استراتژی هوش مصنوعی در بازاریابی؛ کدام کار را اول خودکار کنیم؟

کمبود ایده معمولاً مشکل تیم‌های بازاریابی نیست. بیشتر تیم‌ها یک فهرست بیست‌تایی از کاربردهای هوش مصنوعی دارند، چند اشتراک نرم‌افزاری هم خریده‌اند، اما هنوز توافق ندارند که یک ماه آینده را صرف کدام‌یک کنند. این انتخاب از انتخاب ابزار مهم‌تر است، چون اولین پروژه انتظار تیم را از همهٔ پروژه‌های بعدی شکل می‌دهد.

پاسخ کوتاه من این است: کاری را انتخاب کنید که زیاد تکرار می‌شود، ورودی‌هایش را از قبل دارید، خروجی‌اش را یک نفر می‌تواند سریع بررسی کند و اگر اشتباه شود، اشتباه ارزان و قابل‌کشف است. قبل از هر تغییری، عملکرد فعلی همان کار را اندازه بگیرید. بعد فقط یک کار را برای مدت مشخص روی نمونه‌های واقعی آزمایش کنید و از قبل بنویسید چه نتیجه‌ای یعنی باید متوقفش کنید.

استراتژی هوش مصنوعی در بازاریابی دقیقاً باید دربارهٔ چه چیزی تصمیم بگیرد؟

استراتژی هوش مصنوعی فهرست ابزارها یا یک اسلاید دربارهٔ آیندهٔ بازاریابی نیست. برای تیمی که هر روز کار اجرایی دارد، این استراتژی باید به چهار سؤال عملی جواب بدهد:

1. کدام مسئلهٔ کسب‌وکار را می‌خواهیم جابه‌جا کنیم؟ فرصت‌های فروش، سرعت اجرای کمپین، هزینهٔ هر فرصت فروش واجد شرایط، کیفیت محتوا یا اعتماد مدیران به گزارش‌ها. فقط یکی را انتخاب کنید.
2. گلوگاه این مسئله کجاست؟ همان مرحله‌ای که کار در آن منتظر می‌ماند، دوباره انجام می‌شود یا کلاً جا می‌افتد.
3. مسئول تغییر کیست؟ یک نفر مشخص که تعریف کند خروجی خوب یعنی چه و اختیار توقف آزمایش را داشته باشد.
4. از کجا بفهمیم جواب داده؟ یک اندازه‌گیری از وضعیت امروز و آستانه‌ای که قبل از شروع آزمایش روی آن توافق شده باشد.

اگر جواب دو سؤال اول روشن نیست، هوش مصنوعی آن خلأ را پر نمی‌کند. فقط بخش‌های مبهم فرایند را سریع‌تر اجرا می‌کند.

از گلوگاه شروع کنید، نه از ابزار

یک اشتباه رایج این است که از قابلیت ابزار شروع کنیم («می‌تواند متن تبلیغ بنویسد») و بعد دنبال جایی برای استفاده از آن بگردیم. نتیجه‌اش شلوغی کار است، نه بهبود. تیمی که کمپین‌هایش به خاطر معطل‌ماندن تأییدها دیر اجرا می‌شود، از ساختن سریع‌تر نسخه‌های تبلیغ سود زیادی نمی‌برد.

پس اول محدودیت اصلی را نام ببرید. از تیم بپرسید کار ماه گذشته کجا منتظر ماند. به تقویم، سابقهٔ تیکت‌ها یا فایل‌های مشترک نگاه کنید، نه فقط به حافظهٔ افراد. بعد سؤال سخت‌تر را بپرسید: این کار واقعاً زحمت‌بر است یا فرایند اطرافش خراب است؟

بعضی مسئله‌ها شبیه مسئلهٔ هوش مصنوعی‌اند، اما در واقع مسئلهٔ فرایندند. اگر بریف کمپین همیشه ناقص می‌رسد چون هیچ‌کس توافق نکرده بریف باید چه چیزهایی داشته باشد، یک چک‌لیست و یک قالب ساده بیشتر از هر مدلی کمک می‌کند. اول فرایند را درست کنید. خودکارکردن یک فرایند ضعیف بیشتر باعث می‌شود خروجی ضعیف زودتر برسد.

