Markkinointijohtaja kertoo, miten tekoälyä käytetään oppimisen ja kokeilun kehänä

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

Haastattelimme Lomitia selvittääksemme, miten hän muuttaa markkinointitoiminnot jatkuvan oppimisen ja kokeilun silmukaksi. Näin hän vastasi.

Markkinointia määritellään uudelleen

Olen viimeisten yli 20 vuoden aikana auttanut kasvattamaan Roku-, IMVU-, TrustedID- ja Texture-yrityksiä. Toimin tällä hetkellä TYB:n (Try Your Best) markkinointijohtajana, jossa johdan ketterää mutta erittäin nopeatempoista markkinointiorganisaatiota, joka perustuu yhteen keskeiseen ajatukseen: yhteisö ei ole kanava, vaan markkinoillemenojärjestelmä.

Jokaisessa näistä tehtävistä olen johdonmukaisesti rakentanut järjestelmiä, jotka yhdistävät asiakasymmärryksen mitattaviin liiketoimintatuloksiin. Urani alkuvaiheessa kasvu perustui pitkälti kanaviin. Kampanjoita optimoitiin, luovia toteutuksia testattiin ja toimivia ratkaisuja skaalattiin. Jo silloin keskityin kuitenkin syvempään kysymykseen: miten dataa ja kokeiluja voidaan hyödyntää arvailun poistamiseen ja päätöksenteon nopeuttamiseen koko ostopolun alueella.

Tämä ajattelu kehittyi laajemmaksi näkökulmaksi, jota käsittelin kirjassani Lean AI. Siinä keskityin tekoälyn tehokkuushyötyjen lisäksi siihen, miten kasvujärjestelmien toimintaa voidaan suunnitella uudelleen.

Esimerkiksi IMVU:ssa siirryimme manuaalisesta optimoinnista käyttäjäpolkujen, luovien toteutusten testaamisen ja elinkaarisitouttamisen tekoälyohjattuun orkestrointiin. Tavoitteeni oli aina sama: oppimisen nopeuden ja laadun parantaminen samalla, kun asiakaspysyvyys ja asiakkaan elinkaariarvo (LTV) kasvavat.

Tänään, TYB:n markkinointijohtajana, tämä muutos on kiihtynyt täysin. Tekoäly ei ole enää vain yksi työkalu teknologiakokonaisuudessa, 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 perusteellisesti uudelleen. Siirrymme kanavaoperaattoreista ja tarinankertojista älykkäiden kasvujärjestelmien arkkitehdeiksi – tällaisten järjestelmien, jotka oppivat, mukautuvat ja kasvattavat vaikutusta asiakashankinnassa, sitouttamisessa ja kaupallistamisessa.

Miten tekoäly on muuttanut markkinoinnin reaaliaikaiseksi oppimisjärjestelmäksi

Tekoäly on haastanut kolme markkinoinnin keskeistä oletusta:

1. Tekoälyä hyödyntävässä ympäristössä kanavatehokkuudesta tulee enemmänkin perustaso kuin pullonkaula. Suorituskyvyn erot ratkaisee sen ympärille rakennettu järjestelmä – kuinka nopeasti voidaan havaita aikomus, tulkita käyttäytymistä, muodostaa hypoteeseja ja mukauttaa viestintää tai tuotekokemuksia sen perusteella.
2. Tekoäly osoitti meille, etteivät segmentit ole riittävän vakaita markkinointistrategioiden perustaksi. Perinteiset segmentointimallit olettavat suhteellisen pysyviä käyttäjäryhmiä johdonmukaista viestintää varten. 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. Kampanjoissa oletetaan alku, loppu ja arviointijakso. Tekoäly ohjasi meidät kohti jatkuvasti käynnissä olevia järjestelmiä, joissa kokeita tehdään jatkuvasti, oppiminen on asteittaista ja optimointi jatkuvaa eikä jaksottaista.

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

Miten tekoäly muokkaa markkinointiprosesseja

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

Aiemmin suunnittelimme kampanjoita jaksoissa. Määrittelimme viestit, rakensimme luovat kokonaisuudet, julkaisimme ne ja analysoimme sitten tulokset merkittävän viiveen jälkeen. Tämä malli on liian hidas tekoälyn alkuperäisessä ympäristössä, koska käyttäjien käyttäytyminen ja aikomussignaalit kehittyvät nopeasti.

