De som dömer ut AI:s potential inom marknadsföring missar vad den kan användas till

Experterna som dömer ut artificiell intelligens möjlighet att göra nytta på marknadsavdelningar missar flera centrala delar kring vad tekniken faktiskt används till.

Min erfarenhet är från 20 år i branschen, senast som vd för marketing automation-byrån Kaplan och nu som VD för Infobaleen, där jag jobbat med att hjälpa svenska och globala företag att bli datadrivna och kundcentrerade.

I artikeln nämns att ”AI:n kommer leda till än mer hyperriktad, dataoptimerad och därigenom fragmenterad marknadsföring. Exakt den typ av strategi som många experter och forskare bedömer är förklaringen till marknadsföringens avtagande effekt.”. De flesta som jobbar med affärsdrivande marknadsföring vet att segmentering ger bättre resultat än att skicka samma till alla. Hyperriktad, dataoptimerad och fragmenterad marknadsföring är framtiden, och vi har försökt få till detta i decennier. Dagens AI kan - rätt använd - vara fullständigt revolutionerande. Om man köper verktyg som var för sig optimerar en enskild del av kundresan, så fungerar det inte, men i dag finns det teknologi som i en och samma plattform kan hjälpa kunden att ta fram strategier, och orkestrera och styra vad som sker i martech-stackens olika kanalverktyg.

Grunden till varför marknadsavdelningar kommer att revolutioneras av AI är att hela processen från data till insikt till kampanj / action i kanal till uppföljning varit väldigt omständlig och långsam. Nu finns ett nytt angreppssätt, ”data-centric AI” där datahanteringen snabbas upp och förenklas exponentiellt. Då kan man segmentera, personalisera, använda data på kreativa sätt och samarbeta över avdelningar kring bättre och smartare sätt att serva kunderna och effektivisera affären. Företag kan jobba kund-centriskt och datadrivet mycket effektivare och billigare än vad som varit möjligt bara för några år sedan.

Är man ett bolag med många kunder eller många produkter (eller båda!), så behöver man självklart kommunicera olika beroende på vad man tidigare köpt, vad man visat intresse för, var i livscykeln man befinner sig. Att shoppa på nätet kan vara extremt tidskrävande och jobbigt när vi inte blir hjälpta att hitta rätt. Vi konsumenter möts av hemsidor med långa scrollistor av produkter, och har man väl bestämt sig för en produkt är det svårt att veta ifall den i verkliga livet kommer att motsvara förväntningarna, och därmed skapa onödiga returer, jobbigt för oss och dåligt för klimatet.

Grunden för att hjälpa konsumenter med att navigera rätt är att göra segmenteringar och att visa individuella produkt/tjänsterekommendationer. Eller att guida kunden till ”next best action” som också exempelvis kan handla om att signa upp på ett lojalitetsprogram eller dyl. Eller hjälpa oss att söka reda på rätt produkt. Hela poängen är att AI:t gör dessa segmenteringar och sökningar mycket bättre än om de görs manuellt. Att skapa rätt algoritmer för segmentering är inte nytt, revolutionerande eller särskilt svårt, men att koppla ihop dem med all kunddata och alla kanaler så att det går att visualisera vad kunderna gör, att förstå hur man ska anpassa upplevelsen och agera på det i realtid, det är rätt svårt.

Tidigare har det krävts flera olika system, ett BI, ett datalagringssystem, olika utskickssystem, en analysplattform, och ofta ett data science team. Det gör att processen blir omständlig, olika avdelningar gör databearbetning, analys och innehåll och i slutändan kommer inte kundresan och upplevelser över olika kanaler hänga ihop.

AI-segmenteringar, exempelvis ”välj bästa målgruppen som är mest sannolika att köpa produkt X” kan skickas direkt till Facebook som matchar look-a-likes. Segmenteringar gjorda på detta sätt har visat sig generera 30-40 procent bättre resultat än Facebooks egna algoritmer. Att segmentera sin kundbas baserat på exempelvis vad de köper, och sedan lägga på alla övriga datapunkter som exempelvis frekvens, ålder, geografi ger en bra bild över vilka kunderna är, och det blir enklare att skapa relevant content och kampanjer till olika grupper, men även som bas för produktutveckling. Mer content krävs, och där spelar ”generativa” AI-plattformar en viktig roll, som exempelvis Re:nable. AI:t ger förslag på kombinationer av bilder och texter som ser bra ut i en kampanj. Visst finns det en risk att det skickas ut ”dumt” AI-content ifall man inte hanterar plattformarna rätt. Det AI-plattformarna hjälper till med är att förenkla och snabba upp den process som annars skulle ta för alltför många mantimmar.

När data blir väldigt enkelt tillgänglig och agerbar så blir det också enklare jobba tillsammans över olika avdelningar. Som beskrivs i Resumés artikel ”Storannonsörerna satsar på AI – här är lärdomarna om hur du skapar effekt” så använder CFOn på Nordic Nest AI för att göra prediktiva försäljningsprognoser. De kan brytas ned i vilka kundgrupper som kommer prestera och inte, och han kan sedan direkt prata med sin CXO om vilka åtgärder de tar för att förbättra resultaten. Även inom sortiment, inköp och logistik finns många användningsområden, som att utveckla mer träffsäkert produktsortiment, prediktera framtida produktvolymer, segmentera baserat på returbeteende för fraktpriser. Möjligheterna begränsas bara av kreativitet och den data du har tillgänglig.

Så att AI idag ”endast optimerar små detaljer” stämmer inte. Istället kommer den nya typen av AI-baserade beslutsstöd i grunden förändra hur företag jobbar kundcentrerat och datadrivet, och det kommer att göra dem mycket mer lönsamma, leda till en bättre upplevelse för oss som konsumenter, och ge bättre förutsättningar för hållbara affärsmodeller.

Linda Hellström, CEO Infobaleen