قبل از خرید هر ابزاری، کارهای تکراری را فهرست کنید

وقتی مسئله روشن شد، کارهای تکراری اطراف آن را فهرست کنید. تکرار مهم است: کاری که فصلی یک بار انجام می‌شود، معمولاً هزینهٔ طراحی، آزمایش و نگهداری یک گردش کار را جبران نمی‌کند. برای هر کار این‌ها را بنویسید:

• چه چیزی کار را شروع می‌کند و هر چند وقت یک بار تکرار می‌شود
• الان چه کسی انجامش می‌دهد و تقریباً چقدر وقت می‌گیرد
• چه ورودی‌هایی لازم دارد و این ورودی‌ها کجا هستند
• خروجی چیست و چه کسی از آن استفاده می‌کند
• معمولاً کجا خراب می‌شود و چطور متوجه می‌شوید

در این مرحله هوش مصنوعی واقعاً کمک می‌کند. یادداشت‌های پراکنده، متن جلسه‌ها یا توضیح کارها را به مدل بدهید و بخواهید آن‌ها را در همین ساختار مرتب کند و اطلاعات جاافتاده را نشان بدهد. مدل در پیدا کردن این نکته خوب است که مثلاً خروجی را توضیح داده‌اید اما نگفته‌اید چه کسی آن را بررسی می‌کند. اما اولویت‌بندی کار مدل نیست. آن تصمیم به وضعیت تجاری شما بستگی دارد و مدل از آن خبر ندارد.

پنج سؤال برای مرتب‌کردن فهرست

من کارهای نامزد را با پنج سؤال مرتب می‌کنم. به هر سؤال امتیاز ساده‌ای از ۱ تا ۳ می‌دهم، اما فقط برای این‌که بحث تیم ساختار پیدا کند، نه به‌عنوان یک مدل امتیازدهی معتبر. ارزش این امتیازها در گفت‌وگویی است که راه می‌اندازند، نه در جمع نهایی‌شان.

یک قاعده بالاتر از همهٔ امتیازهاست. کاری که خطایش پرهزینه است و بازبینی‌اش سخت، از همان غربال اول رد می‌شود، هر امتیازی در بقیهٔ ستون‌ها داشته باشد. مرحله‌ای از هوش مصنوعی که بتواند بدون بررسی انسان بودجه خرج کند، به مشتری ایمیل بفرستد یا رکوردهای CRM را بازنویسی کند، پروژهٔ اول نیست. شاید بعداً، وقتی شواهد، کنترل‌ها و راه جبران خطا را داشتید، به سراغش بروید.

قابلیت بازبینی همان سؤالی است که تیم‌ها معمولاً دست‌کم می‌گیرند. برای من، سریع‌تر آماده‌شدن پیش‌نویس به‌تنهایی کافی نیست. اگر بررسی‌اش بیشتر از نوشتنش وقت بگیرد، هنوز کار را بهتر نکرده‌ایم. اگر بازبین برای اعتماد به خروجی مجبور است تحقیق را از اول انجام بدهد، کار فقط جابه‌جا شده است، نه حذف.

یک نمونهٔ عملی: کارهای یکسان، جواب‌های متفاوت

این نمونه فرضی است. تیم، کارها و زمان‌ها برای نشان دادن روش ساخته شده‌اند و از هیچ مشتری واقعی گرفته نشده‌اند.

