AI dalam Aliran Kerja Growth Marketer

Jam 9:14 pada hari Selasa. Alat SDR baru sahaja menghantar e-mel kepada anda tentang "ejen AI baru untuk pemasaran pertumbuhan." Baris subjeknya menggunakan perkataan buka kunci. Anda belum membukanya. Anda sudah dua puluh minit menyelami tab Claude, menampal CSV yang mengandungi 14,000 peristiwa pendaftaran, memintanya mencari kejatuhan pelik antara langkah tiga dan langkah empat pengaktifan. Ia menemui dua. Satu adalah nyata. Satu lagi adalah anda terlupa menapis pengguna dalaman. Tab itu (yang tiada siapa dalam pasukan nampak, yang tidak muncul dalam sebarang pembentangan penjual) adalah aliran kerja AI anda yang sebenar.

Penerangan tugas Pengurus Pemasaran Pertumbuhan yang anda dapatkan pekerjaan daripadanya mengatakan anda perlu "mahir dalam AI." Tiada siapa memberitahu anda apa maksudnya pada jam 9 pagi pada hari Selasa. Demo penjual membuatnya kedengaran seperti AI adalah butang yang anda tekan untuk menjana, menjalankan, dan menghantar eksperimen yang menang. Realiti adalah lebih kelam dan jauh lebih berguna: AI adalah lima arahan yang anda simpan dalam dokumen Notion, dan disiplin untuk mengetahui bila ia berbohong kepada anda. Itulah jurang yang artikel ini bahas. Perbezaan antara AI penjual (perkara dalam baris subjek e-mel) dan AI aliran kerja (perkara yang sudah ada dalam tab pelayar anda).

Jika anda seorang IC pertumbuhan satu hingga empat tahun dalam peranan di syarikat B2B SaaS atau PLG, ini adalah peta yang jujur. Di mana ia menjimatkan masa anda. Di mana ia secara senyap menghasilkan sampah. Tumpukan yang akan anda jalankan sebenarnya, bukan petak Gartner.

Di mana AI benar-benar membantu

Lupakan senarai ciri. Fikirkan dalam momen: titik-titik tertentu dalam minggu anda di mana menampal konteks ke dalam model mengubah tiga puluh minit berikutnya.

Penjanaan hipotesis. Inilah pembuka kunci terbesar dan yang mendapat liputan penjual paling sedikit. Tampal corong pengaktifan dan lengkung pengekalan kohort minggu keempat anda ke dalam Claude. Tanya: "Apa sepuluh corak paling pelik dalam data ini dan apa yang anda akan uji seterusnya?" Anda akan membuang tujuh cadangan. Ia akan jelas, generik, atau salah. Tiga lagi akan menjadi ujian yang tidak akan anda fikirkan, biasanya kerana ia melintasi sempadan yang pasukan anda secara tersirat telah memutuskan adalah masalah orang lain (dorongan halaman harga yang "urusan pemasaran," gerbang e-mel penglibatan semula yang "urusan kitaran hayat"). AI tidak malu melintasi sempadan. Itulah nilainya.

Varian salinan kitaran hayat. Berikan ia segmen, peristiwa pencetus, salinan versi sebelumnya, dan matlamat. Minta lima varian dalam lima suara. Anda akan simpan satu dan separuh. Itu lebih cepat daripada memberi taklimat kepada penulis salinan selama satu hari untuk e-mel pengaktifan semula hari ketiga yang tidak akan dibaca sesiapa dengan teliti pun. Framing yang jujur: salinan AI baik untuk ekor panjang mesej kitaran hayat di mana ROI marginal varian yang ditulis manusia tidak membenarkan masa kalendar. Ia tidak baik untuk salinan hero pengaktifan atau laman utama anda. Padankan alat dengan pertaruhan.

Pemeriksaan kesihatan analisis kohort. Tampal SQL atau carta itu, tanya "apa yang salah dengan analisis ini." Ini adalah yang paling kerap saya gunakan. Ia menangkap kesilapan jelas sebelum pembacaan: bias kelangsungan hidup dalam lengkung pengekalan anda, bermusim hujung minggu yang tidak anda normalkan, kohort yang ternyata 80 peratus seorang pelanggan besar yang kebetulan mendaftar minggu itu. Anda akan menangkap kebanyakan ini dalam ulasan rakan sebaya akhirnya. AI menangkapnya pada 9:30 berbanding dalam thread Slack pada hari Khamis.

