Стоит ли доверять искусственному интеллекту в управлении контент-маркетингом?

Перед завтраком я просматриваю свои новостные ленты в Facebook и LinkedIn, чтобы получить краткий обзор дня. Когда я прыгаю в душ, я нажимаю кнопку «скачать» на рекомендованном фильме на Netflix, зная, что сегодня вечером мне предстоит долгий перелет. Съедая хлопья, я щелкаю один раз, чтобы купить подарок другу на день рождения на следующей неделе. Мой iPhone сообщает мне, что мне нужно уйти сейчас, если я хочу провести встречу в 54 милях от дома. И когда я сажусь в машину, я использую голосовую активацию, чтобы воспроизвести свой любимый плейлист Spotify, и Apple Maps сообщает мне, что сегодня утром дорога до вокзала займет пять минут.

Имея реальные примеры очевидной ценности на рынке, мы больше не можем саркастически шутить о том, что ИИ означает «почти реализован».

Мы все приучены полагаться на технологии в нашей повседневной жизни не только для общения, но и для принятия решений. Этот постоянно углубляющийся интерфейс с технологиями перестраивает наш мозг, чтобы обрабатывать информацию по-другому, как пишет Николас Карр в «Отмели». То же самое и с нашими клиентами.

Популярные потребительские приложения привели к бессознательному массовому внедрению передовых технологий прогнозирования. И все же… хотя мы все чаще передаем наши когнитивные процессы на аутсорсинг бесчисленным потребительским приложениям и инструментам, предприятия только сейчас начинают осознавать этот новый уровень ожиданий клиентов. Это однобокое принятие становится наиболее очевидным, если учесть, что теперь мы доверяем встроенной в автомобиль системе предотвращения столкновений для защиты нашей жизни, но все еще сомневаемся, может ли машина порекомендовать, что писать дальше в маркетинговой программе, или какой клиент должен получить новую товарное предложение.

Мы доверяем искусственному интеллекту, чтобы безопасно управлять нашими автомобилями, но не рекомендуем маркетинговую стратегию.

Неловкая правда

За последние 10 лет автоматизация маркетинга превратилась в отрасль с оборотом в миллиард долларов, обещая привнести персонализацию и эффективность в маркетинговые программы. Сигнал сирены об автоматическом поиске потенциальных клиентов, их подсчете и инициированных ответах на критически важные потенциальные действия оказался непреодолимым для организаций B2B: в 2014 году было почти в 11 раз больше компаний с автоматизацией маркетинга, чем в начале 2011 года (SiriusDecisions), и 60% компаний, оборот которых составляет не менее 500 миллионов долларов, к 2014 году внедрили автоматизацию маркетинга (Raab Associates).

Однако неудобная правда об автоматизации маркетинга первого поколения заключается в том, что на самом деле она не автоматизирована. Это фантастический инструмент централизованного рабочего процесса, который может масштабироваться, но для его настройки, интеграции, управления и оптимизации требуются ресурсы. Действительно, во многих организациях B2B фраза «накормить зверя» была принята в маркетинговой терминологии как способ описания потребностей в ресурсах автоматизации маркетинга. По сути, это проблема ползучести правил. При настройке кампаний вы определяете бизнес-правила: «Если произойдет А, сделайте Б» или «Если у человека есть эта характеристика, поместите их в сегмент 4.» Начать с них может быть просто, но они всегда недостаточны для сокращения сложных и разнообразных поездок покупателя. Итак, вы добавляете больше правил, чтобы сделать кампанию более целевой. И каждый раз, когда вы измеряете результаты, результатом становится необходимость написания новых правил. По оценкам некоторых наших корпоративных клиентов, они тратят 500 000 долларов в год на эти ручные элементы автоматизации маркетинга - и это без учета жизненно важных и значительных инвестиций в постоянное создание контента.

