Markkinointijohtaja kertoo, miten tekoälyä käytetään oppimisen ja kokeilun kehänä

Lomit Patel on kasvusta ja markkinoinnista vastaava johtaja, ja toimii tällä hetkellä TYB:n (Try Your Best) markkinointijohtajana. Hän on myös Lean AI -kirjan kirjoittaja.

Haastattelimme Lomitia saadaksemme tietää, kuinka hän muuttaa markkinointitoiminnot jatkuvan oppimisen ja kokeilun kehäksi. Näin hän vastasi.

Markkinointia määritellään uudelleen

Olen viimeisten yli 20 vuoden aikana auttanut kasvattamaan Roku-, IMVU-, TrustedID- ja Texture-yritysten kaltaisia yrityksiä. Tällä hetkellä toimin TYB:n (Try Your Best) markkinointijohtajana, jossa johdan ketterää mutta erittäin tehokasta markkinointiorganisaatiota yhden keskeisen uskomuksen pohjalta: yhteisö ei ole kanava, vaan markkinoillemenojärjestelmä.

Jokaisessa näistä tehtävistä rakensin järjestelmiä, jotka yhdistävät asiakasymmärryksen mitattaviin liiketoimintatuloksiin. Urani alkuvaiheessa kasvu perustui suurelta osin kanaviin. Kampanjoita optimoitiin, luovia sisältöjä testattiin ja toimivia ratkaisuja skaalattiin. Jo tuolloin keskityin kuitenkin syvempään kysymykseen: kuinka datan ja kokeilujen avulla voidaan poistaa arvailu ja nopeuttaa päätöksentekoa koko myyntipolun alueella.

Tämä ajattelu kehittyi laajemmaksi näkökulmaksi, jota käsittelin kirjassani Lean AI. Keskityin siinä paitsi tekoälyn hyödyntämiseen tehokkuuden lisäämiseksi myös siihen, kuinka kasvujärjestelmien toimintaa voidaan suunnitella uudelleen.

Esimerkiksi IMVU:ssa siirryimme manuaalisesta optimoinnista käyttäjäpolkujen, luovien sisältöjen testauksen ja asiakkaan elinkaaren aikaisen sitouttamisen tekoälyohjattuun koordinointiin. Tavoitteeni oli aina sama: nopeuttaa ja parantaa oppimista sekä samalla kasvattaa asiakaspysyvyyttä ja asiakkaan elinkaaren arvoa.

Tänään, toimiessani TYB:n markkinointijohtajana, tämä muutos on kiihtynyt entisestään. Tekoäly ei ole enää vain yksi työkalu teknologiapinossa, vaan siitä on tulossa modernin markkinoinnin toimintakerros. Siirrymme kampanja-ajattelusta järjestelmäajatteluun, jossa signaalit, automaatio ja luova älykkyys ovat jatkuvassa vuorovaikutuksessa reaaliajassa.

Minua innostaa eniten se, että markkinointia määritellään perustavanlaatuisesti uudelleen. Siirrymme kanavaoperaattoreista ja tarinankertojista älykkäiden kasvujärjestelmien arkkitehdeiksi – järjestelmien, jotka oppivat, mukautuvat ja skaalavat vaikutuksia hankinnan, sitouttamisen ja kaupallistamisen alueilla.

Kuinka tekoäly on muuttanut markkinoinnin reaaliaikaiseksi oppimisjärjestelmäksi

Tekoäly on haastanut kolme markkinoinnin keskeistä oletusta:

