چگونه از هوش مصنوعی برای افزایش 82 درصدی تبدیل ایمیل HubSpot استفاده کردیم: یک مطالعه موردی

ما جریان ایمیل پرورشی استاندارد خود را به یک نیروگاه تبدیل مبتنی بر هوش مصنوعی تبدیل کردیم. در اینجا آنچه ما انجام دادیم، چه چیزی مؤثر بود (و چه چیزی نبود)، و آنچه در طول مسیر یاد گرفتیم، آمده است.

زمانی که تیم بازاریابی ما شروع به بحث در مورد نحوه ترکیب استراتژیک هوش مصنوعی در جریان کاری خود کرد، می دانستیم که نتایج بزرگی می خواهیم. اما نکته ای که در مورد نتایج بزرگ وجود دارد این است: آنها از تلاش یکباره همه چیز به دست نمی آیند.

با منابع محدود و امکانات نامحدود، ما باید مشخص می‌کردیم که کدام برنامه‌های هوش مصنوعی بیشترین تأثیر را دارند.

بازاریابی ایمیلی برای ما یک نقطه شروع طبیعی به نظر می رسید. ما سال‌ها تست‌های بهینه‌سازی را روی جریان‌های پرورشی خود اجرا می‌کردیم، اما پس از مدتی، سودها چند درصد افزایش یافتند.

ما به چیزی نیاز داشتیم که کاملاً بازی را تغییر دهد. چیزی که هر دو تأثیر معناداری بر معیارهای بالای قیف داشت و قابلیت استفاده عملی در تیم بازاریابی ما اما چه چیزی – و چگونه؟

در یکی از اپیزودهای اخیر Marketing Against the Grain، امی یوناسن و من معاون HubSpot بازاریابی به اشتراک گذاشتیم که چگونه با هوش مصنوعی آزمایش کردیم تا عملکرد ایمیل خود را تغییر دهیم. ما همچنین توضیح خواهیم داد که چگونه ما به افزایش 82 درصدی در نرخ تبدیل دست یافت – به علاوه، تمام درس‌هایی که در این راه آموختیم.

شناسایی چالش

ابتدا اجازه دهید توضیح دهم که قبل از هوش مصنوعی چه می‌کردیم. مانند بسیاری از تیم‌های بازاریابی، ما به شخصی‌سازی ایمیل از طریق تقسیم‌بندی نزدیک شدیم – گروه‌بندی سرنخ‌ها بر اساس ویژگی‌های مشابه، سپس متناسب کردن محتوا با آن گروه‌ها.

به عنوان مثال، اگر شخصی محتوای مرتبط با بازاریابی را دانلود کند، به جای محتوای فروش، منابع بازاریابی بیشتری را برای او ارسال می کنیم.

رویکرد بدی نبود. اما اساساً حدس زدن در سطح گروه آموزش دیده بود. ما به جای اینکه بفهمیم هر فرد در تلاش است چه کاری انجام دهد، می‌گفتیم: «افراد مثل شما معمولاً این را می‌خواهند».. می خواستیم بهتر از این کار کنیم.

فرضیه: حرکت از گروه ها به افراد

هرچه بیشتر به قابلیت‌های هوش مصنوعی، به ویژه توانایی آن در تجزیه و تحلیل نقاط داده‌ای متعدد و شناسایی الگوها نگاه می‌کردیم، مسیری را برای شخصی‌سازی واقعی یک به یک دیدیم. در مقیاس

بنابراین، از خود پرسیدیم: چه می‌شد اگر هوش مصنوعی به ما کمک کند نه تنها بفهمیم که کسی به چه گروه یا گروهی تعلق دارد، بلکه به ما کمک کند کار خاصی که آنها سعی در انجام آن دارند?

برای مثال، به‌جای ارسال محتوای بازاریابی برای همه «افراد بازاریابی»، ما می‌خواستیم بتوانیم مشخص کنیم که یک مدیر بازاریابی خاص در یک شرکت خاص چه زمانی آماده است تا استراتژی تأثیرگذار خود را برای راه‌اندازی محصول آتی خاص بسازد. از آنجا، می‌توانیم دقیقاً آنچه را که برای آن کار نیاز دارند، برایشان ارسال کنیم.

سفارش بلندی بود… اما ما حاضر بودیم آن را امتحان کنیم.

راه اندازی: ساختن راه حل هوش مصنوعی ما

برای آزمایش فرضیه خود، ابتدا فرآیندی را طراحی کردیم که هوش مصنوعی را قادر می‌سازد کارهایی را انجام دهد که انسان‌ها نمی‌توانند انجام دهند: تجزیه و تحلیل هزاران هدف کاربر در مقیاس و ارائه توصیه‌های متناسب. در اینجا نحوه کار این فرآیند آمده است.