Pemburuan corak tingkah laku dalam data peristiwa. Buang 5,000 baris peristiwa untuk pengguna yang kadar keciciran berbanding pengguna yang dikekalkan, tanya tentang perbezaan. Bukan ramalan. Bukan "ramalkan siapa yang akan kadar keciciran." Pam hipotesis. Outputnya adalah senarai "pengguna yang dikekalkan 4 kali lebih cenderung untuk menjemput ahli pasukan dalam 24 jam pertama," yang kemudian anda pergi sahkan dengan betul dalam alat analitik anda. Anggap AI sebagai perkara yang muncul dengan soalan, bukan perkara yang menjawabnya.

Ringkasan pembacaan. Tukar pembacaan hamparan dua belas tab menjadi siaran Slack tiga perenggan yang Ketua Pertumbuhan akan benar-benar baca. Ini adalah satu tugas yang ChatGPT lakukan dengan baik pada kali pertama. Berikan nama ujian, hipotesis, nombor, dan keputusan. Minta "tiga perenggan, bahasa mudah, pimpin dengan keputusan, tiada jargon." Selesai. Anda baru mendapat lima belas minit kembali, dan mesejnya lebih baik daripada yang anda tulis ketika keletihan pada jam 5 petang.

Lima arahan yang saya simpan dalam Notion

• Pam hipotesis. "Inilah corong pengaktifan dan pengekalan 4 minggu mengikut kohort. Berikan saya 10 corak paling pelik dan satu ujian untuk setiap satu."
• Varian salinan. "E-mel pengaktifan semula hari ke-3. Segmen: . Versi sebelumnya: [Y]. Lima varian dalam lima suara, maksimum 80 patah perkataan setiap satu."
• Pemeriksaan kesihatan SQL. "Inilah SQL dan carta. Apa yang salah dengan analisis ini? Senaraikan lima risiko mengikut keterukan."
• Ringkasan pembacaan. "Keputusan ujian di bawah. Tulis siaran Slack 3 perenggan untuk Ketua Pertumbuhan. Pimpin dengan keputusan. Tiada jargon."
• Pemeriksaan kesihatan kohort. "Inilah lengkung pengekalan. Artifak apa yang boleh menggembungkannya? Kelangsungan hidup, bermusim, kepekatan pelanggan, apa-apa lagi?"

Itulah keseluruhan tumpukan. Lima arahan, satu dokumen Notion.

Di mana AI rosak (dan anda akan mempermalukan diri sendiri)

Separuh lagi daripada "mahir dalam AI" adalah mengetahui bila untuk menutup tab. Model adalah yakin di tempat-tempat yang sepatutnya tidak begitu.

Tuntutan kausal. AI dengan senang hati akan memberitahu anda "e-mel itu menyebabkan peningkatan." Ia tidak boleh mengetahuinya. Ia tidak mempunyai kumpulan penahanan. Ia tidak mempunyai prior tentang pelancaran lain anda minggu itu. Ia akan menghasilkan perenggan yang bersih dan ditulis dengan baik yang mengaitkan peningkatan pengaktifan 12 peratus kepada perubahan salinan, dan anda akan menampal perenggan itu ke dalam pembacaan, dan seseorang dengan latar belakang statistik akan bertanya satu soalan yang menenggelamkan anda. Peraturannya mudah. AI tidak pernah memutuskan sebab akibat. Sentiasa tuntut penahanan, hipotesis yang didaftarkan terlebih dahulu, dan selang keyakinan sebelum apa-apa dihantar sebagai "ini menyebabkan itu."

Nuansa B2B. Model tidak mengetahui pembeli anda adalah CFO dengan kitaran perolehan 90 hari, tiga pemegang kepentingan dalaman, dan ulasan bajet suku tahunan yang jatuh pada hari Khamis. Output dibaca seperti Twitter hack-pertumbuhan DTC, dengan "cipta rasa mendesak," "manfaatkan kekurangan," "tambah pemasa undur." Anda boleh mengajarnya konteks anda dengan arahan sistem yang panjang, tetapi ia akan kembali pada setiap output keempat. Untuk kitaran hayat B2B, anggap AI sebagai penulis salinan junior yang tidak pernah duduk dalam panggilan jualan.

