Kita semua dikondisikan untuk mengandalkan teknologi dalam kehidupan kita sehari-hari, tidak hanya untuk komunikasi, tapi juga untuk pengambilan keputusan. Antarmuka yang semakin dalam dengan teknologi ini membuat otak kita bersemangat untuk memproses informasi secara berbeda, seperti yang ditulis oleh Nicholas Carr di The Shallows.

Aplikasi konsumen populer telah menyebabkan adopsi massal teknologi prediksi yang tidak disadari. Namun,  sementara semakin kita mengalihkan proses kognitif ke berbagai aplikasi dan alat konsumen. Pengadopsian miring ini sangat jelas saat kita mempertimbangkan bahwa sekarang kita mempercayai sistem penghindaran tabrakan mobil untuk melindungi kehidupan kita.

Namun tetap mempertanyakan apakah sebuah mesin dapat merekomendasikan apa yang harus ditulis selanjutnya dalam program pemasaran atau pelanggan mana yang harus menerima yang baru.

Kebenaran yang tidak menyenangkan

Selama 10 tahun terakhir, otomatisasi pemasaran telah berkembang menjadi industri bernilai miliaran dolar dengan menjanjikan untuk membawa personalisasi dan efisiensi ke program pemasaran. Panggilan sirene untuk mengasuh, penilaian timbal otomatis dan tanggapan yang dipicu terhadap aktivitas prospek kritis terbukti sangat menarik bagi organisasi B2B.

Ada hampir 11 kali lebih banyak perusahaan dengan otomasi pemasaran pada tahun 2014 daripada di awal tahun 2011 (SiriusDecisions) dan 60% Dari perusahaan yang membalikkan setidaknya $ 500 juta mengadopsi otomasi pemasaran pada tahun 2014 (Raab Associates).

Namun, kebenaran yang tidak menyenangkan tentang otomasi pemasaran generasi pertama adalah tidak otomatis. Ini adalah alat alur kerja pusat yang fantastis yang dapat mencapai skala. Namun memerlukan sumber daya untuk mengatur, mengintegrasikan, mengelola dan mengoptimalkannya. Memang, di banyak organisasi B2B, dengan ungkapan “memberi makan binatang” telah diterima dalam istilah pemasaran sebagai cara untuk menggambarkan kebutuhan sumber daya otomasi pemasaran.

Yang paling mendasar, ada isu creep peraturan. Saat Anda membuat kampanye, Anda menentukan aturan bisnis. “Jika A terjadi, maka lakukan B” atau “Jika individu memiliki karakteristik ini, maka taruh di segmen 4.” Ini mudah dimulai, namun selalu tidak memadai. Pengurangan perjalanan pembeli yang kompleks dan bervariasi. Jadi, Anda menambahkan lebih banyak aturan agar kampanye lebih ditargetkan.

Beberapa klien perusahaan kami memperkirakan, bahwa mereka membelanjakan $ 500.000 per tahun untuk elemen manual otomasi pemasaran ini dan ini mengabaikan investasi penting dan signifikan dalam penciptaan konten yang berkelanjutan. Sementara otomatisasi pemasaran menjanjikan dunia.

Apa yang sebenarnya dilakukannya adalah mengotomatisasi pelaksanaan pemasaran konten. Sementara pengambilan keputusan tetap merupakan upaya manual yang tidak praktis. Ini menawarkan pemasar alur kerja dengan wawasan yang kuat. Namun, gagal memberikan cara otomatis untuk bertindak sesuai wawasan tersebut. Pada dasarnya, konten dalam sistem itu bodoh.

Sistem tidak mengeryi isinya dan siapa yang harus membacanya. Untuk melacak mereka yang melihat bagaimana mengatasi masalah ini. Forrester baru-baru ini memulai sebuah tema penelitian baru yang disebut “Conten Intelligence”, yang mendefinisikan sebagai pengguna teknologi kecerdasan buatan untuk memahami dan menangkap kualitas melekat dalam konten apapun.

Sebagai pemasaran Analis teknologi David Raab mengatakan, Sesuatu harus diberikan. Baik pemasar berhenti mencoba membuat keputusan terbaik atau mereka berhenti mengandalkan peraturan.

