Yapay zekanın veri kalitesi konusunda yardımcı olabileceği 6 pazarlama otomasyonu kullanım durumu

Editörün notu: Bu, AI'nın pazarlama otomasyonu platformlarına nasıl aşılanacağına ilişkin dört bölümlük bir dizinin 2. Bölümüdür. 1. Bölüm, AI pazarlama otomasyonu: Nasıl çalışır ve pazarlamacılar neden önemsemeli burada .

2023'ün büyük bir bölümünde yapay zeka heyecanı, üretken yapay zeka içeriği kullanım durumlarına (kopyalama, görsel, video) odaklandı. Bazıları hala üretici yapay zekanın nihai etkisini sorguluyor, ancak ana akım benimseme, içerik odaklı yeteneklere odaklanmanın çoğunun garanti edildiğini gösteriyor.

Yine de, daha da derin bir hareket söz konusu: Yapay zekanın her pazarlama teknolojisi uygulamasına dahil edilmesi.

Martech liderleri için, yapay zekayı CRM ve pazarlama otomasyon platformları (MAP'ler) gibi çekirdek yığın bileşenlerine dahil etmek, doğruluğu ve üretkenliği artıracaktır. Bu kapsamda, çoğu pazarlama operasyonları liderinin aynı zamanda vakfın temel taşı olarak kabul ettiği veri yönetimine öncelik vermeye odaklandım.

Veri yönetimi: İlk (yarı) doğal dil süreci

AI dönüm noktasından önce, veri yönetimi, martech büyümesini hızlandıran en eski "doğal dil" değişikliğiydi. Nasıl? Önceden BT'ye ayrılmış bir ayrıcalık olan yeni veritabanı alanları oluşturmamızı sağlayan kodsuz dönüşüm sayesinde. Açılış sayfalarına ve web sitelerine entegre edilmiş dahili ve müşteriye dönük alanlar oluşturma yeteneği, dijital katılımı dönüştürdü.

Otomasyonda bile, girdilerin çoğunu yönlendirmek için büyük ölçüde insan etkileşimine ve sistem arayüzlerine güveniyoruz. Ve kullanımı daha kolay araçlara rağmen, eğitim hala (uygun) veri girişinin benimsenmesine engel teşkil ediyordu. Erken AI algoritmaları, veriler yanlış girildikten veya eksik olduktan sonra çeşitli veri temizleme işlemlerini etkiledi. Ancak, hatalı verilerin sisteme girmesini önlemenin en etkili yol olduğunu hepimiz biliyorduk, bu da aşağı akışta hatalı sonuçlara yol açacaktır.

Göstermek için ortak bir çerçeve kullanacağım - çöp içeri, çöp dışarı (GIGO) -.

'Çöpün içinde'

1. Veri girme

Martech liderleri, kullanıcılar veri girmenin zor olduğunu söylediğinde utanıyorlar. Empati, özellikle zaman içinde arayüzde değişiklikler olduğunda hak edilir. (Bir Salesforce mağazasıysanız ve yine de Classic ve Lightning'e geçiş yapıyorsanız, bu sizin empati hatırlatmanızdır!)

Salesforce dahil olmak üzere birçok önde gelen tedarikçi firma, son zamanlarda üretici yapay zeka "hızlı komut" devriminin kullanıcı arayüzünü sonsuza kadar değiştireceğini tahmin etti. Artık her kullanıcı arayüzünün doğal dili işlemesi gerekiyor, bu da kullanıcıların veri girmesi için sürtünmeyi (veya alaycıysanız mazereti) azaltıyor.

Örneğin, ChatSpot (HubSpot'un AI arayüzü), kullanıcı arayüzünde GPT modelinden yararlanır. (Tedarikçiden bağımsız olmama rağmen, aracı kullanıyorum ve genel alfa sürümlerinde test edilebildiği için örneklerden alıntı yapacağım.)

Temel bilgilerle başlayalım - yeni bir kişi eklemek.

Kullanıcılar, "Kişi Ekle"yi tıklatmak için HubSpot'un standart arabiriminde nerede olduğunu hatırlamak zorunda kalmayacak. Bunun yerine, bunun gibi basit bir bilgi istemi kullanacaklar…

Üç aylık alfa sürecinde, HubSpot ayrıca ortak yapılacaklara göre eylemleri tetikleyen bilgi istemi şablonları ekledi, böylece artık bunun gibi bir sık ​​kullanılanlar listesinden seçim yapabilirsiniz.

2. Kişiler ve şirketler hakkında araştırma yapmak ve veri eklemek

Birçok MAP, temel müşteri bilgilerini web sitelerinden aldı. Yapay zeka bu görevi basitleştiriyor ve şimdi irtibat kişilerini artırmak veya şirket firma bilgilerini desteklemek için önemli profillerin özet bir sürümü bir an önce elinizin altında. Örneğin:

3. Hesap tablolarına eklendi

MarTech'in 2023 Maaş ve Kariyer Araştırmasına göre, pazarlamacıların yaklaşık %70'i haftada 10 saatten fazla elektronik tablolar üzerinde çalışıyor. Martech yığınlarında temel oluştururlar.

