Fintech-markedsdirektør sier at KIs potensial ligger i dataanalyse, ikke innhold

Liam Bartholomew er markedsdirektør i et finansteknologiselskap kalt Alt21. I denne rollen bruker han kunstig intelligens til det han mener er den mest lovende egenskapen, nemlig dataanalyse på tvers av kanaler og datasiloer.

Vi satte oss ned med ham for å forstå hvordan dette faktisk ser ut – og hvordan teamet hans jobber annerledes enn den gjennomsnittlige organisasjonen som følge av det. Her er det han sa.

Å legge grunnlaget

Jeg heter Liam Bartholomew og er markedsdirektør i Alt21, et B2B-finansteknologiselskap som hjelper britiske og europeiske virksomheter med å håndtere valutaveksling og likviditetsstyring.

Jeg har jobbet med B2B-markedsføring i omtrent ti år, senest som markedsdirektør i Cognism, en plattform for salgsinnsikt, før jeg begynte i Alt21.

Alt21 er en virksomhet som fortsatt er relativt tidlig i utviklingen. Vi fokuserer på Storbritannia og Europa, og i starten er vi hovedsakelig digitale. Betalt søk, betalte sosiale medier og organisk SEO er de viktigste kanalene vi bygger opp.

På dette stadiet handler det mindre om å håndtere kompleksitet og mer om å få grunnlaget på plass og forstå hva som fungerer før vi skalerer.

Hvorfor de største mulighetene kunstig intelligens gir innen markedsføring, er dataanalyse og rapportering

Forholdet mitt til kunstig intelligens begynte da jeg startet her. Jeg kom inn som et enmannsteam innen markedsføring, og uten kunstig intelligens ville jeg ha vært for treg. Det var realiteten. Nå er vi et team på tre: meg selv, en vekstmarkedsfører og en innholdsmarkedsfører. Vi er fortsatt små, men begynner å ta form.

Å starte fra grunnen av er en sjelden mulighet. Etablerte team har eksisterende systemer, prosesser og vaner, og det er vanskelig å legge kunstig intelligens oppå disse. Å bygge fra null gjør det mulig for meg å gjøre hele funksjonen AI-først fra dag én. Det føles som en reell fordel, og jeg ønsket å utnytte den best mulig.

For å lære hva kunstig intelligens kunne gjøre, begynte jeg ganske enkelt å bygge ting. Jeg lastet opp kunde- og inntektsdataene våre i Claude for å finne ut hvem de beste kundene våre var, basert på dokumentasjon og ikke antakelser. Det burde ha tatt flere uker, men med kunstig intelligens gjorde vi det på en ettermiddag. Deretter koblet jeg til CRM-systemet vårt, slik at jeg kunne gjøre forespørsler mot salgspipelinen og få pålitelige rapporter på minutter i stedet for timer. Og jeg koblet sammen datavarehuset, CRM-systemet og nettstedet vårt for å få full oversikt over hele trakten, fra trafikkilde til nye kontoåpninger.

Hvordan sammenkobling av data optimaliserer markedsføringskanaler

Slik jeg ser det, ligger den største muligheten kunstig intelligens gir markedsførere, ikke i innholds- eller tekstgenerering, men i dataanalyse og rapportering.

De fleste markedsføringsteam bruker fortsatt betydelig tid på å ta beslutninger. De henter data fra ulike verktøy, avstemmer tall som ikke samsvarer, og lager presentasjoner som er utdaterte før noen rekker å lese dem. Jeg har sett team bruke en uke i måneden på dette og få begrenset innsikt tilbake.

Denne tiden kan vi nå ta tilbake. Når du kobler CRM-systemet, nettstedsanalysen og betalte data til ett sentralisert sted og gjør forespørsler mot dem med kunstig intelligens, fjernes i stor grad det manuelle arbeidet med rapportering. Det som gjenstår, er det som virkelig betyr noe: kommentaren, beslutningen og handlingen.

Mange markedsføringsledere ser fortsatt på kunstig intelligens som et innholdsverktøy og går glipp av dette. Den større muligheten ligger i å bruke teknologien til endelig å bli den datadrevne funksjonen de fleste av oss har hevdet at vi har vært i årevis, men som vi sjelden har hatt infrastrukturen til å realisere.

Så det er dette jeg fokuserer på nå: å koble sammen alle dataene. For øyeblikket opererer betalt søk og betalte sosiale medier på separate plattformer med ulike måltall. Nettstedsatferd, organiske data og SEO-data samt data om CRM-pipeline og inntekter ligger også separat. Derfor bygger jeg automatisert rapportering som samler alle disse dataene på ett sted. Det vil gjøre det mulig for meg å se hvordan betalte og organiske kanaler påvirker hverandre, hvilke kampanjer som driver inntekter i stedet for bare klikk, og hvor vi bør skalere eller redusere pengebruken med full tillit til beslutningen.