Harapan Gap

Dalam menghadapi harapan pelanggan yang terus meningkat, pemasar terkemuka berinvestasi pada alat berbasis AI – kategori yang mencakup semua hal mulai dari alat peraga personal yang “belajar” dari perilaku online individu untuk merekomendasikan konten secara lebih efektif, hingga alat yang dapat mendeteksi pola menit di seluruh Kumpulan data konsumen masif dan memprediksi perilaku masa depan.

Ini adalah beberapa hal yang paling menarik dalam meningkatkan daftar aplikasi potensial untuk AI dalam pemasaran:

• Strategi konten : merekomendasikan konten apa yang akan dibuat berikutnya
• Strategi kampanye : merekomendasikan urutan komunikasi apa yang akan diberikan
• Personalisasi : merekomendasikan konten yang tepat untuk setiap pelanggan berdasarkan perilaku
• Segmentasi : mengelompokkan pelanggan berdasarkan perilaku atau niat
• Salin otomasi : secara otomatis menghasilkan baris subjek dan deskripsi
• Pangkat atau prioritas akun : prospek peringkat atau akun karena kemungkinan mereka untuk menutup
• Strategi penjualan : merekomendasikan penawaran dan konten produk / layanan yang tepat untuk digunakan dalam penjualan
• Tujuan penjualan : memprediksi penawaran produk yang tepat, ukuran kesepakatan, dan tanggal penutupan
• Penargetan ulang : merekomendasikan konten yang tepat dalam unit iklan yang ditargetkan

Karena suite pemasaran utama belum sepenuhnya menyebarkan atau memproduksikan penawaran AI mereka. mengadopsi AI biasanya memerlukan perpaduan solusi titik dan kumpulan data.

Memang, pemasar semakin piecing bersama tumpukan teknologi mereka sendiri dari solusi terbaik di kelasnya, yang memungkinkan teknologi dibangun di seputar kebutuhan pelanggan daripada fitur vendor. Terutama di lingkungan pelanggan yang kompleks misalnya, penjualan dengan sentuhan tinggi serta siklus pembelian yang lama penerapan janji AI untuk mulai menjembatani kesenjangan antara harapan pelanggan dan pengalaman aktual.

Hal ini paling penting dalam bisnis global, karena AI berusaha bergantung pada skala. Bagi Byron O’Dell, direktur pemasaran senior di IHS Markit, yang menggunakan pembelajaran mesin prediksi daripada otomatisasi pemasaran telah mengatasi tantangan skala. Dia menjelaskan, “Memungkinkan relevansi pemasaran pada skala menantang, tapi pembelajaran mesin prediksi memberi kita jalan untuk mencapai hal ini.”

Awalnya, sebagian besar pemasar mempertimbangkan dua kasus penggunaan kunci, yaitu personalisasi dan prediksi skor prediktif. Personalisasi memerlukan konten yang sesuai dengan kebutuhan pelanggan yang berkembang, terutama bila konten diproduksi dalam skala dan seringkali tergolong buruk. Prediksi skor prediktif didorong oleh keinginan yang tak terpuaskan untuk percakapan penjualan baru, di mana sinyal yang mengidentifikasi akun yang tertarik sulit dikenali atau ditemukan.

Bisnis berbasis wawasan

Pendekatan baru ini menjawab tantangan mendasar. Proses pembelian telah berubah, dengan pembeli semakin diberdayakan, diinformasikan dan terhubung. Namun sebagian besar perusahaan menjual dengan cara yang sama seperti sebelumnya. Menggunakan konten untuk menarik, terlibat dan berkonversi merupakan bagian dari solusi. namun pemasar terkemuka juga menggunakan konten untuk memahami pelanggan.

Dalam dunia yang semakin kompetitif, bisnis apa pun yang tidak mengerti pembelinya akan cepat kehilangan pangsa pasar seiring pesaing digital pertama yang tumbuh. Pengganggu terobsesi dengan pelanggan mereka. Mereka fokus untuk memberikan pengalaman pelanggan yang luar biasa dan mulus. Mereka tidak terbebani oleh teknologi usang dan proses yang kaku.

