Fintech-vicepræsident for marketing siger, at AI’s potentiale ligger i dataanalyse, ikke indhold

Liam Bartholomew er VP for marketing hos en virksomhed inden for finansiel teknologi ved navn Alt21. I denne rolle bruger han AI til det, han mener er dens mest lovende funktion: dataanalyse på tværs af kanaler og siloer.

Vi satte os ned med ham for at forstå, hvordan det faktisk ser ud — og hvordan hans team arbejder anderledes end den gennemsnitlige organisation på grund af det. Her er, hvad han sagde.

Grundlaget på plads

Jeg hedder Liam Bartholomew og er VP for marketing hos Alt21, en B2B-fintechvirksomhed, der hjælper britiske og europæiske virksomheder med at håndtere deres valutaveksling og likviditetsforvaltning.

Jeg har arbejdet med B2B-marketing i omkring et årti, senest som VP for marketing hos Cognism, en platform til salgsindsigt, før jeg kom til Alt21.

Alt21 er en virksomhed, der stadig er relativt tidligt i sin udvikling. Vores fokus er på Storbritannien og Europa, og til at begynde med er vi primært digitale. Betalt søgning, betalte sociale medier og organisk SEO er de vigtigste kanaler, vi opbygger.

På dette tidspunkt handler det mindre om at håndtere kompleksitet og mere om at få grundlaget på plads og forstå, hvad der virker, før vi skalerer.

Hvorfor AI's største muligheder inden for marketing er dataanalyse og rapportering

Mit forhold til AI begyndte, da jeg startede her. Jeg kom ind som et marketingteam på én person, og uden AI ville jeg have været for langsom. Det var virkeligheden. Nu er vi et team på tre: mig selv, en vækstmarketer og en indholdsmarketer. Så vi er stadig små, men begynder at tage form.

At starte fra bunden er en sjælden mulighed. Etablerede teams har eksisterende systemer, processer og vaner, og det er svært at føje AI til dem. At bygge fra nul giver mig mulighed for at gøre hele funktionen AI-baseret fra dag ét. Det føles som en reel fordel, og jeg ville gerne få mest muligt ud af den.

For at lære, hvad AI kunne gøre, begyndte jeg ganske enkelt at bygge ting. Jeg uploadede vores kunde- og omsætningsdata til Claude for at finde frem til vores bedste kunder baseret på dokumentation, ikke antagelser. Det burde have taget uger, men med AI gjorde vi det på en eftermiddag. Derefter forbandt jeg vores CRM-system, så jeg kunne forespørge i salgspipelinen og få pålidelige rapporter på minutter i stedet for timer. Og jeg forbandt vores datalager, CRM-system og websted for at få fuldt overblik over hele tragten, fra trafikkilde til oprettelse af nye konti.

Sådan optimerer dataforbindelse marketingkanaler

Ud fra det, jeg ser, er AI's største mulighed for marketingfolk ikke indholds- eller tekstgenerering; det er dataanalyse og rapportering.

De fleste marketingteams bruger stadig betydelig tid på at træffe beslutninger. De henter data fra forskellige værktøjer, afstemmer uoverensstemmende tal og udarbejder præsentationer, der er forældede, før nogen når at læse dem. Jeg har set teams bruge en uge om måneden på dette og få begrænset indsigt ud af det.

Den tid kan nu vindes tilbage. Når du samler dit CRM-system, dine webstedsanalyser og dine betalte data ét centralt sted og forespørger i dem med AI, eliminerer du i vid udstrækning det rutineprægede rapporteringsarbejde. Det, der er tilbage, er det, der virkelig betyder noget: kommentaren, beslutningen og handlingen.

Mange marketingledere betragter stadig AI som et værktøj til indhold og overser helt dette. Den større mulighed er at bruge det til endelig at blive den datadrevne funktion, som de fleste af os har hævdet at være i årevis, men sjældent har haft infrastrukturen til at realisere.

Så det er mit fokus lige nu: at forbinde alle dataene. I øjeblikket fungerer vores betalte søgning og betalte sociale medier på separate platforme med forskellige målepunkter. Webstedsadfærd, organiske data og SEO-data samt data om CRM-pipeline og omsætning ligger også hver for sig. Derfor bygger jeg automatiseret rapportering, der samler alle disse data ét sted. Det giver mig mulighed for at se, hvordan betalte og organiske aktiviteter spiller sammen, hvilke kampagner der skaber omsætning frem for bare klik, og hvor vi skal opskalere eller reducere forbruget med fuld tillid til beslutningen.

