マーケティングオペレーションのワークフローにおけるAI:本当に役立つ領域と、嘘をつく領域
Turn this article into takeaways for your work.
Each assistant summarizes the article only for you and suggests best practices for your work.
検討中のMAPやCDPはどれも、今や「AIリードスコアリング」をうたっています。しかしその多くは、ICPの形に当てはめたスコアを生み出すだけで、デマンドジェネレーションのチームはそれを静かに無視しています。なぜなら、そのモデルはフォーチュン500の購買委員会よりも、SDRの母親を上位にランク付けするからです。問題は、AIがマーケティングオペレーションで役に立たないということではありません。問題は、「AI機能」と名乗るためのハードルが床に落ちているほど低く、そしてモデルの信頼区間と前四半期に実際に成約した結果を突き合わせる作業を押し付けられるのが、あなた自身だということです。
あなたがマーケティングオペレーションマネージャーなら、このことはすでにご存じでしょう。「予測型」モデルのスコア十分位とSQLコンバージョンの相関グラフを夜11時に引っ張り出し、その曲線が平坦だと気づいた経験があるはずです。すべてのスクリーンショットにAIバッジが付いているのに、ホールドアウトのテストセットがどこにもないベンダーのスライドデッキを眺めたこともあるでしょう。礼儀正しくうなずきながら、AIが壊したものを直す作業に戻ったはずです。
これはそういう方のためのガイドです。誇大広告でもなく、悲観論でもありません。MOpsのワークフローでAIが自らの居場所を勝ち取る領域と、信じれば一気にパイプラインに火を放つほど激しく嘘をつく領域を、実務的に整理したカタログです。
なぜこの問いはMOpsの管轄なのか
マーケティング組織にとって、AIは同時に3つの場所に現れます。そして、その3つすべてを見渡せるのは、あなたという役割だけです。
1つ目はMAPです。HubSpot AI、Marketo Predictive、Pardot Einstein。これらのツールはスコアを表示し、送信タイミングを推奨し、件名を提案し、エンゲージメントを予測します。モデル、特徴量、再学習の頻度はベンダーが管理します。あなたが目にするのは、その出力と、精度に関する曖昧な主張だけです。
2つ目はCDPとインテントレイヤーです。6sense、Demandbase、Bombora、ZoomInfo Intent。これらは、サードパーティのコンテンツ消費とID解決に基づき、どのアカウントが「購入検討中」かを教えてくれます。モデルは不透明です。シグナルは本物ですが、ノイズも多く含まれます。
3つ目はあなた自身のデスクです。Claude、ChatGPT、時にはブラウザのタブで開いたGemini。コホート分析、監査用プロンプト、コピーのドラフト、手早い探索的データ作業。これはあなたのスタックの中で最も有用なAIですが、社内でこれに予算枠を持っている人は誰もいません。
営業はこの全体像を見ていません。デマンドジェネレーションはキャンペーンを見ていて、インフラは見ていません。CFOは請求書を見ていて、モデルは見ていません。月曜の朝、どの出力を信頼すべきかを経営陣に伝えなければならないのは、あなたです。だからこそ、何が機能して何が機能しないのかを冷静に整理した地図が必要なのです。
AIが本当に役立つ領域
まずは成功例から始めましょう。それは確かに存在し、期待値を正直に保てば意味のあるものになるからです。
インテントによるエンリッチメント。 6senseやDemandbaseのシグナルをアカウントリストに結合し、「このアカウントはこのカテゴリを調査中だ」と浮かび上がらせるのは、本物の効果です。サードパーティのデータは完璧ではありませんが、方向性は示してくれますし、生のシグナルの上に重ねるAIのランキングは、似た行動をまとめるのに十分な仕事をします。得意なこと:ターゲットアカウントが冷たい状態から温かい状態に移ったと教えてくれること。苦手なこと:今四半期に購入するかどうかを教えてくれること。インテントは予測ではなく、優先順位付けに使いましょう。
リードスコアリングの妥当性チェック。 これはほとんどのMOpsチームが使っておらず、使うべきものです。既存のリードスコアリングモデル(2年前にMAPが導入して以来、誰も手を付けていないあれ)を取り出し、Claudeで監査してください。モデルのロジックを貼り付け、直近4四半期のClosed-WonとClosed-Lostのサンプルを貼り付け、特徴量のリークやランク順位の不一致を探すよう依頼します。すると、「価格ページをダウンロードした」が仕事の80%を担っていて、残りの14の特徴量はノイズだと分かるはずです。それこそ、3四半期前に必要だった監査です。
