6 przypadków użycia automatyzacji marketingu, w których sztuczna inteligencja może pomóc w poprawie jakości danych

Uwaga edytora: To jest część 2 z czteroczęściowej serii o tym, jak sztuczna inteligencja zostanie wprowadzona do platform automatyzacji marketingu. Część 1, Automatyzacja marketingu AI: jak to działa i dlaczego marketerzy powinni się tym przejmować, jest tutaj .

Przez większą część 2023 r. szum wokół sztucznej inteligencji koncentrował się na generatywnych przypadkach użycia treści AI (kopia, obraz, wideo). Niektórzy wciąż kwestionują ostateczny wpływ generatywnej sztucznej inteligencji, ale powszechne przyjęcie wskazuje, że duży nacisk na możliwości skoncentrowane na treści jest uzasadniony.

A jednak szykuje się jeszcze głębszy ruch: wprowadzenie sztucznej inteligencji do każdej aplikacji technologii marketingowej.

Dla liderów martech wprowadzenie sztucznej inteligencji do podstawowych komponentów stosu, takich jak CRM i platformy automatyzacji marketingu (MAP), zwiększy dokładność i produktywność. W tym zakresie skupiłem się na priorytetowym traktowaniu zarządzania danymi, które większość liderów działań marketingowych również uznaje za podstawę fundamentu.

Zarządzanie danymi: pierwszy (pół)proces języka naturalnego

Przed punktem zwrotnym sztucznej inteligencji zarządzanie danymi było najwcześniejszą zmianą „języka naturalnego”, która napędzała rozwój firmy martech. Jak? Dzięki transformacji bez kodu, która umożliwiła nam utworzenie nowych pól bazy danych, przywilej zarezerwowany wcześniej dla działu IT. Możliwość tworzenia wewnętrznych i zorientowanych na klienta pól zintegrowanych ze stronami docelowymi i witrynami internetowymi zmieniła cyfrowe zaangażowanie.

Nawet w przypadku automatyzacji w dużej mierze polegamy na interakcji człowieka i interfejsach systemowych, które napędzają większość danych wejściowych. I pomimo łatwiejszych w użyciu narzędzi, szkolenia nadal stanowiły przeszkodę dla (właściwego) wprowadzania danych. Wczesne algorytmy sztucznej inteligencji wpływały na różne procesy czyszczenia danych po tym, jak dane zostały wprowadzone nieprawidłowo lub były niekompletne. Wszyscy jednak wiedzieliśmy, że najskuteczniejsze jest zapobieganie przedostawaniu się do systemu niedokładnych danych, co skutkowałoby błędnymi wynikami na dalszych etapach.

Dla zilustrowania użyję wspólnego schematu — śmieci na wejściu, śmieci na wyjściu (GIGO).

'Śmietnik w'

1. Wprowadzanie danych

Liderzy Martech wzdrygają się, gdy użytkownicy mówią, że wprowadzanie danych jest trudne. Empatia jest zasłużona, zwłaszcza gdy z biegiem czasu nastąpiły zmiany w interfejsie. (Jeśli prowadzisz sklep Salesforce i nadal przełączasz się na tryb Classic vs. Lightning, to jest przypomnienie o empatii!)

Wielu wiodących dostawców, w tym Salesforce, przewidziało ostatnio, że rewolucja generatywnej sztucznej inteligencji na zawsze zmieni interfejs użytkownika. Każdy interfejs użytkownika musi teraz przetwarzać język naturalny, zmniejszając tarcie (lub wymówkę, jeśli jesteś cyniczny) dla użytkowników przy wprowadzaniu danych.

Na przykład ChatSpot (interfejs AI HubSpot) wykorzystuje model GPT w swoim interfejsie użytkownika. (Chociaż jestem niezależny od dostawcy, korzystam z tego narzędzia i wymienię przykłady, ponieważ jest ono dostępne do przetestowania w ich publicznej wersji alfa).

Zacznijmy od podstaw — dodania nowego kontaktu.

Użytkownicy nie będą musieli pamiętać, gdzie w standardowym interfejsie HubSpot kliknąć „Dodaj kontakt”. Zamiast tego użyją prostego monitu, takiego jak ten…

W ciągu trzech miesięcy wersji alfa HubSpot dodał również szablony monitów, które uruchamiają działania w oparciu o typowe zadania do wykonania, dzięki czemu możesz teraz wybierać z listy ulubionych, takiej jak ta.

2. Wyszukiwanie i dodawanie danych o osobach i firmach

Wiele MAP pobierało podstawowe informacje o klientach ze stron internetowych. Sztuczna inteligencja upraszcza to zadanie, a teraz skrócona wersja kluczowych profili w celu rozszerzenia danych kontaktowych lub uzupełnienia firmograficznych informacji firmy jest dostępna w mgnieniu oka. Na przykład:

3. Napar w arkuszach kalkulacyjnych

Około 70% marketerów spędza ponad 10 godzin tygodniowo na pracy z arkuszami kalkulacyjnymi, zgodnie z badaniem wynagrodzeń i karier MarTech 2023. Stanowią podstawę stosów martech.

