Ít hơn 40% các công ty đầu tư vào AI đạt được lợi nhuận từ nó, thường là do một hoặc nhiều lỗi sau: (1) Đặt sai câu hỏi. (2) Không nhận ra sự khác biệt giữa giá trị của việc đúng và sai. (3) Không tận dụng AI để đưa ra các quyết định thường xuyên và chi tiết hơn.
Khi bộ phận marketing của một công ty viễn thông lớn đặt ra mục tiêu giảm bớt tỷ lệ khách hàng rời đi, họ quyết định sử dụng trí thông minh nhân tạo để xác định khách hàng nào có nhiều khả năng rời đi nhất. Được trang bị những dự đoán của AI, họ “tấn công” những khách hàng có nguy cơ bằng các chương trình khuyến mãi để thu hút họ ở lại. Tuy nhiên, nhiều người vẫn ra đi bất chấp các nỗ lực. Tại sao? Các nhà quản lý đã mắc một lỗi cơ bản: Họ đã hỏi thuật toán sai câu hỏi. Mặc dù các dự đoán của AI là tốt, nhưng chúng không giải quyết được vấn đề thực sự mà các nhà quản lý đang cố gắng giải quyết.
Vì sao bạn không thể tận dụng AI vào marketing đúng cách?
Trong các vai trò học thuật, tư vấn và giám đốc không liên tục, chúng tôi đã nghiên cứu và tư vấn cho hơn 50 công ty, xem xét những thách thức chính mà họ phải đối mặt khi tìm cách tận dụng AI trong hoạt động marketing của mình. Công việc này đã cho phép chúng tôi xác định và phân loại các lỗi mà các nhà tiếp thị thường mắc phải nhất với AI và phát triển một khuôn khổ để ngăn chặn chúng.
Căn chỉnh: Không đặt đúng câu hỏi
Mối quan tâm thực sự của các nhà quản lý tại công ty viễn thông không nên là xác định những kẻ đào ngũ tiềm năng; lẽ ra nó phải tìm ra cách sử dụng marketing để giảm bớt tỷ lệ rời bỏ. Thay vì hỏi AI đâu là người có nhiều khả năng rời đi nhất, họ nên hỏi xem mình có thể thuyết phục được những ai ở lại – nói cách khác, những khách hàng nào đang cân nhắc việc “nhảy tàu” sẽ có nhiều khả năng trả lời khuyến mại nhất.
Bất đối xứng: Không nhận ra được sự khác biệt giữa giá trị của việc đúng và cái giá phải trả cho sai lầm
Bạn kỳ vọng các dự đoán của AI phải chính xác nhất có thể. Nhưng điều đó là không cần thiết. Một dự báo xấu có thể cực kỳ tốn kém trong một số trường hợp nhưng ít hơn trong những trường hợp khác. Tương tự, dự báo siêu chính xác cũng chỉ có giá trị trong một số trường hợp nhất định. Người làm marketing – và thậm chí nghiêm trọng hơn, các nhóm khoa học dữ liệu mà họ dựa vào – thường bỏ qua điều này.
Tổng hợp: Không tận dụng được các dự đoán chi tiết
Các công ty tạo ra torrent dữ liệu khách hàng và dữ liệu hoạt động, mà các công cụ AI tiêu chuẩn có thể sử dụng để đưa ra các dự đoán chi tiết, tần suất cao. Nhưng nhiều người làm marketing không khai thác khả năng đó và tiếp tục hoạt động theo các mô hình ra quyết định cũ của họ.
Một trở ngại lớn khác là các nhà quản lý không nắm được mức độ chi tiết và tần suất các quyết định của họ là đúng. Ngoài việc xem xét tốc độ ra quyết định của mình, họ nên hỏi xem liệu các quyết định dựa trên các dự đoán ở cấp độ tổng hợp có nên dựa trên các dự đoán được điều chỉnh kỹ lưỡng hơn hay không.
Khuôn khổ cho sự hợp tác giữa AI và marketing
Nguyên tắc chính để giải quyết những lỗi này chính là giao tiếp. Các nhà quản lý marketing phải thực hiện tốt hơn việc giao tiếp và cộng tác với nhóm khoa học dữ liệu của họ – và hiểu rõ về các vấn đề kinh doanh mà họ đang tìm cách giải quyết.
