Bahasa Melayu

AI dalam Aliran Kerja Marketing Ops: Di Mana Ia Berbaloi, Di Mana Ia Menipu Anda

Setiap MAP dan CDP dalam senarai pendek anda kini mendakwa mempunyai "AI lead scoring." Kebanyakannya menghasilkan skor berbentuk ICP yang diam-diam diabaikan oleh demand gen kerana model itu meletakkan ibu seorang SDR lebih tinggi daripada jawatankuasa pembelian Fortune 500. Masalahnya bukan kerana AI tidak berguna dalam operasi pemasaran. Masalahnya ialah piawai untuk "ciri AI" terlalu rendah, dan andalah yang terperangkap menyesuaikan selang keyakinan model dengan apa yang sebenarnya ditutup pada suku tahun lepas.

Jika anda ialah Pengurus Marketing Ops, anda sudah tahu perkara ini. Anda pernah menjadi orang yang pada pukul 11 malam menarik carta penukaran skor-decile-ke-SQL untuk model "ramalan" dan mendapati lengkungnya rata. Anda pernah melihat vendor membentangkan slaid di mana setiap tangkapan skrin mempunyai lencana AI dan tiada satu pun mempunyai set ujian yang ditahan. Anda mengangguk dengan sopan dan kembali membetulkan apa yang AI rosakkan.

Ini ialah panduan untuk orang itu. Bukan tulisan hype, bukan tulisan malapetaka. Sebuah katalog praktikal tentang di mana AI berbaloi mendapat tempat dalam aliran kerja MOps dan di mana ia menipu cukup teruk untuk membakar saluran paip jika anda mempercayainya.

Mengapa MOps memiliki soalan ini

AI muncul di tiga tempat serentak bagi sesebuah organisasi pemasaran, dan andalah satu-satunya peranan yang melihat ketiga-tiganya.

Tempat pertama ialah MAP anda. HubSpot AI, Marketo Predictive, Pardot Einstein. Alat-alat ini memaparkan skor, mengesyorkan masa penghantaran, mencadangkan baris subjek, meramalkan penglibatan. Vendor mengawal model, ciri-ciri, dan irama latihan semula. Anda melihat output dan dakwaan yang kabur tentang ketepatan.

Tempat kedua ialah lapisan CDP dan niat anda. 6sense, Demandbase, Bombora, ZoomInfo Intent. Ini memberitahu anda akaun mana yang "dalam pasaran" berdasarkan penggunaan kandungan pihak ketiga dan resolusi ID. Modelnya legap. Isyaratnya nyata tetapi bising.

Tempat ketiga ialah meja anda sendiri. Claude, ChatGPT, kadangkala Gemini dalam tab pelayar. Analisis kohort, gesaan audit, draf salinan, kerja data penerokaan yang pantas. Inilah AI yang paling berguna dalam timbunan teknologi anda dan tiada sesiapa di syarikat anda mempunyai baris bajet untuknya.

Jualan tidak melihat keseluruhan gambaran ini. Demand gen melihat kempen, bukan infrastruktur. CFO melihat bil, bukan model. Andalah yang perlu memberitahu pimpinan output mana yang patut dipercayai pada pagi Isnin. Jadi anda memerlukan peta yang jelas tentang apa yang berkesan dan apa yang tidak.

Di mana AI benar-benar membantu

Mari kita mulakan dengan kemenangan, kerana ia wujud dan ia bermakna apabila anda mengekalkan jangkaan yang jujur.

Pengayaan niat. Menggabungkan isyarat 6sense atau Demandbase dengan senarai akaun anda dan memaparkan "akaun ini sedang menyelidik kategori ini" ialah peningkatan yang nyata. Data pihak ketiga tidak sempurna, tetapi ia berarah, dan kedudukan AI di atas isyarat mentah melakukan kerja yang baik dalam mengelompokkan tingkah laku yang serupa. Apa yang ia mahir: memberitahu anda akaun sasaran beralih daripada dingin kepada suam. Apa yang ia lemah: memberitahu anda mereka akan membeli pada suku tahun ini. Gunakan niat untuk pengutamaan, bukan ramalan.