یک تیم سه‌نفرهٔ بازاریابی در یک شرکت نرم‌افزاری B2B (کسب‌وکار به کسب‌وکار) سه کار را در فهرست نهایی گذاشته است:

• گزارش هفتگی عملکرد. هر دوشنبه مدیر بازاریابی عددها را از پلتفرم‌های تبلیغاتی، ابزار تحلیل و CRM جمع می‌کند و برای مدیران خلاصه می‌نویسد. حدود سه ساعت در هفته.
• بررسی بریف کمپین. بریف‌ها از تیم محصول و فروش می‌رسند. بیشترشان مخاطب، پیشنهاد یا معیار موفقیت را ندارند، پس هر کدام یک دور سؤال و جواب لازم دارد. شاید ۴۵ دقیقه برای هر بریف و چهار یا پنج بریف در ماه.
• جابه‌جایی خودکار بودجه. ایده‌ای از دموی یک فروشندهٔ نرم‌افزار: یک سیستم هوش مصنوعی هر روز بر اساس عملکرد، بودجهٔ تبلیغات را بین کمپین‌ها جابه‌جا کند.

ایدهٔ بودجه حتی قبل از بحث دربارهٔ ارزش رد می‌شود. این سیستم روی پول عمل می‌کند و یک نفر نمی‌تواند هر تغییر را پیش از اجرا به‌راحتی بررسی کند. این ایده برای همیشه بد نیست؛ فقط پروژهٔ اول خوبی نیست.

دو کار دیگر هر دو قبول می‌شوند و این‌جا ستون ارزش است که بر اساس وضعیت تیم تصمیم می‌گیرد:

• اگر گلوگاه، اعتماد مدیران به عددهاست، گزارش برنده است. پیش‌نویس خودکار چند ساعت صرفه‌جویی می‌کند، اما سود بزرگ‌تر یک ساختار ثابت است که «چه چیزی تغییر کرد» را از «چه چیزی ممکن است آن را توضیح بدهد» جدا می‌کند. روش کامل را در گردش کار گزارش هفتگی بازاریابی با هوش مصنوعی نوشته‌ام.
• اگر گلوگاه، دیر اجرا شدن کمپین‌هاست، بررسی بریف برنده است، با این‌که کمتر تکرار می‌شود. مرحله‌ای که هر بریف را با یک چک‌لیست مقایسه می‌کند و سؤال‌های مشخص را به درخواست‌کننده برمی‌گرداند، مستقیماً سراغ همان تأخیر می‌رود.

همان تیم، همان ابزارها، اما پروژهٔ اول متفاوت. به همین دلیل به فهرست جهانی «بهترین کاربردهای هوش مصنوعی در بازاریابی» اعتقاد ندارم. رتبه‌بندی به این بستگی دارد که چه چیزی کار شما را کند کرده است.

انتخاب را به آزمایشی تبدیل کنید که بشود قضاوتش کرد

اجرای آزمایشی یعنی «مدتی امتحانش کنیم» نیست. قبل از شروع این‌ها را بنویسید:

• مسئول: کسی که کیفیت را قضاوت می‌کند و می‌تواند آزمایش را متوقف کند.
• محدوده: دقیقاً چه ورودی‌هایی وارد می‌شود و چه چیزی بیرون می‌آید. محدوده را باریک نگه دارید: یک گزارش، یک نوع بریف، یک بازار.
• خط مبنا: این کار امروز چقدر وقت می‌گیرد و خروجی خوب چه شکلی دارد. اگر کسی تا حالا اندازه‌اش نگرفته، چند دورهٔ بعدی را قبل از هر تغییری دستی اندازه بگیرید.
• نمونه‌های آزمون: نمونه‌های واقعی، از جمله نمونه‌های دردسرساز. برای بررسی بریف، یک بریف کامل، یک بریف که نصف فیلدهایش خالی است و یک بریف کامل اما متناقض بگذارید.
• معیارهای کیفیت: چیزهایی که بازبین بررسی می‌کند، به شکل سؤال‌هایی که جوابشان بله یا خیر است.
• مسیر بازبینی: چه کسی هر خروجی را پیش از استفاده بررسی می‌کند و اصلاحاتش کجا ثبت می‌شود.
• راه برگشت: اگر آزمایش متوقف شد، تیم چطور به روش دستی برمی‌گردد.
• شرط توقف و مهلت: مثلاً اگر بعد از دو هفتهٔ اول، بازبینی و اصلاح بیشتر از کار دستی وقت گرفت، یا ادعای بی‌پشتوانه‌ای به دست مدیران رسید، متوقف کنید.