Mart 2023 MarTech konferans sunumumda bu araçların (ve formüllerinin, DÜŞEYARA yeteneklerinin vb.) birden çok veri kaynağında çalışmak için nasıl hâlâ gizli kod çözücülerimiz olduğundan bahsetmiştim. Birçok büyük ekip için, tam zamanlı bir veri analisti bu çabaları destekler. Daha küçük ekipler genellikle Excel uzmanlığına sahip, verilerden anlayan bir pazarlamacıya sahiptir.

Ancak DÜŞEYARA programlama birçok kişi için fazla tekniktir. Pazarlamacılar artık formüller oluşturmak için üretici yapay zeka istemlerini kullanıyor. Birkaç AI eklenti yardımcı programı, AI tarafından oluşturulan istemleri doğrudan elektronik tablolara aktarır.

Bu doğal dil "kodsuz" yetenekler, en güçlü ve en çok kullanılan eklemeler olacaktır. Doğrudan temel bilgi çalışma araçlarına (ör. Google Workspace Labs ve Microsoft Yardımcı Pilot) yerleştirileceklerdir. Kullanıcılar, bir yapay zeka asistanından e-posta adreslerinden alan adlarını, ad/soyadlarını, şirketleri vb. çıkarmasını ve doğal dil istemleri aracılığıyla etkili bir şekilde yapılandırılmış veriler oluşturmasını isteyecektir.

'Çöp dışarı'

Şimdi yelpazenin diğer tarafına geçelim: AI'nın veri çıkışına yardımcı olacağı durumları kullanın.

4. Analitik için doğal dil arayüzleri

Hepimiz oradaydık. Birisi platforma erişmek yerine PowerPoint veya Google Slaytlar'da bir raporu dışa aktarmanızı ister. Raporu uygulamadan doğal dil komutlarıyla almak ezber bozacak.

"Bana <boşluğu doldur> temelinde bir rapor verebilir misiniz?" sorusu, daha fazla kişinin analitiklere doğrudan erişmesinin önündeki engeli azaltan bir istem olacaktır.

Zamanla, kullanıcılar verileri girmeye ve verilerin düzgün bir şekilde yansıtıldığını görmeye daha yatkın olursa, kaliteli girdiler sağlama olasılıkları daha yüksek olacaktır. Grafiği düzeltmek yerine, belki de kullanıcılar kaynağında düzeltecektir.

5. Entegre görselleştirme yetenekleri

Görselleştirme oluşturma, aynı zamanda yeteneklerle de aşılanacaktır. Eklentiler/arayüzler aracılığıyla bu görselleştirmeler için platformları yönlendirebileceğiz.

Pek çok kişi gibi ben de OpenAI'nin kod yorumlayıcı özelliklerine erişmeyi sabırsızlıkla bekliyorum. Bu arada, One Useful Thing haber bültenindeki yeteneklere kısa bir göz atan Ethan Mollick de dahil olmak üzere, onu pilot olarak kullanan diğerlerini takip ediyorum - son haber bülteni gönderisinde alıntılanmıştır.

6. Erişilebilir büyük veri

Tüm bu veri girişi ve çıkışı avantajları, yalnızca CRM/MAP'de "gerçeğin kaynağı" olan belirli verilerle sınırlı olmayacaktır.

Daha fazla veri kaynağı için giriş engelini düşürdüğümüz için, bir analizin çıktıları, daha önce dikkate alınmayan yollarla başkalarıyla ilişkilendirilebilir - diğer veri artırma ve ek nitelikler erişilebilir olacağından - yapay zeka tabanlı bilgi istemleri aracılığıyla şu şekilde: Peki.

Körü körüne güveni önlemek için yönetim ve eğitime hâlâ ihtiyaç var

Martech liderlerinin, veri yönetimi ve kalitesi için yalnızca yapay zekaya güvenmemeye dikkat etmesi gerekiyor. Üretken yapay zeka araçlarının olgunlaşmamışlığı ve denetlenmediği takdirde veri kalitesini etkileme potansiyeli göz önüne alındığında ek yönetişim uygulanmalıdır.

Veri yönetiminin zorluğu iki kat daha fazla etkiye sahiptir. Bilgi istemleri, kuruluşunuzun ilgili kişileri hesaplarla ilişkilendirme yönergelerini devralmayabilir; bu yönergeleri izleyen daha gelişmiş bilgi istemlerinin geliştirilmesi gerekebilir.

Bugün, verileri bir elektronik tabloya aktaran herkes, formülleri uyguladıktan sonra bir akıl sağlığı kontrolü yapıyor. Yazım hataları, binlerce kayıtta sorunlara neden olabilir. Ancak yapay zeka tarafından sunulan hatalı mantık, kullanıcılar en başta uygun bilgi istemini oluşturmadıysa binlerce kaydı bozabilir.

Sıradaki ne? Bu serinin 3. Kısmında, MAP kampanya süreçlerine yapay zeka infüzyonunu inceleyeceğim.