Pemeriksaan kewarasan lead scoring. Inilah satu yang kebanyakan pasukan MOps tidak gunakan dan sepatutnya gunakan. Ambil model lead scoring sedia ada anda (yang dilancarkan oleh MAP anda dua tahun lalu dan tiada sesiapa menyentuhnya sejak itu) dan auditkan dengan Claude. Tampalkan logik model itu, tampalkan sampel empat suku tahun lepas Closed-Won dan Closed-Lost, minta ia mencari kebocoran ciri dan ketidaksepakatan susunan-kedudukan. Anda akan dapati bahawa "memuat turun halaman harga" melakukan 80% kerja dan 14 ciri lain hanyalah hingar. Itulah audit yang anda perlukan tiga suku tahun lalu.

Automasi penyahduaan dan kebersihan. Padanan kabur pada skala besar, pengesahan e-mel, penormalan nama syarikat, penggabungan akaun berdasarkan domain serta persamaan firmografik. Inilah kerja yang membosankan, ROI tinggi, risiko rendah di mana AI diam-diam memberikan hasil. ZoomInfo, Clearbit, Demandbase, malah penyahduaan asli HubSpot: kesemuanya kini mempunyai padanan kabur berperisa AI yang benar-benar lebih baik daripada regex yang anda tulis pada tahun 2022. Hidupkannya.

Variasi salinan untuk pemupukan. Baris subjek, teks pratonton, salinan badan tiga variasi untuk urutan pemupukan. Anggap output AI sebagai draf, bukan penghantaran. Corak yang berkesan: maklumkan kepada Claude tawaran, persona, peringkat corong, dan tiga penghantaran lepas anda yang berprestasi tertinggi. Dapatkan lima variasi. Pilih dua untuk ujian A/B/n. AI lemah dalam mengetahui suara jenama anda; ia memadai dalam menghasilkan salinan yang berbeza dari segi struktur dengan lebih pantas daripada penulis manusia.

Pengesanan anomali dalam data corong. Penurunan penukaran minggu ke minggu, lonjakan isian borang, keanehan saluran atribusi, perubahan jumlah MQL yang tidak sepadan dengan perubahan perbelanjaan kempen. Anda boleh mengaturkannya dengan kerja cron yang ringkas dan panggilan Claude API terhadap snapshot corong anda. Ia menangkap perkara yang anda akan perasan dua minggu kemudian apabila VP Pemasaran bertanya mengapa saluran paip lemah.

Setiap perkara dalam senarai ini berkongsi satu sifat: kos kesilapan adalah rendah dan kerjanya berjumlah besar. Itulah titik manis AI dalam MOps. Membosankan, boleh diulang, memaafkan.

Di mana AI rosak

Sekarang mod kegagalan. Ini lebih penting daripada kemenangan kerana kegagalanlah tempat pimpinan paling mahu menggunakan AI.

Dakwaan sebab-akibat. "Kempen ini menyebabkan saluran paip" bukanlah sesuatu yang diketahui oleh model lead scoring atau atribusi. Ia korelasi yang disamarkan sebagai sebab-akibat, kadangkala dengan skor keyakinan dilampirkan untuk drama tambahan. Tiada AI dalam timbunan teknologi anda yang pernah menjalankan eksperimen terkawal. Tiada satu pun mempunyai keadaan kontra-fakta. Apabila vendor berkata model mereka "mengenal pasti kempen yang memacu hasil," mereka maksudkan "menyusun kempen mengikut perkaitan dengan Closed-Won." Itu senarai yang berguna. Ia bukan sebab-akibat. Jangan biarkan CFO menyangkanya begitu.

Kebenaran atribusi. Multi-touch attribution dengan pemberatan AI masih tidak dapat melihat dark social, perbualan jualan, rujukan rakan sebaya, atau sumber yang dilapor sendiri. Pembeli yang mendengar tentang anda di podcast, mencari nama anda tiga minggu kemudian, dan mengklik iklan berbayar dikreditkan sebagai berbayar. Model itu tidak tahu podcast itu wujud. Pemberatan AI ke atas input yang buruk hanyalah input buruk yang yakin. Self-reported attribution pada borang demo lebih jujur daripada alat MTA anda yang berharga $40K setahun, dan itu satu pendirian yang berbaloi dipertahankan habis-habisan.