Ramalan pengekalan. Ia akan memasang lengkung dan memproyeksikan pengekalan bulan kedua belas dari data bulan ketiga anda. Lengkung itu salah. Pengekalan ekor panjang hampir tidak pernah mengikuti bentuk yang AI mahu pasang, dan model itu tidak mengetahui perbezaan antara PLG layan diri dan corak pimpinan jualan. Gunakan unjuran kohort asli Mixpanel/Amplitude/PostHog, atau minta pasukan data anda menjalankan model pengekalan yang betul. Bukan LLM.

Takrifan metrik North Star. Jangan sekali-kali biarkan AI memilih metrik anda. Metrik North Star adalah perbincangan strategi dengan CEO, CFO, dan ketua produk anda. Ia bergantung kepada model perniagaan, pembeli, dan kelebihan daya saing. AI tidak mengetahui mana-mana daripada itu. Ia akan mencadangkan "pengguna aktif mingguan" kerana itulah yang kebanyakan artikel dalam data latihannya katakan, dan itulah jenis metrik yang membuat syarikat PLG mengoptimumkan gelung yang salah selama dua suku.

Di mana AI berbohong kepada anda

• Tuntutan kausal. Atribusi yang yakin tanpa penahanan.
• Ramalan pengekalan. Memasang lengkung, memproyeksikan, memanggilnya data.
• Nuansa B2B. Lalai kepada corak hack-pertumbuhan DTC.
• Takrifan metrik North Star. Jangan sekali-kali biarkan model memilih metrik anda.

AI dalam pemperibadian (Mutiny / kandungan dinamik): bila ia berfungsi

Pemperibadian dinamik adalah tempat di mana pembentangan penjual dan realiti aliran kerja adalah paling hampir, tetapi hanya pada skala.

Ia berfungsi apabila tiga perkara adalah benar. Halaman itu mempunyai trafik yang tinggi (bayangkan puluhan ribu lawatan sebulan, bukan ratusan). Segmen adalah jelas dan stabil (industri, saiz syarikat, sumber trafik berbayar, senarai akaun bernama), bukan segmen mikro tingkah laku yang berubah-ubah antara sesi. Dan variannya adalah nyata: titik bukti yang berbeza, tajuk yang berbeza, kajian kes industri yang berbeza. Bukan sekadar menukar nama pertama pembeli ke dalam hero dan menyebutnya sebagai dipersonalisasi.

Ia tidak berfungsi untuk halaman trafik rendah (anda tidak akan mencapai kepentingan), untuk salinan yang rapuh dari segi tatabahasa (8 peratus lawatan mendapat ayat dengan artikel yang salah dan anda kini telah mempersonalisasi dengan cara yang dibaca lebih teruk daripada kawalan), atau untuk e-mel "dipersonalisasi" yang menukar nama pertama dan logo. Jika versi "pemperibadian" anda boleh dilakukan dengan medan gabungan mel, ia bukan pemperibadian, ia adalah medan gabungan mel.

Realiti harga: Mutiny dan Intellimize berharga untuk perusahaan. Ia masuk akal untuk syarikat ARR $20 juta dengan ICP yang jelas dan pasukan pemasaran yang boleh membina kandungan khusus segmen. Ia tidak masuk akal untuk syarikat ARR $2 juta yang laman utamanya mendapat 4,000 lawatan sebulan. Jika penjual mempromosikan pemperibadian dinamik kepada pasukan Siri A, mereka mempromosikan perkara yang salah.

Perangkap "gelung pertumbuhan yang sepenuhnya automatik"

Setiap enam bulan demo penjual berbalik melalui corong: "AI menjana ujian, menjalankannya, membaca hasilnya, menghantar pemenang. Program pertumbuhan anda berjalan sendiri." Dek slaidnya cantik. Diagram itu mempunyai anak panah yang berlingkar kembali ke dirinya sendiri.