Kunstig intelligens gjør denne typen syntese på tvers av kanaler genuint mulig på en måte den ikke var tidligere. Og for et lite team som vårt er det avgjørende. Et lite team har ikke råd til å kjøre eksperimenter i månedsvis mens man venter på å se hva som fungerte. Det må ta raskere og bedre informerte beslutninger om budsjettfordeling.

Hvordan dataanalyse og rapportering med kunstig intelligens ser ut i praksis

Slik ser det ut i praksis. Jeg bygget en kobling mellom Attio, CRM-systemet vårt, datavarehuset vårt og nettstedsanalysen, og gjør forespørsler mot alt sammen gjennom Claude. Tidligere innebar det å forstå salgstrakten vår at jeg manuelt hentet data fra flere kilder. Vi håpet at dataene var konsistente, og brukte betydelig tid på å klargjøre dem før vi kunne analysere hva de betydde.

Nå kan jeg gjøre forespørsler direkte mot Attio-pipelinen vår og få rapporter jeg stoler på. Jeg satte også opp en ukentlig nettrapport koblet til Microsoft Clarity, Google Search Console og CMS-et vårt, som gir en handlingsliste med rødt, gult og grønt basert på reell brukeradferd. Den første uken rapporten kjørte, oppdaget den et problem med døde klikk på registreringssiden vår for mobil, og vi løste det umiddelbart. Å ha avdekket dette problemet manuelt ville ha tatt flere måneder.

Her er et par andre eksempler:

• For nye kontoer viste fullfunnelrapporten som koblet Attio til datavarehuset og nettstedet vårt, at selv om trafikken til nettstedet økte med 157 % i mars, økte antallet nye kontoer knapt, og konverteringsraten falt fra 7,2 % til 2,8 %. Trafikkveksten var i stor grad av lav kvalitet. Dette signalet er lett å overse når dataene ligger på separate steder.
• Jeg trengte kundehistorier, anbefalinger og den slags, så jeg ba Claude vurdere hele kundebasen vår (via Attio) basert på engasjementssignaler for å finne de beste kandidatene. Jeg hadde allerede noen signaler i tankene, som handelsaktivitet, kundeforholdets varighet, produktbruk og historisk respons. Jeg ba også Claude foreslå andre relevante faktorer. Sammen utviklet vi et poengsystem som gjenspeilte hva en god ambassadør er. Claude kjørte deretter dette mot hele CRM-systemet og produserte en rangert liste. Jeg hadde resultatene senere samme ettermiddag, og resultatet var flott.

Det å koble sammen dataene våre førte også til en kulturell endring internt ved å sentralisere dataene i Claude for analyse, i stedet for at alle jobbet i siloer på tvers av ulike verktøy. Denne endringen var sannsynligvis like betydningsfull som de tekniske endringene.

Det er fortsatt et pågående arbeid, men jeg ser allerede at beslutningene mine er bedre forankret enn de ellers ville ha vært, og jeg sparer tid på å hente ut og bearbeide data, som jeg i stedet kan bruke på faktisk å gjøre noe med dem.

Hvorfor datakvalitet er viktig

Ulempen er at kvaliteten på CRM-dataene må være høy for at dette skal fungere, og våre data er ikke helt der ennå.

Rapporter i første versjon krever betydelig menneskelig gjennomgang før de kan brukes. Det er lett å undervurdere arbeidet som kreves for å etablere et pålitelig datafundament før resultatene blir pålitelige.

Slik velger du mellom KI og menneskelig innsats

Når jeg avgjør hva jeg skal bruke KI til, følger jeg noen veiledende prinsipper.

KI informerer de fleste analytiske oppgavene og forskningsoppgavene. Pipeline-rapportering, atferd på nettstedet, ICP-analyse og sammenstilling av data fra ulike verktøy for å avdekke hva som skjer. Jeg støtter meg tungt på KI på disse områdene fordi det sparer mest tid og, helt ærlig, fungerer bedre enn jeg kunne ha gjort manuelt.

Innholds- og den kreative siden er mer nyansert. Jeg bruker KI der også, men på en annen måte. KI gjør ikke hele jobben; i stedet får den meg 80 eller 90 prosent av veien. Det gjør at jeg kan bruke energien min på det unike elementet som virkelig betyr noe.

KIs påvirkning på markedsføring ligner fabrikkenes maskiners påvirkning på produksjon. Da det ble enkelt å produsere 10 000 identiske sjokoladeplater, sluttet selve produksjonen å være det som skilte seg ut. Merkevaren ble det som skilte seg ut. Det som gjorde én plate annerledes enn en annen, ble det som betydde noe.