Pengendalian pengecualian. AI menghalakan kes 95% dengan baik. Yang 5% strategik itulah yang rosak. Lead daripada pengarah Fortune 100 yang menggunakan alamat Gmail peribadi diberi skor sebagai penyelongkar tayar. Akaun yang sudah dingin selama enam bulan tetapi baru sahaja mengupah VP Operations baharu tidak menggerakkan model itu kerana ciri firmografik tidak berubah. Syarikat 80 orang yang menonjol melebihi saiznya dihalakan ke SMB walaupun kes penggunaan mereka adalah peringkat enterprise. Anda perlu membina human-in-the-loop untuk kes-kes ini, dan vendor AI akan memberitahu anda itu permintaan ciri untuk suku tahun depan.

Nuansa ICP. Model itu belajar "saiz syarikat tambah industri tambah tech stack." Ia tidak belajar "mereka baru sahaja mengupah VP Ops" atau "CEO mereka menyiarkan di LinkedIn tentang mahu menyatukan vendor" atau "mereka pelanggan dua tahun lalu dan churn kerana integrasi yang telah kami betulkan sejak itu." Itulah isyarat pembelian sebenar. Model itu mengabaikannya kerana ia tiada dalam set ciri, dan ia tiada dalam set ciri kerana ia sukar untuk ditangkap. ICP ialah sasaran yang sentiasa bergerak dan pemarkahan AI ialah satu snapshot.

Coraknya: AI rosak di tempat kerja yang memerlukan penaakulan sebab-akibat, pertimbangan tentang pengecualian, atau pengetahuan yang hidup di luar data berstruktur. Itulah 20% strategik MOps. 20% yang menentukan sama ada pemasaran adalah pusat kos atau enjin hasil.

Perangkap "AI lead scoring"

Ini layak mendapat bahagiannya sendiri kerana ia adalah ciri AI yang paling banyak dijual secara berlebihan dalam timbunan pemasaran.

Inilah maksud sebenar "predictive lead scoring" dalam kebanyakan MAP: satu regresi logistik pada lebih kurang lapan ciri, dilatih semula setiap suku tahun berdasarkan apa-apa yang CRM anda panggil "Closed-Won." Kadangkala pokok yang dipertingkat kecerunan jika vendor mahu meletakkan "berkuasa ML" pada lencana. Ciri-cirinya yang jelas: paparan halaman, bukaan e-mel, isian borang, permintaan demo, firmografik. Label latihan berselerak kerana data CRM anda berselerak. Irama latihan semula terlalu perlahan untuk menangkap peralihan pasaran.

Ini bukan kritikan terhadap regresi logistik. Regresi logistik memadai. Masalahnya ialah jurang antara apa yang vendor sirat ("AI meramalkan lead mana yang akan ditutup") dan apa yang model lakukan ("menyusun lead mengikut korelasi sejarah dengan label hasil yang bising").

Cara mengauditnya tanpa pasukan sains data:

  1. Tarik MQL 90 hari lepas daripada MAP anda, beserta skornya pada masa MQL.
  2. Gabungkan dengan hasil penukaran SQL sebenar. Adakah wakil menerima? Adakah ia menjadi peluang? Adakah ia ditutup?
  3. Kumpulkan mengikut decile skor. Kira kadar penukaran SQL bagi setiap baldi.
  4. Plotkan. Jika ia lengkung monotonik yang bersih, model itu melakukan kerja yang nyata. Jika ia bising atau rata, model itu sekadar hiasan.

Pemeriksaan kedua: tarik 50 deal Closed-Won teratas anda dari tahun lepas. Apakah skor mereka pada masa MQL? Jika separuh daripadanya di bawah ambang MQL, model anda terlepas deal yang paling penting. Di situlah datangnya setiap cerita "jawatankuasa pembelian Fortune 500 diberi skor sebagai sampah."

Jalankan audit ini setiap tahun. Jalankannya sebelum anda memperbaharui MAP. Jalankannya sebelum anda membenarkan pimpinan menyusun semula penghalaan di sekeliling skor itu. Model ialah alat, bukan kebenaran.