Хотя автоматизация маркетинга обещает миру, на самом деле она автоматизирует выполнение контент-маркетинга, в то время как принятие решений остается непрактично ручным трудом. Он предлагает маркетологам эффективный рабочий процесс и даже идеи, но не дает автоматизированного способа масштабно действовать на основе этих идей. По сути, контент в этих системах тупой; система не понимает, о чем идет речь и кому следует его читать. Чтобы отслеживать тех, кто ищет способы решения этой проблемы, Forrester недавно начал новую исследовательскую тему, которую она называет «интеллектуальным контентом», которую он определяет как «использование технологий искусственного интеллекта для понимания и фиксации качеств, присущих любому контенту». Как говорит аналитик маркетинговых технологий Дэвид Рааб: «Что-то должно дать: либо маркетологи перестают пытаться принимать оптимальные решения, либо они перестают полагаться на правила».

Разрыв в ожиданиях

Перед лицом неуклонно растущих ожиданий клиентов ведущие маркетологи вкладывают средства в инструменты на основе искусственного интеллекта - категорию, которая охватывает все, от инструментов персонализации, которые «учатся» на поведении людей в Интернете, чтобы более эффективно рекомендовать контент, до инструментов, которые могут обнаруживать мельчайшие закономерности в массивные наборы данных о потребителях и прогнозирование будущего поведения. Вот некоторые из наиболее интересных из постоянно растущего списка потенциальных приложений ИИ в маркетинге:

• Контент-стратегия - рекомендации, какой контент создавать дальше
• Стратегия кампании - рекомендации, какую последовательность коммуникаций следует доставить
• Персонализация - рекомендации подходящего контента для каждого клиента на основе поведения
• Сегментация - кластеризация клиентов на основе поведения или намерений
• Автоматизация копирования - автоматическое создание строк темы и описания
• Приоритизация лидов или аккаунтов - ранжирование лидов или аккаунтов по вероятности закрытия
• Стратегия продаж - рекомендация подходящего предложения продукта / услуги и контента для использования в продажах
• Намерение продаж - прогнозирование правильного предложения продукта, размера сделки и даты закрытия
• Ретаргетинг - рекомендация подходящего контента в рекламных блоках с ретаргетингом

Поскольку основные маркетинговые пакеты еще не полностью развернули или не выпустили свои предложения ИИ, внедрение ИИ обычно требует сочетания точечных решений и наборов данных.

Действительно, маркетологи все чаще собирают свои собственные технологические стеки из лучших в своем классе точечных решений, что позволяет строить технологию на основе потребностей клиентов, а не функций поставщиков. Применение ИИ обещает сократить разрыв между ожиданиями клиентов и реальным опытом, особенно в сложных клиентских средах - например, при продажах в тесном взаимодействии с длительными циклами покупок. Это наиболее актуально в глобальном бизнесе, поскольку ИИ рассчитывает масштаб (и полагается на него).

По мнению Байрона О'Делла, старшего директора по маркетингу IHS Markit, использование прогнозирующего машинного обучения, а не автоматизации маркетинга, означает преодоление масштабов. Он объясняет: «Обеспечение масштабной маркетинговой релевантности - непростая задача, но прогнозирующее машинное обучение дает нам возможность добиться этого».

Первоначально большинство маркетологов рассматривают два ключевых варианта использования: персонализация и прогнозируемый подсчет потенциальных клиентов. Персонализация влечет за собой согласование контента с растущими потребностями клиентов, особенно когда контент производится в большом масштабе и часто плохо классифицируется. Прогнозирующая оценка потенциальных клиентов обусловлена ​​неутолимым желанием новых разговоров о продажах, когда сигналы, идентифицирующие заинтересованный аккаунт, трудно идентифицировать или раскрыть.

Бизнес, ориентированный на понимание

Эти новые подходы решают фундаментальную проблему: процесс покупки изменился, покупатель получил все больше полномочий, информации и связей, но предприятия в основном продают так же, как и всегда. Использование контента для привлечения, вовлечения и конвертации является частью решения, но ведущие маркетологи также используют контент, чтобы понять клиента.