هنگامی که شخصی فرمی را برای دانلود محتوای HubSpot پر می کند، ما چند قطعه کلیدی اطلاعات را جمع آوری می کنیم: URL کسب و کار، اندازه شرکت، و محتوای مورد علاقه او. در حالی که اینها ممکن است مانند نقاط داده اولیه به نظر برسند، در واقع آنها هستند. پایه درک اهداف یک نفر

سپس سیستم هوش مصنوعی ما این ورودی ها را می گیرد و از طریق یک فرآیند خاص اجرا می شود:

1. ابتدا، ما وب سایت تجاری آنها را تجزیه و تحلیل می کنیم تا بفهمیم شرکت آنها چه کاری انجام می دهد.
2. ما به پیشنهاد محتوایی که آنها دانلود کرده اند و سایر اقداماتی که در سایت ما انجام داده اند نگاه می کنیم.
3. هوش مصنوعی ما خلاصه‌ای دقیق از آنچه این شخص احتمالاً در تلاش است انجام دهد ایجاد می‌کند.
4. سپس سیستم محتوای کاملی را برای کمک به آنها تصور می کند – خواه در کتابخانه ما وجود داشته باشد یا نباشد.
5. این محتوای “کامل” با کتابخانه محتوای واقعی ما با استفاده از یک پایگاه داده برداری مقایسه می شود تا نزدیک ترین موارد مطابقت را پیدا کند.
6. در نهایت، هوش مصنوعی پیامی شخصی سازی می کند که دقیقاً توضیح می دهد که چگونه محتوای انتخاب شده به آنها کمک می کند تا به هدف خاص خود دست یابند.

پس از راه اندازی این سیستم، زمان آن رسیده بود که به عقب برگردیم و ببینیم که آیا واقعاً کار می کند یا خیر.

تست کردن، شکست خوردن، یادگیری و تکرار

اگر یک چیز باشد که ما به سرعت یاد گرفتیم، این است که هوش مصنوعی در اولین تلاش آن را ثابت نمی کند.

تلاش اولیه ما بر بهینه سازی کپی ایمیل برای شخصی سازی و جذاب تر کردن آن متمرکز بود. نتایج؟ مه

این اولین یادگیری بزرگ ما بود: “جادو” واقعی در خود ایمیل نیست، بلکه در این است که هوش مصنوعی چگونه می تواند چه چیزی را کاربر پیش بینی کند. در واقع مورد نیاز است.

بنابراین، به تخته طراحی برگشتیم. ما داده‌های آموزشی هوش مصنوعی را اصلاح کردیم و توانایی آن را برای تفسیر رفتار کاربر و حدس زدن کارهایی که باید انجام شود، بهبود دادیم. ما تست کردیم. تکرار کردیم و پس از ماه‌ها دستکاری و تنظیم، بالاخره به نقطه‌ی شیرین رسیدیم.

نتایج و نتایج عملی

نتایج حتی ما را شگفت زده کرد:

• 82% افزایش در نرخ تبدیل
• افزایش +30٪ در نرخ باز
• 50% افزایش در نرخ کلیک

این اعداد چشمگیر هستند – اما آنچه حتی شگفت‌انگیزتر است این است که از دیدگاه عملی چگونه به نظر می‌رسد.

به عنوان مثال، در طول آزمایش، هوش مصنوعی ما سرنخ یک شرکت تولید قهوه سرد ارگانیک را که منابع بازاریابی تأثیرگذار را دانلود کرده بود، تجزیه و تحلیل کرد. سیستم متوجه شد که اخیراً به برنامه ریزی و سازماندهی محتوا علاقه نشان داده اند، به ویژه با نزدیک شدن به فصل زمستان.

از این الگوی رفتاری، هوش مصنوعی استنباط کرد که آنها احتمالاً برای تبلیغات فصلی یا عرضه محصولات جدید آماده می‌شوند.

به جای ارائه صرف محتوای بازاریابی عمومی، سیستم دوره استراتژی محتوای ما را با کپی که به طور خاص برای کسب و کار آنها طراحی شده است، توصیه کرد. این چیزی است که ما ارسال کردیم: “هر جرعه جرعه را به داستانی تبدیل کنید که مجذوب کننده و متحول کننده است.”

این سطح از شخصی سازی – درک هم زمینه کسب و کار و هم اهداف فوری آنها – چیزی است که باعث پیشرفت چشمگیر ما در نتایج شد.