Mereka menghargai bahwa mendapatkan dan bertindak berdasarkan pemahaman pelanggan yang lebih dalam membangun keunggulan kompetitif. Forrester Research sedang membangun sekumpulan bukti, seperti yang mereka sebut sebagai “bisnis berbasis wawasan”. Salah satu definisi bisnis ini adalah bahwa mereka tidak memiliki gesekan antara titik pemahaman pelanggan dan titik penyampaian tanggapan berikutnya.

Ada umpan balik yang benar-benar otomatis. Kelompok usaha Forrester mendefinisikan dalam kategori ini – perusahaan yang berkembang pesat berinovasi berdasarkan pemahaman dan pengalaman pelanggan harus benar-benar mengerikan bagi para pemain lama.

Pemasaran AI menjanjikan interaksi pelanggan real-time yang tidak terstruktur yang memberikan nilai. Sistem berbasis peraturan saat ini tidak dapat berskala atau tim pemasaran dapat menyelesaikan proses manual pada saat yang dibutuhkan untuk menyampaikan relevansi.

Faktor keberhasilan

Seiring meningkatnya jumlah bisnis yang berinvestasi pada pendekatan berbasis AI, kesamaan di antara proyek yang sukses menjadi lebih jelas.

1. Sponsor eksekutif : Berkali-kali, sponsor eksekutif yang jelas untuk keseluruhan konsep naik ke puncak daftar. Sementara pemasar tingkat menengah dapat berhasil membeli solusi poin, organisasi yang lebih besar akan menemukan bahwa untuk membuka kumpulan data yang tepat dan mendorong keseluruhan nilai bisnis, mereka pada akhirnya membutuhkan sponsor eksekutif untuk memenangkan pendekatan yang lebih otomatis.
2. Hasil yang telah ditetapkan : inovator awal harus membuat lompatan iman tanpa tujuan yang diketahui. Namun seiring dengan semakin banyaknya lansekap vendor dan contoh klien didokumentasikan, setiap proyek dapat dan seharusnya memiliki tujuan yang terkait dengan hasil bisnis yang terukur dan terukur.
3. Kumpulan data yang tersedia : Kebanyakan ahli akan setuju dengan algoritma yang biasa-biasa saja dengan kumpulan data yang besar yang selalu mengalahkan algoritma hebat dengan kumpulan data kecil. Gali ke dalam pilihan yang tersedia, bersihkan apa yang Anda bisa, integrasikan sumber data baru dan jalankan tes untuk melihat hasilnya.
4. Komposisi tim : Meski tujuan sistem AI adalah mengurangi tugas manual, teknologinya tetap perlu masuk ke dalam tim dan proses bisnis yang memahami nilainya. Semakin banyak pengguna bisnis non-teknis yang dilayani, namun untuk sementara, penting memastikan bahwa tim memahami data cukup teknis untuk memahami kekuatan dan kekurangan pendekatan algoritmik.
5. Pemilihan vendor : Meskipun ada kasus untuk membangun in-house atau menggunakan agen untuk aplikasi yang dipesan lebih dahulu, menu pilihan yang ada di pasaran vendor semakin kuat. Untuk memilih vendor yang tepat, tanyakan tentang kumpulan data, cobalah beberapa demo atau uji coba kompetitif dan dorong untuk memahami apakah sistem telah dilatih sebelumnya atau mengharuskan Anda melakukannya.

Perusahaan prediktif

Pergeseran menuju perusahaan prediktif memerlukan rededikasi ideologis dan praktis untuk memahami pelanggan. Keuntungan kompetitif yang diberikan oleh kecerdasan buatan tidak didasarkan pada algoritma atau aplikasi. Namun akhirnya lebih memahami pelanggan secara lebih mendalam dan bertindak berdasarkan wawasan itu saat ini.

Hambatan yang jelas secara eksklusif berpusat pada organisasi: politik, rintangan teknis, batasan sumber daya dan sindrom yang tidak ditemukan di sini. Namun, di dunia yang datar, dengan pendatang baru yang mengganggu, berfokus pada kualitas dan pengalaman pelanggan yang mulus. Satu-satunya pilihan yang berkelanjutan adalah berinvestasi di depan persaingan.