AI gør denne form for syntese på tværs af kanaler reelt mulig på en måde, den ikke var før. Og for et lille team som vores er det afgørende. Et lille team har ikke råd til at køre eksperimenter i månedsvis og vente på at se, hvad der virkede. Det skal træffe hurtigere og bedre informerede beslutninger om budgetfordeling.

Sådan ser AI-dataanalyse og -rapportering ud i praksis

Sådan ser det ud i praksis. Jeg har opbygget en forbindelse mellem Attio, vores CRM-system, vores datalager og webstedets analyseværktøjer, og jeg forespørger i det hele gennem Claude. Tidligere betød det at forstå vores tragt, at jeg manuelt skulle hente data fra flere kilder. Vi håbede, at dataene var konsistente, og vi brugte betydelig tid på at forberede dem, før vi kunne analysere, hvad de betød.

Nu kan jeg forespørge direkte i vores Attio-pipeline og få rapporter, jeg stoler på. Jeg har også opsat en ugentlig webstedsrapport, der er forbundet med Microsoft Clarity, Google Search Console og vores CMS, og som leverer en handlingsliste med røde, gule og grønne punkter baseret på reel brugeradfærd. Den første uge, den kørte, identificerede den et problem med døde klik på vores tilmeldingsside til mobilen, som vi løste med det samme. Det ville have taget måneder at finde dette problem manuelt.

Her er et par andre eksempler:

• For nye konti viste rapporten for hele tragten, der forbinder Attio med vores datavarehus og website, at selv om trafikken på websitet steg med 157 % i marts, rykkede antallet af nye konti sig knap nok, og konverteringsraten faldt fra 7,2 % til 2,8 %. Trafikvæksten var i høj grad af lav kvalitet. Dette signal er let at overse, når data ligger forskellige steder.
• Jeg havde brug for kundecases, anbefalinger og den slags, så jeg bad Claude om at score hele vores kundebase (via Attio) ud fra engagementssignaler for at finde de bedste kandidater. Jeg havde allerede nogle signaler i tankerne, såsom handelsaktivitet, anciennitet, produktanvendelse og historisk responsivitet. Jeg bad også Claude om at foreslå andre relevante faktorer. Sammen udviklede vi en scoringsmodel, der præcist repræsenterede, hvordan en god fortaler ser ud. Claude anvendte den derefter på hele CRM-systemet og udarbejdede en rangeret liste. Jeg havde resultaterne senere samme eftermiddag, og outputtet var fantastisk.

Forbindelsen mellem vores data førte også til en kulturel ændring internt ved at centralisere vores data i Claude til analyse, i stedet for at alle arbejdede isoleret på tværs af forskellige værktøjer. Denne ændring var sandsynligvis lige så betydningsfuld som de tekniske ændringer.

Det er stadig et arbejde i gang, men jeg kan allerede se, at mine beslutninger er bedre funderet, end de ellers ville have været, og jeg sparer tid på at hente og bearbejde data, som jeg i stedet investerer i faktisk at gøre noget med dem.

Hvorfor datakvalitet er vigtig

Ulempen er, at CRM-datakvaliteten skal være høj, for at dette kan fungere, og vores data er endnu ikke helt på det niveau.

Rapporter i første udkast kræver en betydelig menneskelig gennemgang, før de kan bruges. Det er let at undervurdere det arbejde, der kræves for at etablere et pålideligt datagrundlag, før resultaterne bliver pålidelige.

Sådan vælger du mellem AI og menneskelig indsats

Når jeg beslutter, hvad AI skal bruges til, følger jeg nogle retningslinjer.

AI understøtter de fleste analyse- og researchopgaver. Rapportering om salgspipeline, adfærd på websitet, analyse af den ideelle kundeprofil og sammenstilling af data fra forskellige værktøjer for at afdække, hvad der sker. Jeg bruger det i høj grad til disse opgaver, fordi det sparer mest tid og ærligt talt klarer sig bedre, end jeg selv kunne gøre manuelt.

Indholds- og den kreative side er mere nuanceret. Jeg bruger også AI dér, men på en anden måde. AI udfører ikke hele arbejdet; i stedet bringer det mig 80 eller 90 procent af vejen. Det giver mig mulighed for at fokusere min energi på det unikke element, der virkelig betyder noget.

AI's indvirkning på marketing minder om fabrikkernes maskiners indvirkning på produktionen. Da det blev let at producere 10.000 identiske chokoladebarer, holdt selve produktionen op med at være det, der adskilte produkterne. Brandet blev det, der adskilte dem. Det, der gjorde den ene bar anderledes end den anden, blev det, der betød noget.