O tym, jak te narzędzia (i ich formuły, funkcje WYSZUKAJ.PIONOWO itp.) nadal są naszymi tajnymi dekoderami do pracy z wieloma źródłami danych, mówiłem podczas prezentacji na konferencji MarTech w marcu 2023 r. W przypadku wielu większych zespołów pełnoetatowy analityk danych wspiera te działania. Mniejsze zespoły często zatrudniają marketingowca, który zna się na danych i ma doświadczenie w Excelu.

Jednak programowanie WYSZUKAJ.PIONOWO jest dla wielu zbyt techniczne. Marketerzy używają teraz generatywnych monitów AI do tworzenia formuł. Kilka narzędzi wtyczek AI wprowadza podpowiedzi utworzone przez sztuczną inteligencję bezpośrednio do arkuszy kalkulacyjnych.

Te możliwości „bez kodu” języka naturalnego będą najpotężniejszymi i najczęściej używanymi dodatkami. Zostaną one osadzone bezpośrednio w podstawowych narzędziach do pracy z wiedzą (np. Google Workspace Labs i Microsoft Co-pilot). Użytkownicy poproszą asystenta AI o wyodrębnienie domen z adresów e-mail, wyciągnięcie imion/nazwisk, firm itp. oraz skuteczne tworzenie uporządkowanych danych za pomocą podpowiedzi w języku naturalnym.

„Wyrzucanie śmieci”

Przejdźmy teraz na drugą stronę spektrum: użyj przypadków, w których sztuczna inteligencja pomoże w generowaniu danych.

4. Interfejsy języka naturalnego do analityki

Wszyscy tam byliśmy. Zamiast uzyskać dostęp do platformy, ktoś prosi Cię o wyeksportowanie raportu do programu PowerPoint lub Prezentacji Google. Uzyskanie raportu z aplikacji za pomocą monitów w języku naturalnym zmieni reguły gry.

„Czy możesz dać mi raport oparty na <wypełnij puste pole>” będzie monitem, który obniży barierę bezpośredniego dostępu do danych analitycznych dla większej liczby osób.

Z biegiem czasu, jeśli użytkownicy będą bardziej skłonni do wprowadzania danych i oglądania ich we właściwy sposób, będzie bardziej prawdopodobne, że dostarczą wpisy wysokiej jakości. Zamiast naprawiać wykres, być może użytkownicy naprawią go u źródła.

5. Wprowadzone możliwości wizualizacji

Tworzenie wizualizacji zostanie również wzbogacone o możliwości. Będziemy mogli monitować platformy o te wizualizacje za pomocą wtyczek/interfejsów.

Jak wielu, niecierpliwie czekam na dostęp do możliwości interpretera kodu OpenAI. W międzyczasie obserwowałem innych, którzy go pilotowali, w tym Ethana Mollicka, który przedstawił zapowiedź możliwości w swoim biuletynie One Useful Thing — fragment jego ostatniego posta w biuletynie.

6. Dostępne duże zbiory danych

Wszystkie te korzyści związane z wprowadzaniem i wyprowadzaniem danych nie będą ograniczone tylko do konkretnych danych, które są „źródłem prawdy” w CRM/MAP.

Ponieważ obniżyliśmy barierę wejścia dla większej liczby źródeł danych, wyniki jednej analizy mogą być powiązane w sposób, który nie był wcześniej brany pod uwagę — ponieważ dostępne będą inne atrybuty rozszerzania i uzupełniania danych — za pośrednictwem monitów opartych na sztucznej inteligencji, takich jak Dobrze.

Zarządzanie i szkolenie nadal potrzebne, aby uniknąć ślepego zaufania

Liderzy Martech muszą uważać, aby nie polegać wyłącznie na sztucznej inteligencji w zakresie zarządzania danymi i jakości. Należy zastosować dodatkowe zarządzanie, biorąc pod uwagę niedojrzałość generatywnych narzędzi sztucznej inteligencji i ich potencjał wpływu na jakość danych, jeśli nie są nadzorowane.

Wyzwanie związane z zarządzaniem danymi ma dwukrotnie większy wpływ. Monity nie mogą dziedziczyć wytycznych Twojej organizacji dotyczących kojarzenia kontaktów z kontami; może zaistnieć potrzeba opracowania bardziej zaawansowanych monitów zgodnych z tymi wytycznymi.

Obecnie każdy, kto importuje dane do arkusza kalkulacyjnego, sprawdza poprawność działania po zastosowaniu formuł. Literówki mogą generować problemy w tysiącach rekordów. Ale wadliwa logika wprowadzona przez sztuczną inteligencję może uszkodzić tysiące rekordów, jeśli użytkownicy nie utworzyli odpowiedniego monitu na początek.

Co dalej? W części 3 tej serii zagłębię się w infuzję sztucznej inteligencji do procesów kampanii MAP.