3 шага для создания стека MarTech (Marketing Technologies) внутри компании

Разнообразие приложений на базе ИИ, как автономных, так и функционирующих на базе платформ, позволяют как автоматизировать часть задач маркетинга, так и сформировать новую ценность для развития компании.

👉 Подписывайтесь на наш Telegram-канал t.me/strategy_360 и получайте новые статьи каждую неделю.

Как маркетологам разобраться в разнообразии приложений, использующих ИИ? Как классифицировать их назначение и в какой последовательности запланировать их внедрение? Матрица для выбора и классификации MarTech в статье ниже 👇

Искусственный интеллект может значительно усилить такие задачи маркетинга, как понимание потребностей клиентов, сопоставление этих потребностей с продуктами и услугами (product market fit) и повышения вероятности покупки.

Согласно опросу Deloitte, в 2020 г. среди ранних последователей ИИ, 3 из 5 основных задач ИИ были ориентированы на маркетинг: улучшение существующих продуктов и услуг, создание новых продуктов и услуг и улучшение отношений с клиентами.

Для тех, кому #некогдачитать #стратегия360 #ИИ #маркетинг #hbr

На основе статьи, опубликованной на hbr.org, «How to Design an AI Marketing Strategy» by Thomas H. Davenport, Abhijit Guha, and Dhruv Grewal. From the Magazine (July–August 2021).

Примеры внедрения приложений на базе ИИ в маркетинге:

👉 Подписывайтесь на наш Telegram-канал t.me/strategy_360 и получайте новые статьи каждую неделю.

Компании также применяют ИИ на каждом этапе пути клиента. Когда потенциальные клиенты находятся на этапе рассмотрения продукта, ИИ направляет на них рекламу и может помочь направить их поиск на основе истории просмотров клиентов. ИИ-боты могут помочь маркетологам понять потребности клиентов, увеличить их вовлеченность в поиск, помочь с выдачей конкретной веб-страницы и, при необходимости, связать клиента с продавцом.

ИИ может оптимизировать процесс продаж за счет данных о клиентах, геолокации в реальном времени, используя их для создания персонализированных предложений продуктов или услуг, а также для улучшения конверсии, особенно на этапе корзины.

Приложения на базе ИИ можно классифицировать в зависимости от уровня ИИ и их автономности: являются ли они автономными или частью более большой платформы.

Автоматизация задач. Эти приложения выполняют повторяющиеся, структурированные задачи, требующие относительно низкого уровня ИИ. Они разработаны для следования набору правил или выполнения предопределенной последовательности операций на основе заданного ввода, но они не могут справляться со сложными проблемами, такими как ежесекундные запросы клиентов в конкретном контексте. Примером может служить система, которая автоматически отправляет приветственное письмо каждому новому клиенту. Простейшие чат-боты, доступные, например, через Telegram, VK и др. – типовые представители данной категории.

Плюсы: помощь клиентам при типовом взаимодействии по определенному дереву решений.

Минусы: не могут распознать намерения клиентов и предлагать индивидуальные ответы, не могут обучаться на основе взаимодействий.

Машинное обучение. Эти алгоритмы обучаются на больших объемах данных, чтобы делать относительно сложные прогнозы и решения. Такие модели могут распознавать изображения, расшифровывать текст, сегментировать клиентов и предсказывать, как клиенты будут реагировать на различные инициативы, такие как акции. Машинное обучение уже управляет покупкой в онлайн-рекламе, рекомендательными системами в электронной коммерции и моделями предрасположенности к покупкам в CRM. Машинное обучение и его более сложный вариант, глубокое обучение, являются самыми актуальными технологиями в ИИ и быстро становятся мощными инструментами в маркетинге. Тем не менее важно отметить, что существующие приложения на основе машинного обучения все еще выполняют только узкие задачи и должны обучаться на больших объемах данных.

Автономные приложения. Данные приложения не интегрированы в основные каналы коммуникации и используются самостоятельно. Рассмотрим на примере приложения для выбора цвета краски компании Behr. Используя возможности обработки естественного языка и анализатора тона от IBM Watson (который определяет эмоции в тексте), приложение предоставляет несколько персонализированных рекомендаций цвета краски Behr на основе настроения, которое потребители хотят для своего пространства. Клиенты используют приложение, чтобы выбрать два или три цвета для комнаты, которую они намерены покрасить. Фактическая продажа краски затем осуществляется за пределами приложения