1. Tekoälyä hyödyntävässä ympäristössä kanavien tehokkuudesta tulee pikemminkin lähtötaso kuin pullonkaula. Suorituskyvyn erot ratkaisee sen ympärille rakennettu järjestelmä – kuinka nopeasti voidaan havaita aikomukset, tulkita käyttäytymistä, muodostaa hypoteeseja ja mukauttaa viestintää tai tuotekokemuksia niiden perusteella.
2. Tekoäly osoitti meille, etteivät segmentit ole riittävän vakaita markkinointistrategioiden perustaksi. Perinteiset segmentointimallit olettavat käyttäjäryhmien olevan suhteellisen pysyviä, jotta niille voidaan välittää johdonmukaista viestintää. Tekoälyn avulla näemme nyt, että käyttäjien käyttäytyminen on paljon joustavampaa. Aikomukset muuttuvat nopeasti, ja staattiset segmentit jäävät usein todellisuudesta jälkeen. Tämä ohjasi meitä kohti dynaamista, jatkuvasti päivittyvää ja käyttäytymiseen perustuvaa ryhmittelyä.
3. Kampanjat eivät enää ole markkinoinnin toteutuksen keskeinen yksikkö. Kampanjoihin sisältyy oletus aloituksesta, lopetuksesta ja arviointijaksosta. Tekoäly ohjasi meitä kohti jatkuvasti käynnissä olevia järjestelmiä, joissa kokeita tehdään jatkuvasti, oppiminen on asteittaista ja optimointi jatkuvaa episodimaisuuden sijaan.

Toisin sanoen markkinointi on reaaliaikainen oppimisjärjestelmä, jossa tulkinnan ja mukautumisen nopeus on tärkeämpää kuin staattinen suunnittelu tai täydellinen kohdentaminen.

Kuinka tekoäly muokkaa markkinointiprosesseja

Olemme siis siirtyneet staattisesta kampanjasuunnittelusta jatkuvasti käynnissä olevaan, signaaleihin perustuvaan kokeiluun koko markkinointijärjestelmässä.

Historiallisesti suunnittelimme kampanjoita jaksoissa. Määrittelimme viestit, rakensimme luovat sisältökokonaisuudet, käynnistimme kampanjat ja analysoimme tulokset vasta merkittävän viiveen jälkeen. Tämä malli on liian hidas tekoälyn aikakaudella, koska käyttäjien käyttäytyminen ja aikomussignaalit kehittyvät nopeasti.

Otimme käyttöön tekoälyavusteisen kasvutyönkulun, joka muuntaa reaaliaikaiset käyttäytymissignaalit jatkuvasti käynnistetyiksi kokeiluiksi ja mukautuvaksi viestinnäksi elinkaaren, sisällön ja suorituskyvyn kanavissa. Sen sijaan, että odottaisimme kampanjan päättymistä, käsittelemme nyt jokaista merkityksellistä käyttäjäsignaalia, perehdytyskäyttäytymistä, yhteisöosallistumista ja sisällöntuottajan toimintaa syötteenä, joka auttaa määrittämään välittömästi seuraavan parhaan toimenpiteen.

Käytännössä tämä on muokannut tiimien toimintatapoja. Luovan sisällön iterointi on nopeampaa, koska tekoäly auttaa luomaan ja testaamaan muunnelmia jatkuvasti. Elinkaarimarkkinointi on dynaamisempaa, koska viestintä ei enää perustu kiinteisiin segmentteihin vaan kehittyviin käyttäytymisklustereihin. Lisäksi tuotteen sisäiset aikomussignaalit ohjaavat yhä useammin suorituskykymarkkinointia, eivätkä ainoastaan alustatason kohdentamista.

Suurempi muutos on kuitenkin kulttuurinen. Markkinointia ei enää organisoida kampanjoiden ympärille. Se perustuu jatkuvaan oppimissilmukkaan, jossa tekoäly auttaa meitä havaitsemaan signaaleja, muodostamaan hypoteeseja ja skaalaamaan toimivia asioita lähes reaaliajassa.

Tekoälyavusteinen kasvutyöskentely

Lomitin jakama

Sen sijaan, että luottaisimme staattisiin käyttäjäpersooniin tai kiinteisiin elinkaarivaiheisiin, käytämme tekoälyä tunnistamaan malleja, kuten ”korkea aikomus mutta heikko aktivointi,” ”aktiiviset osallistujat, joilla on pieni säilyttämisriski,” tai ”uudet käyttäjät, jotka osoittavat varhaista suosittelukäyttäytymistä.”