Во все более конкурентном мире любой бизнес, который не понимает своих покупателей, быстро теряет долю рынка по мере роста новых конкурентов, ориентированных на цифровые технологии. Разрушители одержимы своим клиентом; они сосредоточены на предоставлении превосходного и бесперебойного обслуживания клиентов; они не обременены устаревшими технологиями и жесткими процессами. Они ценят, что получение более глубокого понимания клиентов и действия на их основе создают конкурентное преимущество.

Forrester Research собирает доказательства того, что она называет «бизнесом, ориентированным на понимание». Одно из определений этих предприятий состоит в том, что у них нет трений между точкой понимания клиента и точкой предоставления следующего ответа. Существует полностью автоматизированный цикл обратной связи. Когорта предприятий, которые Forrester определяет в этой категории - быстрорастущие компании, внедряющие инновации на основе понимания и опыта клиентов - должна поистине пугать традиционных операторов.

Маркетинговый ИИ обещает неструктурированное взаимодействие с клиентами в режиме реального времени, приносящее пользу. Существующие системы, основанные на правилах, просто не могут масштабироваться, и маркетинговые команды не могут выполнять ручной процесс за время, необходимое для обеспечения актуальности.

Факторы успеха

По мере того, как все большее число предприятий вкладывают средства в подходы на основе ИИ, общие черты успешных проектов становятся все более очевидными.

• Спонсорство со стороны исполнительного руководства - Снова и снова явное спонсорство исполнительного руководства для общей концепции поднимается на вершину списка. В то время как маркетологи среднего звена могут успешно покупать точечные решения, более крупные организации обнаружат, что для открытия нужных наборов данных и повышения общей стоимости бизнеса им в конечном итоге потребуется спонсор-руководитель, который будет отстаивать более автоматизированный подход.
• Определенные результаты - Первым новаторам приходилось совершать прыжки веры, не имея известной цели. Но по мере развития рынка поставщиков и документирования примеров клиентов каждый проект может и должен иметь цели, связанные с ценными и измеримыми бизнес-результатами.
• Доступный набор данных - большинство экспертов согласятся, что посредственный алгоритм с большим набором данных всегда превосходит отличный алгоритм с небольшим набором данных. Изучите доступные варианты, очистите то, что можете, интегрируйте новые источники данных и запустите тесты, чтобы увидеть результаты.
• Состав команды.Хотя цель систем искусственного интеллекта - сократить количество ручных задач, технология по-прежнему должна вписываться в команду и бизнес-процесс, которые понимают ее ценность. Все чаще обслуживаются нетехнические бизнес-пользователи, но пока что важно убедиться, что команда понимает данные и обладает достаточными техническими знаниями, чтобы понять сильные и слабые стороны алгоритмического подхода. Возможно, что еще более важно, они должны быть скромными, стремиться учиться и руководствоваться данными (то есть быть готовыми связать деятельность с результатами).
• Выбор поставщика - хотя есть возможность создать собственное приложение или использовать агентство для создания индивидуального приложения, меню вариантов на рынке от поставщиков становится все более надежным. Чтобы выбрать подходящего поставщика, спросите о наборе данных, попробуйте несколько конкурирующих демонстраций или испытаний и нажмите, чтобы понять, предварительно обучена ли система или требует от вас этого.

Прогнозирующее предприятие

Сдвиг в сторону прогнозирующего предприятия требует идеологического и практического переосмысления в понимании потребителя. Конкурентное преимущество, обеспечиваемое искусственным интеллектом, основано не на алгоритме или конечном приложении, а на более глубоком понимании клиента и действии на этом понимании в данный момент.

Очевидные препятствия исключительно организационно-ориентированы: политика, технические препятствия, нехватка ресурсов и синдром не изобретенного здесь. Тем не менее, в плоском мире, где новички, стремящиеся к успеху, сосредоточены на качественном и бесперебойном обслуживании клиентов, единственный устойчивый вариант - это инвестировать, опережая конкурентов.