Интегрированные приложения. Встроенные в существующие системы, эти приложения ИИ часто менее видимы для клиентов, маркетологов и продавцов, которые их используют, чем автономные приложения. Например, машинное обучение, которое принимает решения за доли секунды о том, какую цифровую рекламу предложить пользователям, встроено в платформы, которые обрабатывают весь процесс покупки и размещения рекламы. Интегрированное машинное обучение Netflix предлагает рекомендации видео клиентам уже более 10 лет. Их выбор просто появляется в меню предложений, которое зрители видят, когда они заходят на сайт. Если бы система рекомендаций была автономной, им бы пришлось обратиться к специализированному приложению и запросить предложения. Производители систем CRM все чаще включают возможности машинного обучения в свои продукты. В Salesforce набор Sales Cloud Einstein имеет несколько возможностей, включая систему скоринга лидов на основе ИИ, которая автоматически ранжирует лиды B2B-клиентов по вероятности покупки.

👉 Подписывайтесь на наш Telegram-канал t.me/strategy_360 и получайте новые статьи каждую неделю.

Cледует отметить, что в настоящее время автоматизация задач все чаще сочетается с машинным обучением — для извлечения ключевых данных из сообщений, принятия более сложных решений и персонализации коммуникаций — гибрид, который находится на стыке квадрантов.

Автономные приложения продолжают занимать свое место там, где интеграция сложна или невозможна. Вместе с тем, основанная тенденция заключается в использовании приложений, которые могут интегрироваться с маркетинговыми информационными системами компании.

Итак, с чего начать, если опыт взаимодействия с ИИ ограничен? Начните с внедрения простых приложений, которые работают на основе правил. Многие компании придерживаются подхода «ползти – ходить – бежать», начиная с автономного приложения для автоматизации задач, не связанных с обслуживанием клиентов, например, приложения, которое направляет продавцов для обслуживания клиентов.

Как только компании приобретут базовые навыки работы с ИИ и большое количество данных о клиентах и рынке, они могут начать переход от автоматизации задач к машинному обучению. Источниками данных могут быть внутренние транзакции, внешние поставщики, факторы, влияющие на спрос (сезонность, погода, макроэкономика и др.). Так, на базе машинного обучения можно разрабатывать модели динамического ценообразования.

Проблемы и риски

Даже внедрение самых простых приложений ИИ может вызвать трудности. Автономный ИИ для автоматизации задач, несмотря на его минимальный технический уровень, все же может оказаться сложным для настройки под конкретные рабочие процессы и требует от компаний приобретения соответствующих навыков ИИ. Внедрение любого типа ИИ в рабочий процесс требует интеграции задач, чтобы ИИ дополнял навыки людей и не использовался для создания проблем. Например, многие организации используют чат-боты на основе правил для автоматизации обслуживания клиентов, но менее «обученные» боты могут раздражать клиентов. Возможно, лучше, чтобы такие боты помогали продавцам, а не взаимодействовали с клиентами.

По мере того как компании внедряют более продвинутые и интегрированные приложения, возникают другие проблемы. Интеграция ИИ в сторонние платформы может быть сложной. Примером служит советник по уходу за кожей от Procter & Gamble’s Olay, который использует глубокое обучение для анализа селфи, сделанных клиентами, оценки их возраста и типа кожи и рекомендации соответствующих продуктов. Он интегрирован в платформу электронной коммерции и лояльности, Olay.com, и улучшил коэффициенты конверсии, bounce rates и средний размер корзины в некоторых географических областях. Однако интегрировать его с розничными магазинами Amazon и другими магазинами, которые обеспечивают большой процент продаж Olay, оказалось сложнее. Советник по уходу за кожей не доступен на сайте магазина Olay на Amazon, что мешает бренду предоставлять бесшовный опыт с помощью ИИ на сторонних площадках.

Кроме того, компании должны обеспечивать интересы клиентов на первом месте. Чем умнее и более интегрированными являются приложения ИИ, тем больше у клиентов может быть опасений относительно конфиденциальности, безопасности и прав на собственные данные. Так, приложения могут передавать данные об их геолокации без согласия, умные колонки «могут подслушать» то, что не надо. Вопрос – какую ценность предложить клиентам в обмен на личные данные и конфиденциальность?

👉 Подписывайтесь на наш Telegram-канал t.me/strategy_360 и получайте новые статьи каждую неделю.

Несмотря на ажиотаж вокруг ИИ, приложения могут выполнять только нишевые задачи маркетинга, а не управлять всей маркетинговой функцией или процессом. Учитывая долгосрочный тренд ИИ, уже сейчас следует заложить в маркетинговую стратегию внедрение соответствующих инструментов.

Для составления карты необходимых инструментов предлагаем воспользоваться матрицей MarTech.

👉 Подписывайтесь на наш Telegram-канал t.me/strategy_360 и получайте новые статьи каждую неделю.