重複排除とデータの健全性の自動化。 大規模なあいまい照合、メール検証、企業名の正規化、ドメインとファーモグラフィックの類似性に基づくアカウントの統合。これはAIが静かに成果を出す、退屈で高ROI、低リスクの作業です。ZoomInfo、Clearbit、Demandbase、さらにはHubSpotのネイティブな重複排除まで、いずれも今やAI風味のあいまい照合を備えており、2022年にあなたが書いた正規表現よりも本当に優秀です。ぜひ有効にしてください。
ナーチャリング用のコピーバリエーション。 件名、プレビューテキスト、ナーチャリングシーケンス用の3バリエーション本文。AIの出力は送信用ではなく、ドラフトとして扱いましょう。うまくいくパターン:オファー、ペルソナ、ファネルの段階、そして過去に最も成果の高かった3つの配信内容をClaudeにブリーフします。5つのバリエーションを得ます。A/B/nテスト用に2つを選びます。AIはあなたのブランドボイスを把握するのは苦手ですが、人間のライターよりも速く、構造的に多様なコピーを生み出すのは得意です。
ファネルデータの異常検知。 週次でのコンバージョン低下、フォーム入力の急増、アトリビューションチャネルの異変、キャンペーン支出の変化と一致しないMQL数の変動。これは単純なcronジョブと、ファネルのスナップショットに対するClaude API呼び出しで仕組みを組めます。VP of Marketingが「なぜパイプラインが弱いのか」と尋ねてくる2週間後ではなく、その前に気づくべきことを捉えてくれます。
このリストのすべての項目には共通点があります。間違えたときのコストが低く、作業量が多いということです。それがMOpsにおけるAIのスイートスポットです。退屈で、繰り返しが多く、許容範囲が広い領域です。
AIが破綻する領域
次は失敗のパターンです。これらは成功例よりも重要です。なぜなら、経営陣が最もAIを使いたがるのは、この失敗の領域だからです。
因果関係の主張。 「このキャンペーンがパイプラインを生み出した」というのは、リードスコアリングやアトリビューションのモデルが知り得ることではありません。それは相関を因果に見せかけたものであり、時には演出のために信頼スコアまで添えられています。あなたのスタックにあるAIは、いずれも対照実験を実行していません。どれも反事実(カウンターファクチュアル)を持っていません。ベンダーが「このモデルは収益を牽引しているキャンペーンを特定する」と言うとき、その意味は「Closed-Wonとの関連度でキャンペーンをランク付けする」です。それは有用なリストです。しかし因果関係ではありません。CFOにそう思わせてはいけません。
アトリビューションの真実。 AIで重み付けしたマルチタッチアトリビューションでも、ダークソーシャル、営業の会話、同業者からの紹介、自己申告のソースは依然として見えません。ポッドキャストであなたのことを聞き、3週間後にあなたの社名を検索し、有料広告をクリックした購入者は、有料広告のクレジットとして計上されます。モデルはそのポッドキャストの存在を知りません。質の悪い入力にAIで重み付けをしても、自信満々な質の悪い入力になるだけです。デモフォームの自己申告アトリビューションは、年間4万ドルのMTAツールよりも正直です。そして、それは命を懸けて守る価値のある主張です。
例外処理。 AIは95%のケースのルーティングを問題なくこなします。破綻するのは、戦略的な5%です。個人のGmailアドレスを使ったフォーチュン100企業のディレクターからのリードは、冷やかし客としてスコアリングされます。6か月間冷たかったものの、つい先日新しいVP of Operationsを採用したアカウントは、ファーモグラフィックの特徴量が変わらないため、モデルの針を動かしません。実力以上の働きをする80人規模の企業は、ユースケースはエンタープライズ向けなのに、SMBにルーティングされます。こうしたケースには人間が介在する仕組み(human-in-the-loop)を構築しなければなりませんが、AIベンダーはそれを「来四半期の機能リクエスト」だと言うでしょう。
ICPの機微。 モデルは「企業規模 + 業界 + 技術スタック」を学習します。しかし「彼らはつい先日VP of Opsを採用した」とか「彼らのCEOがベンダーの統合を望むとLinkedInに投稿した」とか「2年前は顧客だったが、その後修正済みの連携問題が原因で解約した」といったことは学習しません。それらこそが、本当の購買シグナルです。モデルはそれらを無視します。なぜなら特徴量セットに含まれていないからです。そして特徴量セットに含まれていないのは、それらを捉えるのが難しいからです。ICPは動く標的であり、AIスコアリングはそのスナップショットにすぎません。
このパターンはこうです。AIは、因果推論、例外に対する判断、構造化データの外側に存在する知識を必要とする作業で破綻します。それがMOpsの戦略的な20%です。マーケティングがコストセンターになるか、収益エンジンになるかを左右する20%です。
「AIリードスコアリング」の罠
これは独立した節に値します。なぜなら、マーケティングスタックの中で最も過剰に売り込まれているAI機能だからです。