دربارهٔ نمونه‌های آزمون، توصیهٔ سازندگان ایجنت‌ها به پروژه‌های کوچک‌تر هم می‌خورد. تیم مهندسی Anthropic برای ارزیابی ایجنت‌های هوش مصنوعی می‌گوید ۲۰ تا ۵۰ کار ساده که از خطاهای واقعی گرفته شده باشند، شروع خیلی خوبی است. آزمایش بازاریابی شاید به نمونه‌های کمتری نیاز داشته باشد، اما اصل همان است: روی کاری که واقعاً انجام می‌دهید آزمایش کنید، از جمله مواردی که قبلاً خراب شده‌اند.

ادامه، اصلاح یا توقف

در پایان مهلت، مسئول یکی از این سه تصمیم را می‌گیرد:

• ادامه، وقتی خروجی معیارهای کیفیت را پاس می‌کند و کل زمان، با احتساب بازبینی و اصلاح، از خط مبنا کمتر است. محدوده را قدم‌به‌قدم بزرگ کنید.
• اصلاح، وقتی خروجی مفید است اما بازبینی زیاد طول می‌کشد، یا یک نوع نمونه مدام خراب می‌شود. ورودی، دستورالعمل یا محدوده را تغییر دهید و یک دورهٔ کوتاه دیگر اجرا کنید.
• توقف، وقتی معلوم شد مسئله در واقع فرایندی بوده، ورودی‌ها کافی نیستند یا هزینهٔ بازبینی از صرفه‌جویی بیشتر است. توقف هم نتیجه است، نه شکست. دلیلش را بنویسید تا همین ایده شش ماه بعد بدون شواهد تازه دوباره برنگردد.

صرفه‌جویی در زمان فقط بخشی از ارزش است و همیشه مهم‌ترین بخشش هم نیست. سنجش کامل هزینه و فایدهٔ یک آزمایش موضوع جداگانه‌ای است که در بازگشت سرمایه هوش مصنوعی در بازاریابی به آن پرداخته‌ام. اگر آزمایش جواب داد و وسوسه شدید اختیار بیشتری به سیستم بدهید، اول ایجنت هوش مصنوعی یا اتوماسیون بازاریابی را بخوانید. توصیهٔ Anthropic به سازندگان سیستم‌ها برای بازاریاب‌ها هم پیش‌فرض خوبی است: ساده‌ترین راه‌حل ممکن را پیدا کنید و فقط وقتی لازم شد پیچیدگی را بیشتر کنید.

کاربرگ اولویت‌بندی

این جدول را در یک صفحه‌گسترده یا سند کپی کنید و برای هر کار نامزد یک ردیف پر کنید. به چهار ستون امتیازی با همان راهنمای بالا از ۱ تا ۳ امتیاز بدهید و بعد به‌جای جمع‌زدن عددها، دربارهٔ نتیجه بحث کنید.

چیزهایی که این روش به شما نمی‌گوید

این کاربرگ به تیم کمک می‌کند پروژهٔ اول معقولی انتخاب کند. بازگشت سرمایهٔ آن پروژه را پیش‌بینی نمی‌کند و امتیازها قضاوت‌اند، نه اندازه‌گیری. دو نفر ممکن است به یک کار امتیاز متفاوت بدهند؛ همین اختلاف ارزش دارد که پیش از ساختن هر چیزی درباره‌اش حرف بزنید.

این روش همچنین فرض می‌کند مشتری‌تان را آن‌قدر می‌شناسید که بدانید کدام مسئله‌ها مهم‌اند. اگر مطمئن نیستید بهترین مشتری‌هایتان چه کسانی‌اند، این سؤال قبل از هر خودکارسازی می‌آید. پروفایل مشتری ایده‌آل؛ از داده واقعی تا انتخاب بازار هدف نقطهٔ شروع خوبی است.