Tässä työnkulku:

1. Kaikki alkaa tuotteen ja yhteisön reaaliaikaisista käyttäytymissignaaleista. Seuraamme esimerkiksi perehdytyksen etenemistä, osallistumisen syvyyttä, sisällöntuottajien toimintaa ja sitoutumismalleja. Keskeinen muutos on, etteivät nämä signaalit ole enää vain analytiikkakoontinäyttöjä, vaan jäsenneltyjä syötteitä markkinointijärjestelmäämme. Työkalut: Segment tapahtumien keräämiseen ja reitittämiseen, Amplitude käyttäytymisanalytiikkaan ja Snowflake tietovaraston perustaksi.
2. Seuraavaksi tekoäly auttaa meitä ryhmittelemään ja tulkitsemaan nämä signaalit dynaamisiksi aikomussegmenteiksi. Sen sijaan, että luottaisimme staattisiin käyttäjäpersooniin tai kiinteisiin elinkaarivaiheisiin, käytämme tekoälyä tunnistamaan malleja, kuten ”korkea aikomus mutta heikko aktivointi”, ”aktiiviset osallistujat, joilla on pieni säilyttämisriski” tai ”uudet käyttäjät, jotka osoittavat varhaista suosittelukäyttäytymistä”. Nämä segmentit kehittyvät jatkuvasti reaaliaikaisen käyttäytymisen perusteella. Työkalut: BigQuery ja Python/ML-mallit käyttäytymispiirteiden rakentamiseen sekä OpenAI (GPT) kehittyvien aikomusmallien nimeämiseen ja tulkitsemiseen.
3. Kun klusterit on muodostettu, tekoäly auttaa meitä luomaan hypoteeseja ja määrittämään luovan työn suuntaa. Kunkin segmentin kohdalla tunnistamme viestin, joka todennäköisimmin vaikuttaa käyttäytymiseen, ja tekoäly auttaa luomaan muunnelmia tekstistä, koukuista ja sisältökulmista. Kyse ei ole täysin automatisoidusta tuotoksesta, mutta se nopeuttaa merkittävästi viestintäpolkujen tutkimista. Työkalut: ChatGPT ja Claude viestintäkulmien, koukkujen ja asemointimuunnelmien luomiseen sekä Notion AI elävän luovan sisältökirjaston järjestämiseen ja ylläpitämiseen.
4. Sen jälkeen viemme nämä tuotokset jatkuvasti käynnissä olevaan kokeiluun elinkaaren, maksullisen markkinoinnin ja yhteisön kosketuspisteissä. Erillisten kampanjoiden sijaan otamme jatkuvasti käyttöön pieniä, iteratiivisia testejä ja mukautamme viestintää, luovaa sisältöä ja ajoitusta reaaliaikaisten suorituskykysignaalien perusteella. Työkalut: Braze elinkaarikokeiluihin, Optimizely tuotteen ja verkkosivuston A/B-testaukseen sekä LaunchDarkly ominaisuuslippuihin ja hallittuihin käyttöönottoihin.
5. Lopuksi, ja mikä tärkeintä, järjestelmä sulkee silmukan tekoälyavusteisella oppien yhteenvedolla. Emme vain analysoi, mikä suoriutui paremmin, vaan käytämme tekoälyä tuomaan esiin, miksi tietyt viestit tai polut toimivat tietyissä segmenteissä. Nämä oivallukset ohjaavat suoraan päivitettyä segmentointilogiikkaa, viestintäkehyksiä ja tuotteesta tietoa ammentavia markkinointipäätöksiä. Työkalut: Amplitude käyttäytymisoivalluksiin, Looker jäsenneltyyn raportointiin ja Claude oppien kokoamiseen tarinallisiksi ja päätöksentekoa tukeviksi viitekehyksiksi.

Miten tekoälyn kokonaisvaltainen hyödyntäminen hyödyttää markkinoijia

Myönteisellä puolella tekoälyn suurin vaikutus on ollut kokeilujen nopeus ja läpimeno. Olemme kasvattaneet merkittävästi niiden luovien sisältö- ja elinkaarikokeilujen määrää, joita pystymme toteuttamaan tietyssä ajassa, koska tekoäly vähentää kitkaa muunnelmien luomisessa, viestien testaamisessa ja varhaisten suorituskykysignaalien perusteella tehtävässä iteroinnissa. Tämä on nopeuttanut oppimissyklejä sekä hankinta- että sitouttamisohjelmissa.