ほとんどのMAPで「予測型リードスコアリング」が実際に意味するところはこうです。おおよそ8つの特徴量に対するロジスティック回帰を、CRMが「Closed-Won」と呼ぶものに基づいて四半期ごとに再学習させたもの。ベンダーがバッジに「ML搭載」と付けたい場合は、勾配ブースティング木が使われることもあります。特徴量は分かりきったもの:ページビュー、メール開封、フォーム入力、デモ申し込み、ファーモグラフィック。CRMのデータが乱雑なため、学習ラベルも乱雑です。再学習の頻度は遅すぎて、市場の変化を捉えられません。
これはロジスティック回帰への批判ではありません。ロジスティック回帰は問題ありません。問題は、ベンダーがほのめかすこと(「AIがどのリードが成約するかを予測する」)と、モデルが実際に行うこと(「ノイズの多い結果ラベルとの過去の相関でリードをランク付けする」)との間にあるギャップです。
データサイエンスチームなしで監査する方法:
- MAPから直近90日間のMQLを、MQL時点のスコアとともに抽出します。
- 実際のSQLコンバージョン結果に結合します。担当者は受け入れたか。商談になったか。成約したか。
- スコアの十分位ごとにバケット分けします。各バケットのSQLコンバージョン率を計算します。
- プロットします。きれいな単調増加の曲線なら、モデルは本物の仕事をしています。ノイズが多いか平坦なら、モデルは飾りです。
2つ目のチェック:昨年のClosed-Wonトップ50件の商談を抽出します。それらのMQL時点のスコアは何点だったでしょうか。もし半数がMQLのしきい値を下回っていたなら、あなたのモデルは最も重要な商談を見逃しています。そこから、あらゆる「フォーチュン500の購買委員会がゴミ扱いでスコアリングされた」という話が生まれるのです。
この監査は年に1回実施してください。MAPを更新する前に実施してください。経営陣がスコアを軸にルーティングを再編する前に実施してください。モデルはツールであって、真実ではありません。
6senseまたはDemandbaseとClaudeを組み合わせたスタック
単一のベンダーが売るどんなものよりも優れた、このワークフローを紹介します。
インテントプラットフォームは、どのアカウントが購入検討中かを教えてくれます。6senseとDemandbaseはどちらもこの点で問題なく、すでにチームが使っている方を選びましょう。3%の精度差でわざわざ乗り換える必要はありません。購入検討中アカウントのリストを週次でエクスポートします。CRMからファーモグラフィックデータを重ねます。MAPからエンゲージメントデータを重ねます。
ここからが、誰も教えてくれない部分です。その結合したデータセットをClaudeに渡します(ChatGPTでもよいのですが、コホート分析には私はClaudeを好みます。企業に関する事実の幻覚が少なく、「データはそれを裏付けていません」と言うのが上手だからです)。コホートに関する問いを投げかけます:
「今週、購入検討中とフラグが立った240件のアカウントのリストです。ファーモグラフィック、エンゲージメントスコア、最終接点の日付が含まれています。これらを4〜6個の意味のあるコホートにグループ分けしてください。各コホートについて、定義づける属性、推奨される施策、そしてこれらを1つのグループとして扱うことで私が置いてしまう最もリスクの高い前提を教えてください。」
これは、クリーンなデータセットに対する一回限りのプロンプトで、デマンドジェネレーションの3日分の分析よりも有用な何かを与えてくれます。コホートが得られます。仮説検証が可能なグループ分けが得られます。自分が何を前提としているかのリストが得られます。そして、4,000行のエクスポートではなく、1枚のペーパーで営業にブリーフできるようになります。
この組み合わせ(どのアカウントかにはサードパーティのインテント、なぜかにはAIのコホート分析)は、どちらか単独よりも優れています。インテントベンダーはあなたの営業の動き方を知りません。Claudeは、誰があなたのカテゴリを調査しているかを知りません。両者を組み合わせると、ブリーフまでたどり着けます。
コストについて一言:このワークフローにかかるのは、Claude APIキー1つと1時間です。同じことを約束するベンダーのアドオンは5桁の金額がかかり、期待を下回ります。ROIの計算は、考えるまでもありません。
30日間の計画
上司から「マーケティングオペレーションのAI戦略はどうなっているのか」と言われ、月末までに答えを出さなければならないという理由でこれを読んでいるなら、ここに計画があります。
第1週。すでに持っているものを監査する。 スタックがAIをうたっている場所をすべて洗い出します。HubSpot AI、Marketo Predictive、6senseのスコアリングレイヤー、ZoomInfoのエンリッチメントAI、SDRツールの「スマートな優先順位付け」。書き出します。そのうち最も直接的に収益に触れる2つ(通常はリードスコアリングとインテントのランク付け)に印を付けます。それらが監査の対象です。
