torstai, 21.3.2019, Avainsanat: , , , ,

Tekoäly tuli markkinoinnin automaatioon – mutta mitä hyötyä siitä on?

Salesforce on julkaissut Einstein-tekoälyyn pohjautuvia ominaisuuksia Sales Cloudiin myynnin käyttöön, joten oli vain ajan kysymys, koska näitä tulee myös Pardotin puolelle B2B-markkinoinnin automaatioon. Mutta mitä hyötyä tekoälystä on markkinoinnille?

Salesforce julkaisi viimeisimmän Spring ‘19 -julkaisun yhteydessä Pardot Einsteinin, eli Einstein-tekoälyn ominaisuudet tulevat Salesforcen B2B-markkinoinnin automaatiojärjestelmään. Pardot Einstein -ominaisuudet tulivat nyt saataville Advanced-versioon.

Tässä vaiheessa ominaisuuksia on kolme:

  • Sales Cloudin puolelta tuttu Einstein Lead Scoring
  • Einstein Behavior Scoring
  • Einstein Campaign Insights

Mitä Einstein-tekoäly tekee sinua paremmin?

Tekoälyyn liittyy paljon hypeä, mutta mitä Pardot Einstein tekee sinua paremmin? Puhutaan koneoppimisesta: tässä tilanteessa järjestelmä voi käsitellä valtavat määrät dataa ja päätellä, mitkä seikat vaikuttivat lopputulokseen.

Otetaan esimerkki: kuinka päätellä, että järjestelmään saatu prospekti (eli tunnistettu vierailija, joka on esimerkiksi ladannut oppaan antamalla yhteystietonsa lomakkeen kautta) on valmis myynnin liidiksi? Tässä kolme eri tapaa:

1. Luodaan pisteytykset käsin. Käyttäjä määrittelee, mistä asioista prospekti saa pisteitä. Paljon pisteitä tulee oppaan lataamisesta? Entä paljon hinnoittelu-sivulla vierailusta? Entä jos kävijä vierailee rekrytointisivulla? Kun tietty pistemäärä tulee täyteen, siirtyy prospekti myynnin liidiksi. Tämä on se tapa, jota suurin osa meistä markkinoijista tällä hetkellä käyttää.

On selvää, että ihmisen luomat pisteytykset ovat aina arvauksia, vaikka kriteereitä voidaankin jatkuvasti kehittää. Pisteytyksiin vaikuttavat myös omat ennakko-odotukset: onhan vaivalla kasatun oppaan oltava niin hyvä, että sen lataamalla saa paljon pisteitä. Mutta onko sillä oikeasti mitään merkitystä asiakkaan ostopolulla? Datan avulla pyritään pääsemään irti näistä ennakko-odotuksista ja arvioimaan asioita objektiivisesti.

Datan avulla pyritään pääsemään irti näistä ennakko-odotuksista ja arvioimaan asioita objektiivisesti.

2. Luodaan algoritmi arvioimaan prospekteja. Palkataan data scientist, joka luo mallin siitä, mitkä tekijät vaikuttavat lopputulokseen; tässä tilanteessa prospektin potentiaaliin myynnin liidinä. Käytännössä data scientist ottaa pohjalle vanhaa dataa, rakentaa sen pohjalta prospektin kiinnostavuutta ennustavan algoritmin ja testaa algoritmin sillä osalla datasta, jota ei käytetty algoritmin luomiseen.

Harvalla meistä tosin on mahdollisuutta palkata data scientistiä. Myös mallin päivittäminen pitäisi tehdä aina manuaalisesti.

3. Hyödynnetään valmiiksi rakennettua tekoälyä ja sen itseoppivia algoritmejä. Sen sijaan, että prospektin kiinnostavuudesta kertovan mallin loisi ihminen, voi tekoäly käydä taustalla olevan datan läpi ja päätellä, mitkä tekijät vaikuttavat lopputulokseen. Tämän pohjalta tekoäly voi laskea prospektille esimerkiksi pistemäärän ja kertoa, mitkä tekijät ovat vaikuttaneet tähän pistemäärään.

Tekoälyn yksi hyöty on myös se, että se osaa päivittää itse itseään, eli sen luoma malli muuttuu tilanteen muuttuessa.

Mitä Pardot Einstein sisältää?

Pardot Einsteiniin kuuluu tällä hetkellä kolme ominaisuutta. Kaksi ensimmäistä liittyvät prospektien arviointiin, jota perinteisestikin on tehty kahdella akselilla: henkilöön (ja tämän yritykseen) liittyvät ominaisuudet ja henkilön käyttäytymiseen liittyvä arviointi.

Sales Cloudista tuttu Einstein Lead Scoring arvioi sitä, miten mielenkiintoinen kyseinen prospekti on ominaisuuksiensa puolesta ja antaa arvosanan asteikolla 1-100. Einstein Behavior Scoring taas arvioi prospektin käyttäytymistä: mitä hän on ladannut, millä sivuilla hän on vieraillut jne, ja antaa pisteet tämän pohjalta.

Vielä beta-vaiheessa oleva Einstein Campaign Insights arvioi kampanjoiden tuloksia ja antaa suosituksia tämän pohjalta. Ominaisuus hyödyntää Salesforcen Kampanjat-objektia (campaigns). Sen avulla voi saada käsityksen esimerkiksi siitä, millä toimialalla kyseinen kampanja toimii hyvin – ilman, että dataa joutuu pyörittelemään taulukoissa tai raporteissa.

Tekoälyn avulla parempia tuloksia ja ajansäästöä

Parempien tulosten lisäksi tekoäly myös vapauttaa markkinoinnin aikaa järkevämpään tekemiseen: sen sijaan, että aikaa kuluisi pisteytysmallien hiomiseen tai kampanjadatan pyörittelyyn taulukoissa, voidaan tätä tekemistä automatisoida. Sen sijaan, että käyttäjä jaottelee dataa eri kriteerien pohjalta, jotka voisivat vaikuttaa kampanjan lopputulokseen, Einstein kertoo automaattisesti tulokseen vaikuttaneet seikat

Parempien tulosten lisäksi tekoäly myös vapauttaa markkinoinnin aikaa järkevämpään tekemiseen.

Pardot Einsteinin ominaisuudet laitetaan asetuksista päälle ja määritetään, missä tiedot näytetään. Esimerkiksi Einstein Campaign Insightsin tiedot voidaan näyttää laatikossa kampanjan muiden tietojen yhteydessä ja Behavior Scoringin tiedot taas näkyvät lukuna, jota voidaan hyödyntää missä tahansa, missä muutakin kenttätason dataan voidaan hyödyntää. Tekoälyn käyttöönotto ei siis vaadi isoa erillistä projektia.

Kuten kaikkeen datan hyödyntämisen ja mallien luomisen kohdalla, järjestelmässä on oltava riittävästi dataa, jotta näitä malleja voidaan luoda luotettavasti. Toisaalta hyödyllistä ja hyvälaatuista dataa voi – ja myös kannattaa – kerätä jo nyt, vaikka tekoälyn hyödyntäminen ei olisikaan suunnitelmissa aivan lähitulevaisuudessa.

Jos haluat lisätietoa Pardot Einsteinistä, kannattaa käydä katsomassa Salesforcen pitämän webinaarin tallenne: Pardot Spring ’19 Release: Transform Marketing with AI. Uusimmassa ilmaiseksi ladattavassa Salesforcen ekosysteemin ajankohtaisjulkaisussa Biit Fiidissä lisää uutuuksia viimeisimmästä Salesforcen julkaisusta.

Call to action

Tilaa kuukausittainen uutiskirje!