Untuk memutarbalikkan kutipan Wayne Gretsky yang terlalu banyak, saatnya untuk meluncur ke tempat pasar berjalan, bukan di tempat yang sebenarnya. Ironisnya, dalam kasus ini, Anda tidak perlu menebak atau mengandalkan naluri. Pelanggan sudah pindah. Sebagai pelanggan, saya mengharapkan umpan konten yang terinspirasi oleh Facebook, dengan pertukaran privasi yang dihasilkan. Saya berharap rekomendasi seperti Amazon berguna ala Google.

Dimulai dari pemikiran

Upaya awal ke dalam pemasaran prediktif telah dikaitkan dengan data profil pihak pertama dalam manajemen pelanggan dan sistem CRM yang besar. Itu tidak selalu data bersih, tapi ini awal yang baik. Pendekatan yang lebih dalam dan lebih dapat diandalkan mengatasi masalah mendasar yang lebih sulit, mengubah data pelanggan tidak terstruktur menjadi wawasan yang dapat dilakukan.

Data tidak terstruktur yang sering disebut data gelap, sebagian besar tidak digunakan dalam perusahaan, namun terdiri dari 88% dari semua data yang dikumpulkan (IBM Research). Pada Idio, kami meringkas pendekatan kami terhadap data gelap dengan tesis, Anda adalah apa yang Anda baca. Yang kami maksud adalah bahwa konten yang Anda konsumsi sangat menunjukkan minat Anda dan sangat memprediksi maksud Anda.

Alat AI-enabled menganalisis data gelap ini, terutama bagaimana pelanggan Anda terlibat dan berperilaku dengan konten Anda untuk memprediksi minat dan niat mereka serta mempersonalisasi pengalaman mereka. Pertimbangkan untuk menggunakan daftar periksa proyek ini untuk membantu usaha Anda dalam pemasaran prediktif:

• Apakah saya memiliki sponsor eksekutif untuk pendekatan berbasis AI?
• Sudahkah saya mendefinisikan beberapa hasil bisnis?
• Apakah ada urgensi dan kerangka waktu yang jelas untuk mencapai hasil tersebut?
• Apakah ada kumpulan data untuk model?
• Sudahkah tim saya membeli proyek ini?
• Sudahkah saya menilai keputusan build-vs-buy?
• Sudahkah saya membuat daftar pendek vendor?
• Apakah sistem mereka sudah terlatih atau ada proses pelatihan yang panjang?
• Definisi istilah kunci

Ketika Anda mulai benar-benar menggunakan manfaat AI dan pemasaran prediktif, penting bagi setiap orang untuk didasarkan pada definisi yang sama. Berikut adalah primer singkatnya:

1. Kecerdasan Buatan (AI) adalah ilmu mesin bangunan yang melakukan hal-hal yang akan dianggap cerdas jika dilakukan oleh manusia.
2. Pembelajaran mesin adalah subset dari AI yang memungkinkan komputer belajar tanpa diprogram secara eksplisit. Kasus penggunaan mesin yang umum digunakan adalah optimasi (dari waktu ke waktu memilih opsi terbaik untuk mencapai tujuan yang ditetapkan), identifikasi (penggalian makna dari gambar atau teks), deteksi anomali (mengisolasi suatu peristiwa yang terjadi di luar norma), dan segmentasi (pengelompokan
3. Berdasarkan karakteristik yang disimpulkan atau diketahui).
4. Content intelligence adalah aplikasi AI untuk manajemen konten, terutama pemahaman dan klasifikasi konten untuk meningkatkan penargetan dan mengukur kinerja.
5. Pemasaran prediktif adalah aplikasi AI untuk pemasaran, biasanya untuk mengidentifikasi prospek, memprediksi apa yang mereka minati, dan merekomendasikan potongan konten atau informasi produk terbaik berikutnya.

Dengan pemahaman tentang AI dan beberapa tip tentang cara memulai, inilah saatnya Anda untuk mengubah “hampir diimplementasikan” menjadi kenyataan AI untuk meningkatkan pemasaran perusahaan Anda dan benar-benar mengerti dan terhubung dengan pelanggan Anda.