قدرت هوش مصنوعی

چیزی که این آزمایش را واقعاً قابل توجه کرد این بود که ثابت کرد هوش مصنوعی می‌تواند ما را فراتر از شخصی‌سازی اولیه («در اینجا برخی از محتوا برای بازاریابان») به سمت ارتباط شخصی واقعی سوق دهد («در اینجا دقیقاً همان چیزی است که برای کمپین خاص شرکت خاص خود نیاز دارید»).

در حالی که همه افراد کتابخانه محتوای HubSpot یا منابع فنی را ندارند، درس اصلی این است: قدرت واقعی هوش مصنوعی در بازاریابی فقط اتوماسیون نیست، بلکه درک نیازهای مشتری در مقیاس است.

5 نکته تاکتیکی برای گنجاندن هوش مصنوعی در استراتژی بازاریابی

در حالی که حجم عظیم فناوری‌های هوش مصنوعی می‌تواند ترسناک باشد، برای رهبران بازاریابی بسیار مهم است که به روز بمانند و پیاده‌سازی را آغاز کنند. اکنون

برای اینکه یاد بگیرید چگونه هوش مصنوعی را در جریان کاری خود بگنجانید، راهنمای هوش مصنوعی ما برای بازاریابان را دانلود کنید و نکات و بینش های آزمایش ما را در زیر دنبال کنید.

1. از دیروز همین الان شروع کنید.

اگر در آزمایش هوش مصنوعی تردید دارید، دیگر منتظر بمانید. این فناوری کامل نیست، اما این دلیلی برای تأخیر نیست. راه اندازی اکنون به این معنی است که شما در حال یادگیری و پیشرفت خواهید بود در حالی که دیگران هنوز در حال بحث هستند.

2. کاربران خود را در داخل و خارج بشناسید.

هوش مصنوعی فقط به اندازه بینش هایی که بر اساس آن ساخته شده موثر است. در آزمایش خود، ما از همه چیزهایی که در مورد کاربران خود می دانستیم برای درک اهداف آنها استفاده کردیم. هر چه بیشتر به این داده‌های اختصاصی بپردازیم، بهتر می‌توانستیم پیش‌بینی کنیم که هر فرد در تلاش است چه کاری انجام دهد.

3. سرعت را به کمال انتخاب کنید.

کمال بیش از حد ارزیابی می شود – به ویژه در هوش مصنوعی. وقتی این آزمایش را راه اندازی کردیم، می دانستیم که مدل کاملاً بهینه نشده است، اما همچنین می دانستیم که بدون بازخورد دنیای واقعی نمی تواند بهبود یابد. هوش مصنوعی با انجام کار یاد می گیرد و دستیابی آن به دست کاربران برای موفقیت آن بسیار مهم بود.

4. تیم مناسب بسازید.

در آزمایش ما، همکاری بین کارشناسان هوش مصنوعی و متخصصان بازاریابی بسیار مهم بود. در حالی که تیم هوش مصنوعی ما گردش کار را ایجاد کرد و توصیه‌های دقیقی را تنظیم کرد، تیم اتوماسیون ایمیل ما اطمینان حاصل کرد که همه چیز با نیازهای کاربر و اهداف بازاریابی مطابقت دارد. این مشارکت فاصله بین قابلیت فنی و کاربرد عملی را پر کرد.

5. متعهد به بهبود درازمدت باشید.

موفقیت هوش مصنوعی یک شبه اتفاق نمی افتد. برای آموزش این مدل و تنظیم دقیق توانایی آن برای پیش‌بینی دقیق قصد کاربر، ماه‌ها آزمایش طول کشید. بنابراین به یاد داشته باشید، این در مورد دستیابی به کمال قبل از راه اندازی نیست، بلکه در مورد بهبود مستمر است – ارائه مدل به جهان و اصلاح آن بر اساس نتایج واقعی.

برای کسب اطلاعات بیشتر در مورد استفاده از هوش مصنوعی در بازاریابی، قسمت کامل برنامه را بررسی کنید بازاریابی در برابر غلات زیر:

این مجموعه وبلاگ با مشارکت بازاریابی در برابر دانه، پادکست ویدیویی است. این ایده‌ها را عمیق‌تر به ایده‌های مشترک رهبران بازاریابی، کیپ بودنار (مدیر مدیریت مالی HubSpot) و کیران فلانگان (SVP، بازاریابی در HubSpot) می‌پردازد، زیرا آنها استراتژی‌های رشد را باز می‌کنند و از بنیان‌گذاران و همتایان برجسته یاد می‌گیرند.

این خبر را در ایران وب سازان مرجع وب و فناوری دنبال کنید

جهت دانلود و یا توضیحات بیشتر اینجا را کلیک نمایید