapat mendeteksi pola kecil di seluruh kumpulan data konsumen besar-besaran dan memprediksi perilaku masa depan. Ini adalah beberapa yang paling menarik dari daftar peningkatan aplikasi potensial untuk AI dalam pemasaran:

  • Strategi konten - merekomendasikan konten apa yang akan dibuat selanjutnya
  • Strategi kampanye - merekomendasikan urutan komunikasi apa yang akan disampaikan
  • Personalisasi - merekomendasikan konten yang tepat untuk setiap pelanggan berdasarkan perilaku
  • Segmentasi - mengelompokkan pelanggan berdasarkan perilaku atau niat
  • Otomatisasi salinan - secara otomatis menghasilkan baris dan deskripsi subjek
  • Prospek atau prioritas akun - prospek peringkat atau akun berdasarkan kemungkinannya untuk ditutup
  • Strategi penjualan - merekomendasikan penawaran produk / layanan yang tepat dan konten untuk digunakan dalam penjualan
  • Niat penjualan - memprediksi penawaran produk yang tepat, ukuran kesepakatan, dan tanggal penutupan
  • Penargetan ulang - merekomendasikan konten yang tepat dalam unit iklan yang ditargetkan ulang

Karena rangkaian pemasaran utama belum sepenuhnya menerapkan atau memproduksi penawaran AI mereka, mengadopsi AI biasanya memerlukan perpaduan antara solusi titik dan kumpulan data.

Memang, pemasar semakin menyatukan tumpukan teknologi mereka sendiri dari solusi titik terbaik di kelasnya, memungkinkan teknologi dibangun di sekitar kebutuhan pelanggan daripada fitur vendor. Terutama di lingkungan pelanggan yang kompleks - misalnya, penjualan hubungan sentuhan tinggi dengan siklus pembelian yang lama - penerapan AI berjanji untuk mulai menjembatani kesenjangan antara harapan pelanggan dan pengalaman aktual. Ini paling relevan dalam bisnis global, karena AI menyelesaikan (dan mengandalkan) skala.

Bagi Byron O'Dell, direktur senior pemasaran di IHS Markit, menerapkan pembelajaran mesin prediktif daripada otomatisasi pemasaran adalah tentang mengatasi tantangan skala. Dia menjelaskan, "mengaktifkan relevansi pemasaran dalam skala besar memang menantang, tetapi pembelajaran mesin prediktif memberi kami jalan untuk mencapai hal ini".

Pembelajaran mesin prediktif memberi kami jalan untuk mencapai relevansi pemasaran dalam skala besar, kata @byronodell. Klik Untuk Menge-Tweet

Awalnya, sebagian besar pemasar mempertimbangkan dua kasus penggunaan utama: personalisasi dan penilaian prospek prediktif. Personalisasi memerlukan konten yang sesuai dengan kebutuhan pelanggan yang terus berkembang, terutama ketika konten diproduksi dalam skala besar dan sering kali tidak diklasifikasikan dengan baik. Penilaian prospek prediktif didorong oleh keinginan yang tak terpuaskan untuk percakapan penjualan baru, di mana sinyal yang mengidentifikasi akun yang tertarik sulit untuk diidentifikasi atau ditemukan.

KONTEN TERKAIT HANDPICKED:
Ingin Meningkatkan Operasi Konten Anda? 4 Hal Penting untuk Dipikirkan [Infografis]

Bisnis yang digerakkan oleh wawasan

Pendekatan baru ini mengatasi tantangan mendasar: Proses pembelian telah berubah, dengan pembeli semakin diberdayakan, diinformasikan, dan terhubung, tetapi sebagian besar perusahaan menjual dengan cara yang sama seperti sebelumnya. Menggunakan konten untuk menarik, melibatkan, dan mengonversi adalah bagian dari solusi, tetapi pemasar terkemuka juga menggunakan konten untuk memahami pelanggan.

Pemasar terkemuka menggunakan #content untuk memahami pelanggan, kata @andjdavies. Klik Untuk Menge-Tweet

Dalam dunia yang semakin kompetitif, bisnis apa pun yang tidak memahami pembelinya akan dengan cepat kehilangan pangsa pasar seiring berkembangnya pesaing baru yang mengutamakan digital. Pengganggu terobsesi dengan pelanggan mereka; mereka fokus untuk memberikan pengalaman pelanggan yang luar biasa dan tanpa hambatan; mereka tidak terbebani oleh teknologi usang dan proses yang kaku. Mereka menghargai bahwa mendapatkan dan bertindak berdasarkan pemahaman pelanggan yang lebih dalam membangun keunggulan kompetitif.