Otimme käyttöön tekoälyavusteisen kasvutyöprosessin, 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, yhteisöön osallistumista ja sisällöntuottajan aktiivisuutta syötteenä, joka auttaa välittömästi määrittämään seuraavan parhaan toimenpiteen.

Käytännössä tämä on muokannut tiimien toimintatapoja. Luovan sisällön iterointi on nopeampaa, koska tekoäly auttaa tuottamaan ja testaamaan muunnelmia jatkuvasti. Elinkaarimarkkinointi on dynaamisempaa, koska viestintä ei enää perustu kiinteisiin segmentteihin vaan muuttuviin käyttäytymisryhmiin. Lisäksi tuotteen sisäiset aikeisiin liittyvät signaalit ohjaavat yhä enemmän suorituskykymarkkinointia eivätkä vain 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 ratkaisuja lähes reaaliajassa.

Tekoälyavusteinen kasvutyöprosessi

Lomit Shares

Sen sijaan, että luottaisimme staattisiin käyttäjäpersooniin tai kiinteisiin elinkaarivaiheisiin, käytämme tekoälyä tunnistamaan malleja, kuten “korkea kiinnostus mutta vähäinen aktivoituminen,” “aktiiviset osallistujat, joilla on pieni sitoutumisen heikkenemisen riski,” tai “uudet käyttäjät, joiden toiminta osoittaa varhaista suosittelukäyttäytymistä.”

Työnkulku on seuraava:

1. Kaikki alkaa tuotteessa ja yhteisökerroksessa reaaliaikaisesti kerättävistä käyttäytymissignaaleista. Seuraamme esimerkiksi perehdytyksen etenemistä, osallistumisen syvyyttä, sisällöntuottajien aktiivisuutta ja sitoutumismalleja. Keskeinen muutos on, etteivät nämä signaalit ole enää vain analytiikan koontinäyttöjä, vaan jäsenneltyjä syötteitä markkinointijärjestelmäämme. Työkalut: Segment tapahtumien keräämiseen ja reitittämiseen, Amplitude käyttäytymisanalytiikkaan ja Snowflake tietovarastoinnin perustaksi.
2. Seuraavaksi tekoäly auttaa meitä ryhmittelemään ja tulkitsemaan näitä signaaleja dynaamisiksi aikesegmenteiksi. Sen sijaan, että luottaisimme staattisiin käyttäjäpersooniin tai kiinteisiin elinkaarivaiheisiin, käytämme tekoälyä tunnistamaan malleja, kuten “korkea kiinnostus mutta vähäinen aktivoituminen”, “aktiiviset osallistujat, joilla on pieni sitoutumisen heikkenemisen riski” tai “uudet käyttäjät, joiden toiminta osoittaa varhaista suosittelukäyttäytymistä”. Nämä segmentit kehittyvät jatkuvasti reaaliaikaisen käyttäytymisen perusteella. Työkalut: BigQuery ja Python/ML-mallit käyttäytymisominaisuuksien rakentamiseen sekä OpenAI (GPT) esiin nousevien aiekuvioiden nimeämiseen ja tulkitsemiseen.
3. Kun nämä ryhmät on muodostettu, tekoäly auttaa meitä luomaan hypoteeseja ja suuntaamaan luovaa työtä. Kunkin segmentin kohdalla määritämme viestin, joka todennäköisimmin vaikuttaa käyttäytymiseen, ja tekoäly auttaa tuottamaan muunnelmia tekstistä, koukuista ja sisältökulmista. Kyse ei ole täysin automatisoidusta tuotoksesta, mutta se nopeuttaa huomattavasti erilaisten viestintäpolkujen tutkimista. Työkalut: ChatGPT ja Claude viestintäkulmien, koukkujen ja asemointimuunnelmien tuottamiseen sekä Notion AI elävän luovan sisältökirjaston järjestämiseen ja ylläpitämiseen.
4. Sen jälkeen viemme nämä tuotokset jatkuvasti käynnissä oleviin kokeiluihin elinkaaren, maksetun mainonnan ja yhteisön kosketuspisteissä. Erillisten kampanjoiden sijaan toteutamme jatkuvasti pieniä, vaiheittaisia testejä ja muokkaamme 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 ennen kaikkea järjestelmä sulkee silmukan tekoälyavusteisella oppien koostamisella. Emme vain analysoi, mikä suoriutui paremmin, vaan käytämme tekoälyä tuomaan esiin, miksi tietyt viestit tai asiakaspolut toimivat tietyissä segmenteissä. Nämä oivallukset ohjaavat suoraan päivitettyä segmentointilogiikkaa, viestintäkehyksiä ja tuotteeseen perustuvia markkinointipäätöksiä. Työkalut: Amplitude käyttäytymiseen liittyviin oivalluksiin, Looker jäsenneltyyn raportointiin ja Claude oppien kokoamiseen narratiivisiksi ja päätöksentekoa tukeviksi kehyksiksi.