Чтобы изменить зацикленную цитату Уэйна Грецки, пора ехать туда, куда идет рынок, а не туда, где он был. Ирония в том, что в этом случае не нужно гадать или полагаться на инстинкт. Заказчик уже переехал. Как клиент, я ожидаю, что контент будет вдохновлен Facebook, что приведет к компромиссу с конфиденциальностью. Я ожидаю, что рекомендации, подобные Amazon, будут полезны. И, как Google, я ожидаю, что вы предвидите мои потребности и предложите помощь, прежде чем я попрошу. Создайте интеллектуальное и предсказуемое предприятие.

Мысли о начале

Первоначальные попытки предиктивного маркетинга были связаны с собственными профильными данными в крупных системах управления клиентами и CRM. Это не всегда чистые данные, но это хорошее начало. Более глубокие и надежные подходы решают фундаментально более сложную проблему: превращение неструктурированных данных о клиентах в практическую информацию.

Неструктурированные данные, часто называемые скрытыми данными, в основном не используются на предприятии, но составляют 88% всех собранных данных (IBM Research). В Idio мы резюмируем наш подход к темным данным с помощью тезиса: «Вы - то, что вы читаете». Мы имеем в виду, что контент, который вы потребляете, в высокой степени отражает ваши интересы и в высокой степени предсказывает ваши намерения. Инструменты с поддержкой искусственного интеллекта анализируют эти скрытые данные - в основном то, как ваши клиенты взаимодействуют с вашим контентом и ведут себя с ними, - чтобы предсказать их интересы и намерения, а также персонализировать их опыт.

Рассмотрите возможность использования этого контрольного списка проекта, чтобы помочь вашему предприятию в области прогнозного маркетинга:

• Получу ли я спонсорскую поддержку от руководства для подхода на основе ИИ?
• Определил ли я несколько бизнес-результатов?
• Есть ли безотлагательность и четкие временные рамки для достижения этих результатов?
• Есть ли набор данных для моделирования?
• Приняла ли моя команда участие в проекте?
• Принял ли я решение о выборе варианта строительства или покупки?
• Составил ли я короткий список поставщиков?
• Их системы предварительно обучены или существует длительный тренировочный процесс?

Определения ключевых терминов

Поскольку вы начинаете по-настоящему использовать преимущества ИИ и прогнозного маркетинга, важно, чтобы все опирались на одни и те же определения. Вот краткое руководство:

• Искусственный интеллект (ИИ) - это наука о создании машин, которые делают вещи, которые считались бы разумными, если бы их выполнял человек.
• Машинное обучение - это подмножество ИИ, которое позволяет компьютерам учиться без явного программирования. Распространенными вариантами использования машинного обучения являются оптимизация (со временем выбор лучшего варианта для достижения поставленной цели), идентификация (извлечение смысла из изображений или текста), обнаружение аномалий (выделение события, которое происходит за пределами нормы) и сегментация (кластеризация. на основе предполагаемых или известных характеристик).
• Контент-аналитика - это применение ИИ для управления контентом, в первую очередь для понимания и классификации контента для улучшения таргетинга и измерения производительности.
• Прогнозный маркетинг - это применение искусственного интеллекта в маркетинге, обычно для выявления потенциальных клиентов, прогнозирования их интересов и рекомендации следующего лучшего контента или информации о продукте.

Заключение

С таким пониманием ИИ и некоторыми советами о том, как начать, пришло время превратить «почти реализованный» в реальность ИИ, чтобы улучшить корпоративный маркетинг и по-настоящему понять своих клиентов и установить с ними контакт.

Версия этой статьи впервые появилась в июньском номере Chief Content Officer. Зарегистрируйтесь, чтобы получить бесплатную подписку на наш печатный журнал, выходящий раз в два месяца.

Изображение на обложке: Джозеф Калиновски / Институт контент-маркетинга