Olemme myös nähneet konversiotehokkuuden parantuneen paremman signaalien hyödyntämisen ansiosta. Yhdistämällä tuotteen sisäisen ja yhteisön toimintaan liittyvän käyttäytymisen markkinoinnin aktivointiin pystymme reagoimaan aikomuksiin paljon aiemmin käyttäjän matkalla. Tämä on parantanut liikenteen aktivoinnin polun laatua ja vahvistanut myöhempää sitoutumista, koska käyttäjät saavat asiayhteyden kannalta olennaisempia kosketuspisteitä.

Toinen selkeä hyöty on riippuvuuden väheneminen jäykästä segmentoinnista ja manuaalisesta analyysistä. Tekoälyyn perustuva ryhmittely ja oivallusten tuottaminen auttavat meitä siirtymään kohti dynaamisia yleisömääritelmiä, jotka kuvastavat paremmin käyttäjien toimintaa sen sijaan, että ne perustuisivat tapaan, jolla olemme historiallisesti jaotelleet heitä ryhmiin.

Tekoälyn tuottamien oivallusten nopean hyödyntämisen riskit

Hienovaraisemmalla tasolla meidän on täytynyt myös tarkistaa odotuksiamme signaalikohinan ja liiallisen automaation suhteen.

Aluksi meillä oli taipumus toimia liian monien tekoälyn tuottamien oivallusten perusteella liian nopeasti, mikä hajautti viestintää ja aiheutti liikaa kokeiluja. Meidän oli otettava askel taaksepäin ja otettava käyttöön vahvemmat inhimilliset suodattimet priorisointia ja kertomuksellista johdonmukaisuutta varten.

Arvioimme myös aluksi liian vähäiseksi kurinalaisuuden tarpeen onnistumisen mittareiden määrittelyssä. Tekoälyn avulla on erittäin helppoa iteroida nopeasti, mutta jos kokeiluja ei sidota selkeisiin käyttäytymiseen tai liikevaihtoon liittyviin tuloksiin, saatamme päätyä optimoimaan sitoutumista järjestelmän kapealla osa-alueella sen sijaan, että tavoittelisimme merkityksellistä liiketoimintavaikutusta.

Jos olisin ymmärtänyt tämän aiemmin, olisin käyttänyt vähemmän aikaa kokeilujen määrän kasvattamiseen ja enemmän aikaa tekoälyyn perustuvien päätösten toimintamallin suunnitteluun, mukaan lukien tiiviimmät hypoteesikehykset, selkeämpi päätösten omistajuus sekä parempi markkinointisignaalien ja liiketoiminnan tulosten välinen yhdenmukaisuus.

Mitä tekoäly hoitaa ja missä ihmiset säilyttävät valvonnan

Teemme selkeän eron sen välillä, mistä tekoäly tarjoaa tietoa ja mistä ihmiset vastaavat, ja erottelu tiivistyy yhteen kysymykseen: onko kyse optimoinnista ja hahmontunnistuksesta vai harkinnasta, kontekstista ja näkemyksestä?

Luotamme yhä enemmän tekoälyyn signaalien käsittelyssä, segmentoinnissa ja laajamittaisessa kokeilussa. Tähän kuuluu käyttäytymismallien tunnistaminen yhteisön ja tuotteen toiminnasta, käyttäjien ryhmittely dynaamisiin segmentteihin reaaliaikaisten toimien perusteella sekä luovien sisältö- ja viestivaihtoehtojen tuottaminen ja iterointi. Tekoäly analysoi myös laajasti eri kanavien suorituskykytietoja ja tuo esiin epäilmeisiä oivalluksia nopeammin kuin manuaalinen tarkastelu koskaan pystyisi.

Tekoäly on erityisen tehokas lyhentämään signaalin ja toiminnan välistä sykliä. Se voi esimerkiksi havaita muutoksia sitoutumiskäyttäytymisessä tuotteen tai yhteisön sisällä, ehdottaa hypoteeseja ja jopa tuottaa testattavia luovia sisältöjä tai elinkaaren aikaisia versioita. Näin voimme toteuttaa paljon enemmän kokeiluja kuin perinteinen tiimirakenne mahdollistaisi.