Tiga sebab ini berbahaya, mengikut urutan.

Pertama, anda kehilangan pembelajaran institusi. Sebab pasukan anda mahir dalam pertumbuhan dalam lapan belas bulan bukan kerana anda menjalankan lebih banyak ujian; ia adalah kerana orang-orang yang menjalankan ujian membina intuisi tentang pembeli anda, produk anda, dan corak mana yang berlaku secara umum. Automatikkan gelung dan intuisi itu tidak pernah terkompil. Anda akhirnya mempunyai pasukan yang tidak boleh berfungsi tanpa alat itu, menjalankan ujian yang tidak dapat dibaca secara kritikal.

Kedua, gelung menghantar sebelum sesiapa mengaudit hipotesis. Kebanyakan ujian pertumbuhan yang gagal gagal pada peringkat hipotesis, bukan peringkat pelaksanaan. Hipotesis yang buruk yang dihiasi dengan salinan yang baik dan dihantar kepada 50 peratus trafik memerlukan kos lebih banyak daripada nilai marginal menjalankannya. Pertimbangan ("adakah soalan ini berbaloi dijawab?") adalah momen dengan tuas tertinggi dalam keseluruhan eksperimen, dan ia adalah yang tidak boleh anda serahkan kepada orang lain.

Ketiga, gelung mengoptimumkan untuk klik jangka pendek berbanding metrik yang berganda. Sistem pembacaan AI akan memberitahu anda varian menang kerana klik-laluan meningkat. Mereka tidak dapat memberitahu anda bahawa varian itu menarik lead berkualiti rendah yang kadar keciciran pada bulan kedua. Menjelang anda sedar, anda telah menghantar dua belas "pemenang" yang secara kolektif menarik pengekalan turun empat mata.

Growth marketer yang mengautomatikkan diri mereka keluar dari mesyuarat pembacaan juga mengautomatikkan diri mereka keluar dari kenaikan pangkat berikutnya. Kekalkan manusia dalam gelung di mana pertimbangan tinggal: kualiti hipotesis, kriteria pembunuhan, takrifan segmen, apa yang dikira sebagai kemenangan. Biarkan AI melakukan menaip, bukan berfikir.

Tumpukan praktikal (yang saya gunakan sebenarnya)

Tiada petak, tiada lambakan logo. Inilah yang ada dalam pelayar saya:

• Claude (Sonnet untuk harian, Opus untuk konteks besar). Analisis, ulasan SQL, apa-apa di mana saya menampal 5,000 baris atau konteks panjang. Lebih baik daripada ChatGPT untuk "baca ini dengan teliti dan beritahu saya apa yang salah." Di sinilah pemeriksaan kesihatan kohort dan pam hipotesis tinggal.
• ChatGPT. Varian salinan, penulisan semula cepat, sumbang saran baris subjek. Masa pusing lebih cepat untuk tugas pendek. Kawalan nada lebih baik pada salinan berbentuk pengguna akhir. Lebih lemah pada konteks panjang.
• Cursor atau Windsurf. Hanya jika anda menulis SQL atau Python sendiri. Menjimatkan kira-kira 30 peratus pada skrip analisis yang sebaliknya anda akan programkan berpasangan dengan pasukan data. Langkau ini jika anda tidak menulis kod.
• AI asli dalam Amplitude / Mixpanel / PostHog. Ciri "tanya dalam bahasa mudah." Berguna untuk 80 peratus soalan di mana anda sebaliknya akan memfailkan tiket kepada pasukan data. Jangan percayainya pada soalan kausal; ia akan dengan senang hati menjalankan pertanyaan yang kelihatan betul dan memberikan anda jawapan yang salah.
• Mutiny / Intellimize. Hanya pada skala, hanya untuk bahagian atas corong, hanya jika anda mempunyai trafik dan kandungan kreatif khusus segmen. Jika tidak, anda belum bersedia untuk peringkat ini.
• Elakkan: mana-mana alat yang pitchnya adalah "ejen AI yang menjalankan program pertumbuhan anda." Itu adalah butang yang menghantar hipotesis yang tidak diuji terhadap corong anda.