Как подходить к выбору технологий в маркетинге? Используйте 3 простых шага:

1. разложить путь клиента

2. декомпозировать маркетинговую стратегию на конкретные тактики на основе пути клиента

3. спроектировать MarTech-стек, подходящий вашей компании.

Путь клиента необходимо разложить на основные этапы, от первого контакта до постпродажных действий, и для каждого этапа определить желаемый результат и метрики для его оценки. Желаемые результаты в точках контакта необходимо разбить на основные тактики. После этого, когда маркетинговая команда определила свои основные тактики, пришло время решить, какие инструменты можно использовать для поддержки каждого из них.

Разложив путь клиента и определив метрики, необходимо проанализировать маркетинговую стратегию. Такими показателями (тактиками) могут стать повышение осведомленности клиента о новом продукте, уровень удовлетворенности (через упоминания в социальных сетях или возвраты продукции).

Важно при выборе решений разобраться с основными проблемами, при которых MarTech-решения не работают: сбор и накопление данных и синдром «новой игрушки».

Сбор данных. Во-первых, «сбор стога сена, чтобы найти в нем иголку, - неэффективен». Компании часто собирают информацию о каждой точке контакта с клиентом, но значительная часть этой информации им просто не пригодится. Во-вторых, накопление данных не направлено на достижение цели. В итоге у менеджеров оказываются те данные, которые у них есть, а не те, которые им нужны. Учитывая расходы на приобретение и хранение и потерю времени, стоимость накопления данных может быть огромной.

«Новая игрушка». Компании охотно заключают договоры с компаниями, предлагающими интригующие инструменты, независимо от того, решат ли эти инструменты конкретные проблемы компании или нет.

👉 Подписывайтесь на наш Telegram-канал t.me/strategy_360 и получайте новые статьи каждую неделю.

В результате определения тактических действий выявляются те действия, которые необходимо масштабировать или автоматизировать. Допустим вы хотите увеличить конверсию продаж от e-mail-маркетинга, но текущий движок не позволяет настроить триггерные рассылки. Вот поле для автоматизации.

Уровень удовлетворённости через улучшение опыта непосредственно зависит от службы поддержки, если клиент уже существующий, или сайта – если клиент находится на стадии рассмотрения нового для себя продукта.

Как только маркетинговая команда определила свои основные тактические действия, пришло время решить, какие инструменты можно использовать для поддержки каждого из них. MarTech-матрица – в помощь. Она показывает, какой инструмент предназначен для поддержки какой тактики и как инструменты должны работать вместе.

Использование матрицы MarTech способствует объяснению структуры решений и технологий другим подразделениям компании. Команды, проектирующие стек, часто сталкиваются с необоснованными «изменениями», предлагаемыми заинтересованными сторонами: менеджерам нередко нравится определенная технология без учета того, как она интегрируется с другими технологиями. Описание MarTech как системы помогает предотвратить это, потому что оно подчеркивает, как инструменты работают вместе, а также области потенциального дублирования.

MarTech влияет и на организационную структуру маркетинга, позволяя выстроить ее под конкретные маркетинговые действия и стратегию.

Учитывая ИТ-ландшафт компании, а также изменения в потреблении программного обеспечения, компании выбирают больше инструментов, разработанных третьими сторонами, которые управляются маркетингом и продажами, а не IT. Из-за этого многие компании теперь используют гибридные матричные организационные подходы для управления этими технологиями. Каждая вертикальная функция (такая как маркетинг, продажи или поддержка) имеет человека, ответственного за ее технологические потребности, в то время как старший менеджер по MarTech (из ИТ), который отчитывается перед CMO, гарантирует, что инструменты, используемые всеми функциями, работают согласованно.

В крупной компании также необходимо получение одобрения от внутренних заинтересованных сторон. Предполагаемые пользователи должны активно участвовать как в проектировании решений, так и в их реализации. Пользователи должны чувствовать, что решения ускорят и улучшат их работу и будут легко применяться. Также должно быть обеспечено организационное обязательство по ресурсам и обучению. Руководители часто предполагают, что их команды имеют компетенции, ресурсы и знания для внедрения новых технологий. Компании должны гарантировать, что сотрудники могут овладеть новой технологией.

👉 Подписывайтесь на наш Telegram-канал t.me/strategy_360 и получайте новые статьи каждую неделю.