Ihmiset vastaavat asemoinnista, kertomuksesta ja luovasta suunnasta. Tekoäly voi tuottaa muunnelmia, mutta se ei voi määritellä, mitä edustamme tai miten haluamme näyttäytyä markkinoilla. Se edellyttää brändiin, yleisön psykologiaan ja pitkän aikavälin erottuvuuteen liittyvää kontekstia, joka ylittää hahmontunnistuksen.

Lomit kertoo

Se, että tekoäly pystyy tuomaan esiin kymmeniä mahdollisuuksia, ei tarkoita, että meidän pitäisi tarttua niihin kaikkiin. Sen päättäminen, mitä emme tee ja mikä sopii yhteen laajemman kasvuteesin kanssa, on edelleen syvästi inhimillinen vastuu.

Erityisesti yhteisölähtöisissä ympäristöissä tekoäly ei ole korvannut aitoa ihmisten välistä vuorovaikutusta ja luottamuksen rakentamista. Se voi auttaa sitoutumisen laajentamisessa ja mallien tunnistamisessa, mutta se ei pysty jäljittelemään uskottavuutta, joka syntyy aidosta osallistumisesta, johtajien läsnäolosta ja inhimillisestä harkinnasta yhteisön tärkeissä hetkissä.

Ihmiset vastaavat myös priorisoinnista ja strategisista kompromisseista. Kuten aiemmin sanoin, se, että tekoäly pystyy tuomaan esiin kymmeniä mahdollisuuksia, ei tarkoita, että meidän pitäisi tarttua niihin kaikkiin. Sen päättäminen, mitä emme tee ja mikä sopii yhteen laajemman kasvuteesin kanssa, on edelleen syvästi inhimillinen vastuu.

Lopuksi ihmiset vastaavat merkityksen tulkitsemisesta. Tekoäly voi kertoa meille, mitä tapahtuu, mutta ihmiset ovat vastuussa sen ymmärtämisestä, miksi sillä on merkitystä ja miten sen pitäisi muuttaa strategiaa.

Miten CMO:iden tulisi lähestyä tekoälymuutosta

Jaan neljä neuvoa:

1. Älä pidä tekoälyä vain työkalujen joukkona, jotka liitetään osaksi nykyistä markkinointikoneistoasi. Pidä sitä syynä suunnitella koko koneisto uudelleen. Kyse ei nimittäin ole tuottavuudesta, vaan todellinen muutos tapahtuu, kun siirryt kampanjapohjaisista toimintamalleista jatkuviin, signaaliohjautuviin kasvujärjestelmiin, joissa tekoäly on sisäänrakennettu siihen, miten havaitset aikomuksia, teet päätöksiä ja opit reaaliajassa.
2. Ajattele uudelleen, mitä ”skaalaaminen” tarkoittaa. Aiemmin skaalaaminen liittyi kanaviin ja budjetin tehokkaaseen käyttöön. Tekoälyvetoisessa maailmassa skaalaaminen tarkoittaa oppimisen nopeutta. Voittajia eivät ole tiimit, jotka toteuttavat eniten kampanjoita, vaan ne, jotka pystyvät muuttamaan signaalit kokeiluiksi ja kokeilut päätöksiksi nopeammin kuin kaikki muut.
3. Määrittele erittäin tietoisesti, missä kohdissa ihmiset pysyvät mukana prosessissa. Kun tekoäly ottaa vastuulleen yhä enemmän toteutusta ja analysointia, ihmisten etulyöntiasema korostuu entisestään, ei heikkene. Johtajien on panostettava vahvemmin tarinankerrontaan, positiointiin ja priorisointiin. Jos kaikki on mitattavissa ja optimoitavissa, harkintakyvystä tulee tärkein erottava tekijä.
4. Panosta järjestelmäajatteluun kanava-ajattelun sijaan. Tekoäly purkaa suorituskyvyn, elinkaaren, tuotteen ja yhteisön välisiä siiloja. Mahdollisuutena on suunnitella yhtenäinen kasvujärjestelmä, jossa signaalit kulkevat niiden kaikkien välillä sen sijaan, että jokaista optimoitaisiin erillään.

Seuraa mukana

Voit seurata Lomit Patelia LinkedInissä ja hänen henkilökohtaisessa blogissaan. Tutustu myös hänen kirjaansa Lean AI.

Lisää asiantuntijahaastatteluja on tulossa The CMO Clubiin!