6sense atau Demandbase tambah Claude sebagai satu timbunan

Inilah aliran kerja yang mengatasi apa-apa sahaja yang dijual oleh vendor tunggal.

Platform niat memberitahu anda akaun yang mana berada dalam pasaran. 6sense dan Demandbase kedua-duanya memadai dalam hal ini; pilih yang sudah digunakan oleh pasukan anda, jangan bertukar atas dakwaan ketepatan 3%. Eksport senarai akaun dalam pasaran setiap minggu. Lapiskan data firmografik daripada CRM anda. Lapiskan data penglibatan daripada MAP anda.

Sekarang bahagian yang tiada sesiapa beritahu anda: serahkan set data gabungan itu kepada Claude (atau ChatGPT, tetapi untuk analisis kohort saya cenderung kepada Claude. Lebih sedikit fakta syarikat yang dikhayalkan, lebih baik dalam berkata "data tidak menyokong perkara itu"). Tanya soalan kohort:

"Ini senarai 240 akaun yang ditandakan sebagai dalam pasaran minggu ini, beserta firmografik, skor penglibatan, dan tarikh sentuhan terakhir. Kumpulkan ia ke dalam 4-6 kohort yang bermakna. Bagi setiap kohort, beri saya atribut yang menentukan, langkah yang dicadangkan, dan andaian paling berisiko yang saya buat dengan menganggap mereka sebagai satu kumpulan."

Itu satu gesaan tunggal yang, pada set data yang bersih, memberi anda sesuatu yang lebih berguna daripada tiga hari analisis demand gen. Anda dapat kohort. Anda dapat pengelompokan yang boleh diuji hipotesis. Anda dapat senarai apa yang anda andaikan. Anda kemudian boleh memaklumkan kepada jualan dengan satu helaian dan bukannya eksport 4,000 baris.

Gabungan itu (niat pihak ketiga untuk yang mana, analisis kohort AI untuk mengapa) mengatasi mana-mana satu secara bersendirian. Vendor niat tidak tahu gerak jualan anda. Claude tidak tahu siapa yang sedang menyelidik kategori anda. Bersama-sama mereka membawa anda kepada satu taklimat.

Satu nota tentang kos: aliran kerja ini menelan belanja anda satu kunci Claude API dan satu jam. Tambahan vendor yang menjanjikan perkara yang sama menelan belanja angka lima digit dan tidak mencukupi. Pengiraan ROI tidaklah halus.

Pelan 30 hari

Jika anda membaca ini kerana seseorang di atas anda berkata "apakah strategi AI kita untuk operasi pemasaran" dan anda mempunyai masa sehingga hujung bulan, inilah pelannya.

Minggu 1. Auditkan apa yang anda sudah ada. Senaraikan setiap tempat timbunan teknologi anda mendakwa mempunyai AI. HubSpot AI, Marketo Predictive, lapisan pemarkahan 6sense, AI pengayaan ZoomInfo, "pengutamaan pintar" alat SDR. Tuliskannya. Catatkan dua yang menyentuh hasil paling langsung, biasanya lead scoring dan kedudukan niat. Itulah sasaran audit anda.

Minggu 2. Sahkan satu. Pilih model lead scoring. Jalankan audit penukaran skor-decile-vs-SQL daripada bahagian awal panduan ini. Dokumenkan apa yang anda jumpa. Tulis memo satu halaman: "Model lead scoring kita melakukan/tidak melakukan kerja yang nyata, ini cartanya, ini yang patut kita ubah." Jangan hantar dahulu.

Minggu 3. Tambah satu kes penggunaan baharu daripada senarai kemenangan. Pilihan risiko terendah: automasi penyahduaan jika CRM anda berselerak, atau penjanaan variasi salinan jika demand gen kekurangan kandungan pemupukan. Lebih banyak daya pengungkit tetapi lebih sukar: pengesanan anomali pada data corong menggunakan panggilan Claude API terhadap snapshot mingguan anda. Pilih satu. Laksanakannya.

Minggu 4. Tulis memo. Satu halaman, tiga bahagian: apa yang kita percaya, apa yang tidak, apa yang kita akan beli seterusnya. Kongsi dengan VP Pemasaran dan RevOps. Memo itulah hasil penyerahan. Audit dan kes penggunaan baharu itu ialah buktinya. Pelan mengatasi alasan kosong setiap kali, terutamanya apabila pimpinan baru pulang daripada persidangan dengan pendapat baharu.