Miten tekoälyn kokonaisvaltainen uudistus hyödyttää markkinoijia

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

Olemme havainneet parannuksia myös konversion tehokkuudessa, joita parempi signaalien hyödyntäminen on edistänyt. Yhdistämällä tuotteen sisäisen ja yhteisön käyttäytymisen markkinoinnin aktivointiin reagoimme aikomuksiin paljon aiemmin käyttäjän matkalla. Tämä on parantanut liikenteestä aktivointiin johtavan prosessin laatua ja vahvistanut myöhempää sitoutumista, koska käyttäjät saavat kontekstuaalisesti osuvampia kosketuspisteitä.

Toinen selkeä hyöty on riippuvuuden väheneminen jäykästä segmentoinnista ja manuaalisesta analyysistä. Tekoälypohjainen klusterointi ja oivallusten tuottaminen auttavat meitä siirtymään kohti dynaamisia yleisömääritelmiä, jotka kuvastavat paremmin käyttäjien toimintaa sen sijaan, että ne perustuisivat historialliseen tapaamme ryhmitellä heitä.

Tekoälyä koskevien oivallusten nopean hyödyntämisen riskit

Hienovaraisemmalla tasolla olemme joutuneet mukauttamaan odotuksiamme myös signaalikohinan ja liiallisen automaation suhteen.

Aluksi meillä oli tapana toimia liian monien tekoälyn tuottamien oivallusten perusteella liian nopeasti, mikä hajautti viestintää ja kuormitti kokeilutoimintaa liikaa. Jouduimme ottamaan askeleen taaksepäin ja ottamaan käyttöön vahvemmat ihmisen tekemät suodattimet priorisointia ja kerronnan johdonmukaisuutta varten.

Arvioimme myös aluksi liian vähäiseksi sen kurinalaisuuden tarpeen, jota onnistumisen mittareiden määrittely etukäteen edellyttää. Tekoälyn avulla on erittäin helppoa iteroida nopeasti, mutta jos kokeiluja ei sidota selkeisiin käyttäytymis- tai tulostavoitteisiin, saatamme päätyä optimoimaan sitoutumista järjestelmän kapeassa osassa merkityksellisen liiketoimintavaikutuksen sijaan.

Jos olisin ymmärtänyt tämän aiemmin, olisin käyttänyt vähemmän aikaa kokeilujen määrän kasvattamiseen ja enemmän aikaa tekoälypohjaisten päätösten toimintamallin suunnitteluun. Tähän olisi kuulunut tiiviimmät hypoteesikehykset, selkeämpi päätösten omistajuus sekä vahvempi linjaus markkinoinnin signaalien ja liiketoiminnan tulosten välillä.

Mitä tekoäly hoitaa ja missä ihmiset säilyttävät valvonnan

Vedämme selkeän rajan sen välille, mistä tekoäly tarjoaa tietoa ja mistä ihmiset vastaavat, ja erottelu perustuu yhteen kysymykseen: liittyykö asia optimointiin ja hahmontunnistukseen vai harkintaan, kontekstiin ja näkemykseen?