Forrester Research sedang membangun sekumpulan bukti seputar apa yang disebutnya "bisnis yang digerakkan oleh wawasan". Salah satu definisi dari bisnis ini adalah bahwa mereka tidak memiliki gesekan antara titik pemahaman pelanggan dan titik penyampaian tanggapan berikutnya. Ada umpan balik yang sepenuhnya otomatis. Kelompok bisnis yang didefinisikan Forrester dalam kategori ini - perusahaan yang tumbuh cepat yang berinovasi berdasarkan pemahaman dan pengalaman pelanggan - harus benar-benar menakutkan bagi para petahana.

Marketing AI menjanjikan interaksi pelanggan real-time yang tidak terstruktur yang memberikan nilai. Sistem berbasis aturan saat ini tidak dapat menskalakan dan tim pemasaran juga tidak dapat menyelesaikan proses manual pada waktu yang diperlukan untuk memberikan relevansi.

Faktor sukses

Karena semakin banyak bisnis yang berinvestasi dalam pendekatan berbasis AI, kesamaan di antara proyek yang sukses menjadi lebih jelas.

  • Sponsor eksekutif - Berkali-kali, sponsor eksekutif yang jelas untuk konsep keseluruhan naik ke daftar teratas. Sementara pemasar tingkat menengah mungkin berhasil membeli solusi titik, organisasi yang lebih besar akan menemukan bahwa untuk membuka kumpulan data yang tepat dan mendorong nilai bisnis secara keseluruhan, mereka pada akhirnya membutuhkan sponsor eksekutif untuk memperjuangkan pendekatan yang lebih otomatis.
  • Hasil yang ditentukan - Inovator awal harus membuat lompatan keyakinan tanpa tujuan yang diketahui. Tetapi seiring dengan matangnya lanskap vendor dan contoh klien didokumentasikan, setiap proyek dapat dan harus memiliki tujuan yang terkait dengan hasil bisnis yang bernilai dan terukur.
  • Kumpulan data yang tersedia - Sebagian besar ahli akan setuju algoritme biasa-biasa saja dengan kumpulan data besar selalu mengalahkan algoritme hebat dengan kumpulan data kecil. Gali ke dalam opsi yang tersedia, bersihkan apa yang Anda bisa, integrasikan sumber data baru, dan jalankan pengujian untuk melihat hasilnya.
  • Komposisi tim - Meskipun tujuan sistem AI adalah untuk mengurangi tugas-tugas manual, teknologinya tetap perlu disesuaikan dengan tim dan proses bisnis yang memahami nilainya. Semakin banyak pengguna bisnis non-teknis yang dilayani, tetapi untuk sementara, penting untuk memastikan bahwa tim memahami data dan cukup teknis untuk memahami kekuatan dan kekurangan pendekatan algoritmik. Mungkin yang lebih penting, mereka harus rendah hati dan bersemangat untuk belajar, dan didorong oleh data (yaitu, bersedia menghubungkan aktivitas dengan hasil).
  • Pemilihan vendor - Meskipun ada kasus untuk membangun sendiri atau menggunakan agen untuk aplikasi yang dipesan lebih dahulu, menu opsi di pasar dari vendor semakin kuat. Untuk memilih vendor yang tepat, tanyakan tentang kumpulan data, coba beberapa demo atau uji coba kompetitif, dan dorong untuk memahami apakah sistem sudah dilatih sebelumnya atau mengharuskan Anda untuk melakukannya.
KONTEN TERKAIT HANDPICKED:
Teman Teknologi Baru di Blok Pemasaran

Perusahaan prediktif

Pergeseran ke arah perusahaan prediktif membutuhkan rededikasi ideologis dan praktis untuk memahami pelanggan. Keunggulan kompetitif yang diberikan oleh kecerdasan buatan tidak didasarkan pada algoritme atau aplikasi akhirnya, melainkan pada pemahaman pelanggan secara lebih mendalam - dan bertindak berdasarkan wawasan tersebut pada saat itu.

Hambatan yang jelas secara eksklusif berpusat pada organisasi: politik, hambatan teknis, kendala sumber daya, dan sindrom yang tidak ditemukan di sini. Namun di dunia yang datar, dengan pendatang baru yang mengganggu yang berfokus pada pengalaman pelanggan yang berkualitas dan mulus, satu-satunya pilihan yang berkelanjutan adalah berinvestasi di depan persaingan.