第2週。1つを検証する。 リードスコアリングモデルを選びます。このガイドの前半で紹介した、スコア十分位対SQLコンバージョンの監査を実行します。分かったことを文書化します。1ページのメモを書きます:「我々のリードスコアリングモデルは本物の仕事をしている/していない。グラフはこれだ。変えるべきことはこれだ。」まだ送らないでください。
第3週。成功リストから新しいユースケースを1つ追加する。 最もリスクの低い選択肢:CRMが乱雑なら重複排除の自動化、デマンドジェネレーションがナーチャリングコンテンツに飢えているならコピーバリエーション生成。レバレッジは高いが難しい選択肢:週次のスナップショットに対するClaude API呼び出しを使った、ファネルデータの異常検知。1つを選びます。リリースします。
第4週。メモを書く。 1ページ、3つの節:信頼するもの、信頼しないもの、次に買うとしたら何か。VP MarketingとRevOpsに共有します。メモが成果物です。監査と新しいユースケースは、その証拠です。とりわけ経営陣がカンファレンスに参加して意見を持ち帰ってきたとき、計画は毎回、その場しのぎの空論に勝ります。
この30日間の計画こそ、AIサイクルを生き延びるMOps担当者と、自分が言ってもいないベンダーの主張を弁護する羽目になる担当者とを分けるものです。
オプション:ACEフレームワークのレンズを通して
AIの取り組みを正式にマッピングするチームのために、ACEフレームワークは5つの能力(Ingest、Analyze、Predict、Generate、Execute)と、自社のAI投資がどこに集中しているかを見る方法を提供します。MOpsのワークフローにマッピングすると:
- Ingest(取り込み)。 6senseやDemandbaseからのインテントデータ、ZoomInfoやClearbitからのエンリッチメント、正規化されたファーモグラフィック。AIはここでは確かです。
- Analyze(分析)。 Claudeによるコホート分析、ファネルデータの異常検知、リードスコアリングの監査。ほとんどのMOpsスタックで最も活用されていない能力です。
- Predict(予測)。 リードスコアリング、商談スコアリング、解約予測。注意点が多い領域です。年に1回監査しましょう。
- Generate(生成)。 コピーバリエーション、メールのドラフト、件名、A/B/nテストのバリエーション。ドラフトとして扱いましょう。
- Execute(実行)。 ルーティングの自動化、SLAの順守、アラート。本物の価値がありますが、AIよりもビジネスルールの方が重要です。
ほとんどのMOpsチームはPredictに過剰投資し(ベンダーが最も強く売り込むため)、Analyzeに過小投資します(それを示すバッジが存在しないため)。その比率を逆転させることは、今年実行できる最もレバレッジの高い手の1つです。
ベンダーに尋ねるべきこと
次のデモのためにスマートフォンに控えておくべき、短いリストです。
- ホールドアウトのテストセットを見せてください。学習に使われていないデータに対するモデルの精度はどのくらいでしたか。
- モデルはどの特徴量を使っていますか。どのくらいの頻度で再学習されますか。誰のデータ、私のデータかグローバルなプールか、どちらで学習しますか。
- 平均的な顧客でのスコア十分位対コンバージョンの曲線はどうなっていますか。グラフを見せてください。
- モデルの予測をエクスポートし、自分の結果に結合できますか。どうやって。
- 因果関係の主張についてのスタンスは何ですか。このモデルは要因を特定するのですか、それとも相関を浮かび上がらせるだけですか。
- モデルが間違っていたとき、どのような対処手段がありますか。上書きできますか。自分のデータのみで再学習できますか。
質問1のときのベンダーの表情を見てください。それが診断材料です。
結論
マーケティングオペレーションにおけるAIは、退屈な作業(データの健全性、重複排除、コピーのドラフト、インテントのランク付け、異常検知)の効果を何倍にも高める一方で、因果推論を必要とする作業、すなわちアトリビューション、戦略的な例外、ICPの機微、何が成約するかの予測においては、負債になります。このサイクルを生き延びるMOpsの現場担当者の仕事は、どちらがどちらかを見極め、経営陣に問われたときにそれを声に出して言うことです。
反AIである必要はありません。反「粗悪品」であればよいのです。ベンダーに「ホールドアウトのテストを見せてください」とひるまず言えるMOps担当者、午後のうちに予測モデルを監査できる担当者、何を信頼し何を信頼しないかを説明する1ページのメモを書ける担当者。そういう人は、今後10年間、自分のキャリアを自分のものにします。役割は難しくなります。レバレッジは大きくなります。「自分はAIを使っている」と言うためのハードルは、四半期ごとに上がっていきます。
監査から始めてください。月曜に実行してください。残りはそこから続いていきます。
さらに詳しく
Principal Product Marketing Strategist