Dotjeran marketinški materijal danas može nastati za nekoliko minuta. Odluka kome je namijenjen i zašto bi toj osobi bio važan traži poznavanje kupca koje se gradi istraživanjem, razgovorima i provjerom pretpostavki. Erin Lutenski tu vidi jedno od prvih mjesta na koja bi trebalo usmjeriti vrijeme i budžet oslobođene automatizacijom: u bolju sliku ljudi čije odluke marketing pokušava razumjeti i na njih utjecati.
Kao direktorica marketinga u Decentriqu, Lutenski vodi sadržajni i produktni marketing u oblastima saradnje na podacima i tehnologije koja štiti privatnost. Karijeru je posvetila prevođenju složenih tehničkih tema u praktične uvide za marketinške stručnjake i stručnjake za podatke. Kompanija, osnovana u Švicarskoj 2019. godine, razvija platformu koja organizacijama omogućava saradnju na osjetljivim podacima uz zadržavanje kontrole nad njima, uključujući industrije poput bankarstva i zdravstva.
U razgovoru polazimo od toga šta marketingu postaje vrijednije s jeftinijom realizacijom, a zatim prelazimo na praznine u poznavanju kupaca i pitanja na koja brend ne može odgovoriti vlastitim podacima. Lutenski objašnjava šta treba provjeriti prije oslanjanja na vanjsku AI platformu, kako utvrditi donosi li kampanja dodatne poslovne rezultate i koje odluke ostaju odgovornost marketinga čak i kada tehničko znanje imaju drugi timovi.
Kada AI pojeftini realizaciju, šta postaje vrijedno u marketingu? Gdje bi lideri trebali uložiti vrijeme i budžet koje uštede?
Na početku trebam reći da odgovaram iz perspektive marketinškog stručnjaka koji radi u B2B segmentu za velike kompanije. Marketinški stručnjaci u potrošačkim i medijskim brendovima za koje razvijamo rješenja rade pod drugačijim pritiscima, pa će se i njihovi prioriteti razlikovati.
Usmjerenje postaje vrijedno. Kada bilo ko može za nekoliko minuta proizvesti dotjeran materijal, teži dio postaje odlučiti šta vrijedi napraviti i za koga. To zavisi od pozicioniranja i razumijevanja kupaca, kao i od standarda koji omogućavaju da velika organizacija zvuči kao jedna kompanija. Ušteđeno vrijeme i budžet uložio bih u dvije stvari. Prva je istraživanje kupaca, zbog čega je to nešto što ne bih delegirao: svaki sistem koji dolazi nakon toga polazi od vaše slike kupca, a ta je slika dobra samo onoliko koliko ste zaista naučili. Druga su temelji: dokumentovano pozicioniranje i standardi brenda na koje se ljudi i alati mogu osloniti, kao i pristup podacima koje će ti alati koristiti.
Kako AI olakšava izradu objašnjenja i sadržaja, šta i dalje zahtijeva najviše truda da bi bilo urađeno kako treba?
Relevantnost i vjerodostojnost. AI za nekoliko sekundi može proizvesti tečno napisano objašnjenje o tome kako funkcioniše sigurno okruženje za saradnju na podacima, odnosno data clean room, ali tečnost ne govori ništa o tome šta je važno vašoj publici, a marketinški stručnjak koji ga čita i dalje mora odlučiti odnosi li se to na njega i treba li mu vjerovati.
Relevantnost proizlazi iz poznavanja prioriteta vaše publike i ograničenja s kojima se suočava. Tu se isplati istraživanje kupaca iz prvog pitanja. Vjerodostojnost proizlazi iz tačnosti i dosljednosti. U tehničkoj oblasti, rečenica koja je tek malo previše općenita može sugerisati svojstvo koje tehnologija nema, a izraz koji se neprecizno koristi u jednom članku stvara sumnju u svaki drugi članak u kojem se pojavljuje. Dokumentovano pozicioniranje i standardi daju i ljudima i alatima osnovu za provjeru.
Koje praznine u poznavanju kupaca marketinški stručnjaci trebaju prvo popuniti i kako mogu prepoznati koji bi podaci koji nedostaju promijenili odluku?
Počnite od odluka, a ne od podataka. Navedite izbore koje stalno pravite, poput toga kojim kompanijama dati prioritet ili gdje preusmjeriti budžet, i zapitajte se šta biste trebali znati da biste svaki od njih donijeli s pouzdanjem. Praznine koje prvo vrijedi popuniti nalaze se u osnovi čestih odluka velike vrijednosti. U mom poslu to je često pitanje ko je još uključen u odluku o kupovini, osim osobe s kojom razgovaramo, i šta se dešava između nečije interakcije s našim sadržajem i razgovora s prodajnim timom. Za potrošački brend, ekvivalent bi mogao biti pitanje šta kupci kupuju kod trgovaca kada vi imate uvid samo u prodaju trgovcu.
Zatim primijenite jednostavan test. Zapitajte se bi li bilo koji mogući odgovor na pitanje na koje nemate odgovor promijenio ono što radite. Ako svaki odgovor vodi istoj aktivnosti, podaci su zanimljivi, ali nisu hitni. Ako odgovori upućuju u različitim smjerovima, pronašli ste prazninu u čije popunjavanje vrijedi uložiti.