Pelan 30 hari ini ialah apa yang membezakan orang MOps yang terus bertahan dalam kitaran AI daripada yang terperangkap mempertahankan dakwaan vendor yang tidak mereka buat.

Pilihan: melalui lensa ACE Framework

Bagi pasukan yang memetakan kerja AI secara formal, ACE Framework memberi anda lima keupayaan (Ingest, Analyze, Predict, Generate, Execute) dan cara untuk melihat di mana pelaburan AI anda berkelompok. Memetakan aliran kerja MOps:

  • Ingest. Data niat daripada 6sense atau Demandbase, pengayaan daripada ZoomInfo atau Clearbit, firmografik yang dinormalkan. AI kukuh di sini.
  • Analyze. Analisis kohort Claude, pengesanan anomali pada data corong, audit lead scoring. Inilah keupayaan yang paling kurang digunakan dalam kebanyakan timbunan MOps.
  • Predict. Lead scoring, pemarkahan peluang, ramalan churn. Penuh dengan amaran. Auditkan setiap tahun.
  • Generate. Variasi salinan, draf e-mel, baris subjek, variasi ujian A/B/n. Anggap sebagai draf.
  • Execute. Automasi penghalaan, penguatkuasaan SLA, pemberitahuan. Nilai yang nyata, tetapi peraturan perniagaan lebih penting daripada AI.

Kebanyakan pasukan MOps melabur berlebihan dalam Predict (kerana vendor menjualnya paling kuat) dan kurang melabur dalam Analyze (kerana tiada lencana untuknya). Membalikkan nisbah itu ialah salah satu langkah berdaya pengungkit tertinggi yang boleh anda lakukan tahun ini.

Apa yang patut ditanya kepada vendor

Satu senarai pendek untuk disimpan dalam telefon anda bagi demo seterusnya:

  1. Tunjukkan saya set ujian yang ditahan. Apakah ketepatan model itu pada data yang ia tidak dilatih?
  2. Apakah ciri yang digunakan oleh model? Berapa kerap ia dilatih semula? Pada data siapa, saya atau kumpulan global?
  3. Apakah lengkung penukaran skor-decile-ke-penukaran pada pelanggan purata anda? Tunjukkan cartanya.
  4. Bolehkah saya mengeksport ramalan model dan menggabungkannya dengan hasil saya? Bagaimana?
  5. Apakah pendirian anda tentang dakwaan sebab-akibat? Adakah model ini mengenal pasti pemacu, atau adakah ia memaparkan korelasi?
  6. Apabila model itu salah, apakah jalan penyelesaiannya? Bolehkah saya menolak? Bolehkah saya melatih semula pada data saya sahaja?

Perhatikan wajah vendor pada soalan pertama. Itulah diagnostiknya.

Kesimpulannya

AI dalam operasi pemasaran ialah pengganda daya pada kerja yang membosankan (kebersihan, penyahduaan, draf salinan, kedudukan niat, pengesanan anomali) dan satu liabiliti pada kerja yang memerlukan penaakulan sebab-akibat: atribusi, pengecualian strategik, nuansa ICP, meramalkan apa yang ditutup. Tugas IC MOps yang bertahan dalam kitaran ini ialah mengetahui yang mana satu dan menyatakannya dengan lantang apabila pimpinan bertanya.

Anda tidak perlu menjadi anti-AI. Anda perlu menjadi anti-sampah. Orang MOps yang boleh memberitahu vendor "tunjukkan saya ujian yang ditahan" tanpa gentar, yang boleh mengaudit model ramalan dalam satu petang, yang boleh menulis memo satu halaman yang menerangkan apa yang patut dipercayai dan apa yang tidak: orang itu memiliki kerjayanya untuk dekad seterusnya. Peranan itu menjadi lebih sukar. Daya pengungkitnya menjadi lebih besar. Piawai untuk "saya menggunakan AI" meningkat setiap suku tahun.

Mulakan dengan audit. Jalankannya pada hari Isnin. Selebihnya menyusul dari situ.

Ketahui Lebih Lanjut