Untuk memutarbalikkan kutipan Wayne Gretsky yang terlalu sering digunakan, inilah waktunya untuk meluncur ke arah pasar, bukan ke tempat sebelumnya. Ironisnya, dalam hal ini, Anda tidak perlu menebak-nebak atau mengandalkan insting. Pelanggan sudah pindah. Sebagai pelanggan, saya mengharapkan umpan konten yang terinspirasi dari Facebook, dengan konsekuensi privasi yang dihasilkan. Saya berharap rekomendasi seperti Amazon bermanfaat. Dan, ala Google, saya berharap Anda mengantisipasi kebutuhan saya dan menawarkan bantuan sebelum saya meminta. Hadirkan perusahaan yang cerdas dan prediktif.

Pikiran di awal

Upaya awal dalam pemasaran prediktif telah dikaitkan dengan data profil pihak pertama dalam sistem manajemen pelanggan dan CRM yang besar. Tidak selalu data yang bersih, tetapi ini adalah awal yang baik. Pendekatan yang lebih dalam dan lebih dapat dipertahankan menangani masalah yang secara fundamental lebih sulit: mengubah data pelanggan yang tidak terstruktur menjadi wawasan yang dapat ditindaklanjuti.

Data tidak terstruktur, sering disebut data gelap, sebagian besar tidak digunakan di dalam perusahaan, namun mencakup 88% dari semua data yang dikumpulkan (IBM Research). Di Idio, kami meringkas pendekatan kami terhadap data gelap dengan tesis, "Kamu adalah apa yang kamu baca." Yang kami maksud adalah bahwa konten yang Anda konsumsi sangat menunjukkan minat Anda dan sangat memprediksi niat Anda. Alat berkemampuan AI menganalisis data gelap ini - pada dasarnya bagaimana pelanggan Anda terlibat dan berperilaku dengan konten Anda - untuk memprediksi minat dan niat mereka, serta mempersonalisasi pengalaman mereka.

Pertimbangkan untuk menggunakan daftar periksa proyek ini untuk membantu usaha Anda dalam pemasaran prediktif:

  • Apakah saya memiliki sponsor eksekutif untuk pendekatan berbasis AI?
  • Sudahkah saya mendefinisikan beberapa hasil bisnis?
  • Apakah ada urgensi dan kerangka waktu yang jelas untuk mencapai hasil tersebut?
  • Apakah ada kumpulan data untuk dimodelkan?
  • Apakah tim saya setuju dengan proyek tersebut?
  • Sudahkah saya menilai keputusan membangun-vs.-membeli?
  • Sudahkah saya membuat daftar pendek vendor?
  • Apakah sistem mereka telah dilatih sebelumnya atau adakah proses pelatihan yang panjang?

Definisi istilah-istilah kunci

Saat Anda mulai benar-benar menggunakan manfaat AI dan pemasaran prediktif, penting bagi semua orang untuk didasarkan pada definisi yang sama. Berikut primer singkatnya:

  • Kecerdasan buatan (AI) adalah ilmu membangun mesin yang melakukan hal-hal yang dianggap cerdas jika dilakukan oleh manusia.
  • Pembelajaran mesin adalah bagian dari AI yang memungkinkan komputer untuk belajar tanpa diprogram secara eksplisit. Kasus penggunaan pembelajaran mesin yang umum adalah pengoptimalan (seiring waktu memilih opsi terbaik untuk mencapai tujuan yang ditetapkan), identifikasi (mengekstrak makna dari gambar atau teks), deteksi anomali (mengisolasi peristiwa yang terjadi di luar norma), dan segmentasi (pengelompokan berdasarkan karakteristik yang disimpulkan atau diketahui).
  • Kecerdasan konten adalah penerapan AI untuk manajemen konten, terutama pemahaman dan klasifikasi konten untuk meningkatkan penargetan dan mengukur kinerja.
  • Pemasaran prediktif adalah penerapan AI untuk pemasaran, biasanya untuk mengidentifikasi prospek, memprediksi apa yang mungkin mereka minati, dan merekomendasikan konten atau informasi produk terbaik berikutnya.

Kesimpulan

Dengan pemahaman AI ini dan beberapa tip tentang cara memulai, inilah saatnya Anda mengubah "hampir diterapkan" menjadi realitas AI untuk meningkatkan pemasaran perusahaan Anda dan benar-benar memahami serta terhubung dengan pelanggan Anda.

Sebuah versi dari artikel ini pertama kali muncul di Chief Content Officer edisi Juni. Daftar untuk menerima langganan gratis Anda ke majalah cetak dua bulanan kami.

Gambar sampul oleh Joseph Kalinowski / Content Marketing Institute