В 2012 г. Oracle перешла от продажи продуктов к продаже услуг через облако. Ее внутренние маркетинговые возможности и устаревшие технологии, работающие на местах, были несогласованы с ее новым позиционированием. Интеграция данных между технологиями в компании была неполной и в некоторых областях невозможной. В одном случае были приняты избыточные и несовместимые технологии онлайн-мероприятий. Сотни тысяч данных клиентов были неорганизованы и отключены. Это ограничивало способность Oracle применять технологии, которые были критически важны для ее продаж. Кроме того, организационные барьеры, разделяющие продажи, маркетинг на местах, продуктовый маркетинг и корпоративный маркетинг, приводили к несогласованным коммуникациям и фрагментированному опыту клиентов.

Подходы «снизу вверх» часто приводят к инструментам и данным, которые не соответствуют бизнес-цели или не могут предоставить соответствующие выводы.

В результате Oracle смогла преобразовать только 2% лидов маркетинга в продажи. Продавцы постоянно жаловались на низкое качество лидов. «Мы еще не убедили организацию в том, что мы оказываем финансовое воздействие на бизнес», – говорит Бенце Газдаг, старший директор по маркетинговым технологиям. Чтобы изменить ситуацию, команда MarTech Oracle следовала трехмерному подходу:

Во-первых, команда разложила путь клиента, чтобы лучше связать маркетинговые технологии с желаемыми результатами. Идентифицированные результаты включали в себя создание осведомленности, улучшение взаимодействия, стимулирование покупок и улучшение удержания.

Во-вторых, команда декомпозировала связанные маркетинговые стратегии на тактику, которая может быть оцифрована на пути клиента, такую как маркетинг на основе учетной записи, который стимулирует покупки, отправляя клиентам и потенциальным клиентам персонализированные сообщения. Это упражнение выявило некоторые новые знания о том, какую тактику можно автоматизировать, например, что AI, обученный на данных клиентов, может заменить трудоемкий процесс написания специфических для учетной записи электронных писем в масштабе.

Затем команда разработала стек маркетинговых технологий, связав технологии с маркетинговыми тактиками, используемыми на каждом этапе пути клиента, и отобразив поток данных между этими технологиями, чтобы гарантировать их интеграцию в единую систему. Например, инструменты, используемые продажами, должны были обмениваться данными с продуктами маркетинга на основе учетной записи для обеспечения единообразия сообщений. Их выбор не мог быть осуществлен раздельно.

Хотя трансформация столкнулась с множеством потенциальных проблем, внимание компании к внедрению стало ее преимуществом. Во-первых, применяемые сценарии и финансовые выгоды для организации были четко определены топ-менеджментом, что обеспечивало выделение ресурсов. Например, это улучшило не только коэффициент конверсии лидов Oracle, но и понимание потребностей его клиентов и того, как технологии Oracle могут им помочь.

Во-вторых, была введена новая организационная структура для управления процессом трансформации и дальнейшей деятельности. Ранее продажи, маркетинг на местах, продуктовый маркетинг и корпоративный маркетинг каждый управляли своими технологиями. Теперь все маркетинговые технологии контролируются централизованно новым глобальным центром по созданию спроса в маркетинге, который отчитывается перед CMO, проводящим еженедельные согласованные встречи, чтобы гарантировать, что маркетинговые технологии остаются стратегическим приоритетом.

Наконец, команда продвигала инновации в маркетинговых технологиях внутри компании, нацеливаясь на лидеров мнений и ранних пользователей с высокой экспертизой в организации. Их поддержка ускорила принятие маркетинговых технологий среди тех, кто находился в середине кривой принятия, в то время как отставающие были переведены на другие роли или уволены. Технологии были упрощены для удобства использования. Тем временем полученные с использованием трехмерного подхода знания помогли Oracle продавать свои технологии своим клиентам.

Сегодня у Oracle один из самых полных и эффективных стеков маркетинговых технологий в мире. Его активно используют внутри организации. Средние сделки на 69% больше, когда в них участвует маркетинг. 70% опыта покупок клиентов автоматизированы, что помогло удвоить коэффициент конверсии из возможности в лид и сократить время на запуск маркетинговой кампании с 4 недель до 5 дней. Маркетинг теперь обрабатывает 1,5 млрд взаимодействий с клиентами в год, вместо прежних 2 млн. К тому же случайные покупки «новых игрушек» практически исчезли, так как новые инструменты не принимаются, если они не соответствуют организационной стратегии или существующей системе технологий.

Учитывая его огромный рост и принятие, маркетинговые технологии теперь привлекают внимание каждой крупной компании. Однако компании должны осознавать риски покупки слишком многих инструментов от третьих сторон без должной координации или стратегии их использования.

Автор статьи: Стратегия 360 https://t.me/strategy_360 Подписывайтесь!

Если вам понравилась статья, будем признательны за донат. Все донаты направляются на поддержку социального проекта для людей с сахарным диабетом DiaTalks https://dia-talks.ru/