Chúng tôi đã phát triển một khuôn khổ gồm ba phần sẽ giúp mở ra các đường dây liên lạc giữa nhóm marketing và khoa học dữ liệu. Khuôn khổ này cho phép các nhóm kết hợp chuyên môn tương ứng của họ và tạo ra một vòng phản hồi giữa các dự đoán của AI và các quyết định kinh doanh mà họ muốn thông báo.
Giải quyết sự liên kết. Mục tiêu ở đây là lập bản đồ các mối liên hệ giữa các dự đoán, quyết định và kết quả kinh doanh của AI. Điều đó đòi hỏi phải suy nghĩ về các tình huống giả định. Chúng tôi khuyên các nhóm trả lời các câu hỏi sau:
- Trong một thế giới lý tưởng, bạn sẽ có kiến thức gì để loại bỏ hoàn toàn sự lãng phí và cơ hội bị bỏ lỡ? Dự đoán hiện tại của bạn có phải là một proxy tốt cho điều đó không?
- Đầu ra của AI của bạn có hoàn toàn phù hợp với mục tiêu kinh doanh không?
Giải quyết sự bất đối xứng. Khi đã có một bản đồ rõ ràng liên kết dự đoán của AI với quyết định và kết quả kinh doanh, bạn cần phải định lượng chi phí tiềm ẩn của các lỗi trong hệ thống. Điều đó dẫn đến việc đặt ra câu hỏi: Chúng ta đang sai lệch bao nhiêu so với kết quả kinh doanh mà mình mong muốn, vì kết quả đầu ra của AI không hoàn toàn chính xác?
Sự khác biệt giữa lãng phí và cơ hội bị bỏ lỡ đôi khi rất khó định lượng. Tuy nhiên, ngay cả một ước tính của chi phí không đối xứng cũng đáng được tính toán. Nếu không, các quyết định có thể được đưa ra chính xác dựa trên các dự đoán của AI về một số biện pháp nhưng không chính xác về kết quả với tác động không cân đối đến mục tiêu kinh doanh.
Giải quyết tập hợp. Hầu hết các AI marketing không đưa ra quyết định mới; nó chỉ giải quyết những vấn đề cũ như phân đoạn, nhắm mục tiêu và phân bổ ngân sách. Điểm mới là các quyết định dựa trên lượng thông tin phong phú hơn được thu thập và xử lý bởi AI.
Cách giải quyết vấn đề này là tiến hành hai phân tích. Đầu tiên, nhóm nên xem xét cách thức có thể loại bỏ lãng phí và cơ hội bị bỏ lỡ thông qua các hành động marketing khác có thể là kết quả của các dự đoán được tạo ra.
Loại phân tích thứ hai nên định lượng lợi ích tiềm năng của việc đưa ra các dự đoán AI thường xuyên hơn hoặc chi tiết hơn hoặc cả hai. Ví dụ: tại một nhà bán lẻ, nhóm khoa học dữ liệu đã phát triển AI có thể đưa ra dự đoán hằng ngày về phản ứng đối với các hành động marketing ở cấp độ khách hàng cá nhân, tuy nhiên nhóm marketing của chuỗi đang đưa ra quyết định hàng tuần trên 16 phân khúc khách hàng. Trong khi việc thay đổi cách đưa ra các quyết định rõ ràng sẽ phát sinh chi phí, liệu nhà bán lẻ có thấy rằng lợi ích lớn hơn họ không?
. . .
Marketing cần AI. Nhưng AI cần tư duy marketing để phát huy hết tiềm năng của nó. Điều này đòi hỏi nhóm marketing và khoa học dữ liệu phải đối thoại liên tục để họ có thể hiểu cách chuyển từ một giải pháp lý thuyết sang một cái gì đó có thể thực hiện.
Khuôn khổ mà chúng tôi trình bày ở đây đã được chứng minh là hữu ích để giúp hai nhóm làm việc cùng nhau và tăng hiệu quả từ các khoản đầu tư vào AI. Tuy nhiên, khi người làm marketing và nhà khoa học dữ liệu sử dụng khuôn khổ này, họ phải thiết lập một môi trường cho phép đánh giá minh bạch về hiệu suất và lặp lại thường xuyên về phương pháp tiếp cận – luôn nhận ra rằng mục tiêu không phải là sự hoàn hảo mà là sự cải tiến liên tục.
Nguồn: Why You Aren’t Getting More from Your Marketing AI, HBR Magazine, tháng 7-8/2021
Bài viết liên quan