KI gjør noe lignende med innhold. Alle kan nå skrive et blogginnlegg. Alle kan produsere i stort omfang. Derfor blir verdifulle elementer ekspertuttalelser, ekte kommentarer og innsikt fra å vite noe andre ikke vet. Den delen må forbli menneskelig. Ikke fordi KI ikke kan produsere ord, men fordi perspektivet og erfaringen bak dem gjør ordene verdt å lese. KI hjelper meg med å gjøre alt annet raskere, slik at jeg kan komme frem til den delen.

Hvorfor KI ikke innfrir i design- og nettstedsprosjekter

KI har vært skuffende innen design og på nettstedet.

Mange hevder at KI kan erstatte designere, videoredigerere og webutviklere. Jeg har prøvd det og sett andre prøve det. I likhet med innholdsproduksjon kan det kanskje få deg 80 eller 90 prosent av veien. Men de siste 10 eller 20 prosentene er der merkevaren din lever. Det er det som får det kreative arbeidet ditt til å se ut som ditt, og ikke som alle andres som brukte den samme instruksen.

Hvis du er fornøyd med noe generisk, fungerer det sannsynligvis fint. Men for et fintech-selskap som prøver å bygge tillit hos virksomheter, spiller design en avgjørende rolle. Det kommuniserer troverdighet før noen har lest et eneste ord. Et nettsted med moduler som ikke fungerer helt, eller en KI-generert visuell identitet, undergraver dette, selv om folk ikke alltid kan forklare hvorfor.

Jeg støtter meg fortsatt på mennesker til dette arbeidet: en designer, en videoredigerer og en webutvikler. Det har ikke endret seg.

Hype rundt KI i det kreative feltet samsvarer ennå ikke med virkeligheten, i hvert fall ikke hvis du holder merkevaren din på et rimelig nivå. Det er et nyttig verktøy, men det er ikke en erstatning, og mange vil lære det på den harde måten.

Slik skaper KI slankere markedsføringsteam

Det er ikke lenger nødvendig med enorme markedsføringsteam. Jeg er spent på å se hvor lite teamet vi kan klare oss med.

Et KI-basert team vil gjennomføre langt mer, og mer presist første gang, drevet av raske innsikter.

Og fremover vil en driftsorientert person (dvs. AI Ops, MarOps) og en avansert vekstmarkedsfører bli avgjørende – slik at dere sikrer at alt bygges riktig og at alle systemene kobles sammen underveis.

Hvorfor markedsføringsledere må utfordre etablerte prosesser

Her er mine råd.

1. Vær eksperimentell, og ikke vær for opptatt av prosessen. Jeg har bygget noen av de beste tingene ved å være villig til å spørre: «Hva om vi bare startet dette på nytt på den nye måten?» Det er ubehagelig i etablerte team der prosessene har en historie, og folk føler eierskap til dem. Men hvis noe kan bygges om med kunstig intelligens i sentrum, er det sannsynligvis verdt å spørre om det faktisk bør gjøres.
2. Få med riktig person. Du trenger ikke å bygge alt selv, men du trenger noen nær deg som oppriktig ønsker å finne ut av det. Noen som er nysgjerrig på det, som drar hjem og leker med det, og som kommer på jobb med ideer. Den energien er vanskelig å skape, og den betyr mer enn noe verktøy eller budsjett.
3. Del det som fungerer, tidlig og ofte. Da vi fikk støtte fra administrerende direktør, åpnet det dører til teknologidirektøren, slik at vi kunne koble til mer av datainfrastrukturen vår, noe som gjorde alt kraftigere. Det skjedde ikke fordi jeg hadde en stor presentasjon. Det skjedde fordi jeg viste folk noe nyttig, og de ønsket mer av det. Fremdrift bygges gjennom små, synlige seire.
4. Ikke forvent å kunne automatisere bort behovet for mennesker. Teamene som vil lykkes, er ikke de som kutter antall ansatte ved hjelp av kunstig intelligens. Det er teamene der mennesker gjør arbeid med høyere verdi fordi kunstig intelligens håndterer grunnarbeidet. Det er en annen ambisjon, og den fører til bedre resultater.
5. Til slutt: Ikke vent til du har en perfekt plan. Den beste måten å forstå hva kunstig intelligens kan gjøre i din spesifikke situasjon, er å begynne å bygge noe, selv om det er lite og ufullkomment. Jeg har lært alt gjennom å gjøre – ikke gjennom å lese om det.

Følg med

Du kan følge med mens Liam bygger opp markedsføringsfunksjonen i Alt21 på LinkedIn.

Flere ekspertintervjuer kommer på CMO-klubben!