Pilihan: kanta Rangka Kerja ACE

Jika anda mahukan rangka strategik tentang di mana AI sesuai dalam pertumbuhan, Rangka Kerja ACE (Ingest, Analyze, Predict, Generate, Execute) memetakan dengan bersih. AI paling membantu dalam Analyze (pemeriksaan kesihatan kohort, pemburuan corak dalam data peristiwa) dan Generate (varian salinan, senarai hipotesis). Ia paling lemah dalam Predict (ramalan pengekalan dan tuntutan kausal, dua tempat ia yakin dengan salah). Ia neutral pada Ingest dan Execute (masalah perkakas, bukan masalah model). Satu perenggan, itu sahaja. Baca Rangka Kerja ACE jika anda mahu versi lebih mendalam, tetapi untuk aliran kerja harian, kesimpulannya adalah: bergantung pada AI untuk analisis dan penjanaan, tidak pernah untuk ramalan.

Pelan 30 hari untuk menyepadukan AI tanpa merosakkan aliran kerja anda

Kesilapan yang kebanyakan growth marketer buat adalah menganggap "gunakan AI lebih banyak" sebagai masalah penggunaan alat. Ia adalah masalah tabiat. Inilah versi empat minggu.

Minggu 1. Pilih tiga tugas berulang. Bukan sepuluh. Tiga. Ringkasan pembacaan, taklimat salinan kitaran hayat, imbasan kohort mingguan. Bina arahan untuk setiap satu, simpan dalam Notion dengan format input ditetapkan. Jangan cuba mengautomatikkan semua perkara. Matlamat minggu pertama adalah satu arahan yang baik setiap tugas, digunakan sekali.

Minggu 2. Tambah Claude atau ChatGPT ke ulasan pembacaan anda. Sebelum anda menghantar pembacaan, tampal hasil ujian dan analisis ke dalam Claude. Tanya: "Apa yang akan anda tolak balas jika saya membentangkan ini dalam mesyuarat?" Anggap jawapan sebagai ulasan rakan sebaya, bukan injil. Separuh daripada apa yang kembali adalah sampah. Separuh lagi adalah soalan yang seseorang dalam mesyuarat hampir bertanya. Anda akan merasai penjimatan masa menjelang Jumaat.

Minggu 3. Jalankan satu eksperimen di mana AI menjana hipotesis. Pilih calon dari arahan pam hipotesis anda. Jalankan ia sama seperti anda menjalankan ujian lain (hipotesis yang betul, pengiraan MDE, penahanan, pembacaan). Jejaki sama ada hipotesis yang bersumber daripada AI menang pada kadar yang berbeza daripada yang anda jana sendiri. Jawapan yang jujur: kadar serupa, tetapi anda akan menjana 3 kali lebih banyak calon, yang bermaksud tunggakan ujian anda kini lebih besar dan lebih diprioritaskan dengan lebih baik.

Minggu 4. Audit. Buka dokumen Notion. Arahan mana yang menjimatkan masa anda bulan ini? Yang menghasilkan output yang terpaksa anda buat semula? Bunuh yang buruk. Simpan tiga hingga lima, maksimum. Matlamatnya adalah aliran kerja yang lebih tajam, bukan lebih banyak alat. Sesiapa yang memberitahu anda mereka mempunyai 40 arahan yang mereka gunakan setiap minggu sedang berbohong atau dalam iklan penjual.

Baris penutup

Dua perkara untuk dibawa ke Selasa berikutnya.

AI tidak menjadikan growth marketer yang lemah menjadi baik. Ia menjadikan yang baik lebih cepat, dengan menghilangkan cukai menaip pada bahagian-bahagian tugas yang tidak memerlukan pertimbangan. Kemahiran yang berganda bukanlah kejuruteraan arahan. Ia mengetahui soalan mana yang berbaloi ditanya sejak awal, dan itu masih tugas manusia, dari awal hingga akhir.

Ketahui Lebih Lanjut

• Pengurus Pemasaran Pertumbuhan: Templat Penerangan Tugas
• Sehari dalam Kehidupan Growth Marketer
• Reka Bentuk Eksperimen Pertumbuhan dan MDE
• Pengoptimuman Corong Pengaktifan
• Gelung Pengekalan dan Pengaktifan Semula Viral