Šta čini partnerstvo u vezi s podacima vrijednim za brend? Koji je primjer pitanja na koje brend ne bi mogao odgovoriti samo na osnovu vlastitih podataka?
Partnerstvo vrijedi razmotriti kada partner posjeduje informacije koje daju odgovor na pitanje na koje sami ne možete odgovoriti i kada obje strane mogu sarađivati na tim podacima pod uslovima kojima vjeruju. Zatim istražite arhitekturu.
Zamislite brend koji zna ko kupuje na njegovoj web-stranici, ali ne i šta ti kupci kupuju drugdje. Partner iz maloprodaje ili medija vidi dio te slike. Nijedna strana ne može niti treba imati uvid u zapise druge strane. U data clean room okruženju mogu utvrditi u kojoj se mjeri publika brenda preklapa s publikom partnera i šta ti ljudi kupuju, a da nijedna strana ne vidi podatke druge strane na nivou pojedinca. Time se dobija odgovor na pitanje koje nijedna strana ne bi mogla samostalno postaviti, poput toga je li kampanja dosegla nove ili postojeće kupce.
Ako se brend oslanja na vanjsku AI platformu za analizu kupaca i usmjeravanje marketinških odluka, koje znanje i kontrolu treba zadržati unutar kompanije? Šta marketinški stručnjaci trebaju utvrditi prije nego što se obavežu na korištenje platforme?
Podijelio bih to na ono što zadržavate i ono što razjašnjavate prije početka.
Zadržite pitanja i odluke. Platforma može otkriti obrasce u vašim podacima o kupcima, ali brend treba znati koju odluku pokušava donijeti i kako izgleda dobar ishod. Također treba dovoljno dobro poznavati svoje kupce da prepozna kada neki uvid djeluje pogrešno. Odgovornost za postupanje na osnovu rezultata ostaje na marketinškom timu.
Prije usvajanja platforme razjasnio bih kako nastaju njeni uvidi i šta vam ne mogu reći. Također bih pitao gdje se vaši podaci obrađuju, ko im može pristupiti dok se koriste, šta se s njima dešava ako prestanete koristiti platformu i ko će u timu tumačiti rezultate i odobravati odluke koje iz njih proizlaze.
U Decentriqu smo dodali sažetke koje generiše AI o onome što tim sazna u data clean room okruženju. Oni omogućavaju da se ti uvidi mnogo brže pročitaju i podijele. Ne mogu vam reći je li pitanje bilo pravo, je li rezultat dovoljno uvjerljiv da opravda preusmjeravanje budžeta niti šta je brend spreman uraditi s njim. Te procjene ostaju na ljudima koji poznaju kupca i poslovanje.
Kako AI ubrzava optimizaciju kampanja, kako marketinški stručnjaci mogu provjeriti ostvaruju li dodatne poslovne rezultate ili samo postaju bolji u dosezanju ljudi koji bi ionako kupili?
Brža optimizacija nagrađuje ono što sistem može mjeriti, a najlakše je mjeriti ljude za koje je već postojala velika vjerovatnoća da će ostvariti konverziju. Provjera je ista za sve: uporedite ono što se dogodilo s onim što bi se dogodilo bez kampanje. Način na koji ćete napraviti to poređenje zavisi od obima vašeg poslovanja.
Za potrošačke i medijske brendove za koje razvijamo rješenja publike su dovoljno velike da se izdvoji grupa koja uopće ne vidi kampanju i uporedi s grupom koja joj je bila izložena. Razlika predstavlja dodatne poslovne rezultate. Ovdje je važno definisati obje grupe na osnovu podataka kojima vjerujete, a u tome pomaže kombinovanje vlastitih podataka s podacima partnera u okruženju koje štiti privatnost.
U B2B segmentu za velike kompanije brojke su mnogo manje, pa jasno izdvojena kontrolna grupa rijetko predstavlja praktično rješenje. Moj pristup: upoređujem kompanije koje su ostvarile interakciju s nama sa sličnim kompanijama koje nismo dosegli i posmatram jesu li prodajni procesi napredovali brže ili dalje u odnosu na uporedive.
U oba slučaja znak upozorenja je isti. Ako broj konverzija pripisanih kampanji raste, ali poređenje ne pokazuje promjenu, poboljšali ste izvještavanje, dok su rezultati ostali isti.
Kako marketinške odluke sve više zavise od podataka i AI-ja, kako treba podijeliti odgovornosti između marketinga, timova za podatke i IT-ja? Koje odluke marketing treba zadržati, čak i kada je tehnička stručnost u drugim timovima?
Marketing je odgovoran za pitanje, timovi za podatke i IT za način na koji se na njega sigurno odgovara, a konačna odluka ostaje na marketingu kad god se tiče kupca ili brenda. Timovi za podatke i IT trebaju voditi pitanja sigurnosti i kvaliteta podataka. Marketing treba odlučivati koje poslovne probleme vrijedi rješavati, šta se smatra uspjehom, šta će brend raditi s podacima o kupcima, a šta neće, te donijeti samu odluku kada dokazi budu dostupni.
To što je tehnička stručnost u drugim timovima ne prenosi tu odgovornost. Marketinški stručnjak koji ne može objasniti zašto je kampanja ciljala određenu publiku ne bi je trebao odobriti. Praktičan korak je uključiti timove za podatke i IT na početku projekta kako bi se zahtjevi od samog početka oblikovali zajednički.