AI gør noget lignende for indhold. Alle kan nu skrive et blogindlæg. Alle kan producere i stor skala. Derfor bliver værdifulde elementer ekspertvurderinger, ægte kommentarer og indsigt fra at vide noget, andre ikke ved. Den del skal forblive menneskelig. Ikke fordi AI ikke kan producere ord, men fordi perspektivet og erfaringen bag ordene gør dem værd at læse. AI hjælper mig med at gøre alt andet hurtigere, så jeg kan nå frem til den del.

Hvorfor AI skuffer i design- og websiteprojekter

AI har været skuffende inden for design og websites.

Mange hævder, at AI kan erstatte designere, videoredaktører og webudviklere. Jeg har prøvet det og set andre prøve det. Ligesom ved indholdsproduktion kan det måske bringe dig 80 eller 90 procent af vejen. Men de sidste 10 eller 20 procent er der, hvor dit brand lever. Det er det, der får dit kreative arbejde til at ligne dit og ikke alle andres, som brugte den samme prompt.

Hvis du er tilfreds med noget generisk, fungerer det sikkert fint. Men for en fintechvirksomhed, der forsøger at opbygge tillid hos virksomheder, spiller design en afgørende rolle. Det kommunikerer troværdighed, før nogen har læst et eneste ord. Et website med moduler, der ikke fungerer helt, eller en AI-genereret visuel identitet underminerer dette, selv om folk ikke altid kan forklare hvorfor.

Jeg er stadig afhængig af mennesker til det arbejde: En designer, en videoredaktør og en webudvikler. Det har ikke ændret sig.

Hype omkring AI i den kreative verden stemmer endnu ikke overens med virkeligheden, i hvert fald ikke hvis du holder dit brand på et rimeligt niveau. Det er et nyttigt værktøj, men det er ikke en erstatning, og mange vil erfare det på den hårde måde.

Sådan skaber AI mere effektive marketingteams

Der er ikke længere behov for enorme marketingteams. Jeg er spændt på at se, hvor lille et team vi kan holde det på.

Et AI-baseret team vil udføre langt mere og ramme mere præcist i første forsøg, drevet af hurtig indsigt.

Og fremover bliver en person med fokus på drift (dvs. AI Ops, MarOps) og en avanceret vækstmarkedsfører afgørende — de skal sikre, at I bygger korrekt og kobler alle systemer sammen undervejs.

Hvorfor marketingledere skal udfordre etablerede processer

Her er mit råd.

1. Eksperimentér, og vær ikke overdrevent knyttet til processen. Jeg har skabt nogle af de bedste ting ved at være villig til at spørge: "Hvad nu, hvis vi bare startede helt forfra på den nye måde?" Det er ubehageligt i etablerede teams, hvor processerne har en historie, og folk føler ejerskab over dem. Men hvis noget kan redesignes med AI i centrum, er det sandsynligvis værd at spørge, om det bør gøres.
2. Få den rigtige person med. Du behøver ikke at bygge alting selv, men du har brug for en person tæt på dig, som oprigtigt gerne vil finde ud af det. En, der er nysgerrig på det, som går hjem og leger med det, og som møder ind med idéer. Den energi er svær at skabe kunstigt, og den betyder mere end noget værktøj eller budget.
3. Del tidligt og ofte, hvad der virker. Da vi fik vores administrerende direktørs opbakning, åbnede det dørene til CTO'en, så vi kunne forbinde mere af vores datainfrastruktur, hvilket gjorde alting mere effektivt. Det skete ikke, fordi jeg havde en stor præsentation. Det skete, fordi jeg viste folk noget nyttigt, og de ville have mere af det. Momentum opbygges gennem små, synlige resultater.
4. Forvent ikke, at du kan automatisere dig ud af behovet for mennesker. De teams, der vinder, er ikke dem, der reducerer antallet af medarbejdere med AI. Det er dem, hvor medarbejderne udfører arbejde med højere værdi, fordi AI håndterer grundarbejdet. Det er en anden ambition, og den fører til bedre resultater.
5. Vent endelig ikke, til du har en perfekt plan. Den bedste måde at forstå, hvad AI kan gøre i netop din situation, er at begynde at bygge noget, selv om det er småt og uperfekt. Jeg har lært alt gennem at gøre det — ikke ved at læse om det.

Følg med

Du kan følge med, mens Liam opbygger marketingfunktionen hos Alt21 på LinkedIn.

Der kommer flere ekspertinterviews i CMO-klubben!