Luotamme yhä enemmän tekoälyyn signaalien käsittelyssä, segmentoinnissa ja kokeilujen toteuttamisessa suuressa mittakaavassa. Tähän kuuluu käyttäytymismallien tunnistaminen yhteisön ja tuotteen käytössä, käyttäjien ryhmittely dynaamisiin segmentteihin reaaliaikaisten toimien perusteella sekä luovien sisältö- ja viestintämuunnelmien tuottaminen ja iterointi. Tekoäly analysoi myös laajasti eri kanavien suorituskykytietoja ja tuo esiin vaikeasti havaittavia oivalluksia nopeammin kuin manuaalisessa tarkastelussa olisi koskaan mahdollista.

Tekoäly on erityisen tehokas lyhentämään signaalin ja toiminnan välistä ketjua. Se voi esimerkiksi havaita muutoksia sitoutumiskäyttäytymisessä tuotteen tai yhteisön sisällä, ehdottaa hypoteeseja ja jopa tuottaa testattavia luovan sisällön tai käyttäjän elinkaaren muunnelmia. Näin voimme toteuttaa huomattavasti enemmän kokeiluja kuin perinteinen tiimirakenne mahdollistaisi.

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

Lomit kertoo

Se, että tekoäly voi tuoda 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 inhimillistä vuorovaikutusta ja luottamuksen rakentamista. Se voi auttaa sitoutumisen skaalaamisessa ja mallien tunnistamisessa, mutta se ei voi jäljitellä uskottavuutta, joka syntyy aidosta osallistumisesta, johtajuuden läsnäolosta ja ihmisen harkinnasta yhteisön tärkeissä hetkissä.

Ihmiset vastaavat myös priorisoinnista ja strategisista kompromisseista. Kuten aiemmin totesin, se, että tekoäly voi tuoda 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 tulkinnasta. Tekoäly voi kertoa meille, mitä tapahtuu, mutta ihmiset ovat vastuussa sen ymmärtämisestä, miksi sillä on merkitystä ja miten sen pitäisi muuttaa strategiaa.

Miten markkinointijohtajien tulisi lähestyä tekoälymurrosta

Jaan neljä neuvoa:

1. Älä pidä tekoälyä työkalujen joukkona, jotka liitetään osaksi nykyistä markkinointikoneistoasi. Pidä sitä syynä suunnitella koko koneisto uudelleen. Kyse ei ole tuottavuudesta, vaan todellinen muutos tapahtuu, kun siirryt kampanjapohjaisista toimintamalleista jatkuviin, signaaliohjautuviin kasvujärjestelmiin, joissa tekoäly on sisäänrakennettu siihen, miten havaitset ostoaikeita, teet päätöksiä ja opit reaaliajassa.
2. Mieti uudelleen, mitä ”skaalaaminen” tarkoittaa. Aiemmin skaalaaminen liittyi kanaviin ja budjetin tehokkaaseen käyttöön. Tekoälyohjautuvassa maailmassa skaalaaminen tarkoittaa oppimisen nopeutta. Menestyviä tiimejä eivät ole ne, jotka toteuttavat eniten kampanjoita, vaan ne, jotka pystyvät muuttamaan signaalit kokeiluiksi ja kokeilut päätöksiksi nopeammin kuin kukaan muu.
3. Harkitse tarkkaan, missä kohdissa ihmiset pysyvät mukana prosessissa. Kun tekoäly ottaa vastuulleen yhä enemmän toteutusta ja analysointia, ihmisten etu korostuu eikä heikkene. Johtajien on panostettava entistä vahvemmin tarinankerrontaan, positiointiin ja priorisointiin. Jos kaikkea voidaan mitata ja optimoida, harkintakyvystä tulee ensisijainen erottava tekijä.
4. Panosta järjestelmäajatteluun kanava-ajattelun sijaan. Tekoäly purkaa suorituskykymarkkinoinnin, asiakkuuden elinkaaren, tuotteen ja yhteisön välisiä siiloja. Mahdollisuutena on suunnitella yhtenäinen kasvujärjestelmä, jossa signaalit kulkevat kaikkien näiden välillä sen sijaan, että jokaista optimoitaisiin erikseen.

Pysy mukana

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

Lisää asiantuntijahaastatteluja on luvassa The CMO Clubissa!