Når AI i e-mailmarketing bliver nævnt, begynder de fleste eksempler med emnelinjen til et nyhedsbrev. Det er nemt og effektivt. I den virkelige drift er det dog sjældent den dyreste del at skabe én sætning. Tiden forsvinder i dataforberedelse, valg af segmenter, sammensætning af indhold, kontrol af links, test og evaluering.
Jeg talte om emnet i et interview til MladýPodnikatel og arbejdede med det i DreamROI-projektet. Siden da har værktøjerne ændret sig, men den grundlæggende erfaring består: Det giver mening at automatisere en gentagelig proces, ikke ansvaret for tilbuddet og kunderelationen.
Tre forskellige ting gemmer sig under betegnelsen AI
Generativ AI
Den skaber forslag til emnelinjer, tekst og call-to-action-varianter eller forvandler én artikel til en e-mail. Den er hurtig, men kan opfinde fakta, ændre betydningen af et tilbud eller skabe en udskiftelig tone. Den egner sig som medforfatter til det første udkast og som kritiker, ikke som den endelige godkender.
Regelbaseret automatisering
Den sender en besked efter registrering, køb, inaktivitet eller en statusændring i CRM-systemet. Den behøver ikke indeholde nogen model. Veldesignede regler har ofte større effekt end tekstgenerering, fordi de reagerer på det rigtige tidspunkt.
Forudsigelse og personalisering
En model kan rangordne produkter eller artikler for en bestemt modtager, estimere interesse eller anbefale et sendetidspunkt. Tjenester som Amazon Personalize arbejder med interaktionshistorik og et katalog. Men det kræver data, infrastruktur og løbende evaluering. Uden tilstrækkelige signaler gætter modellen bare selvsikkert.
Begynd med én konkret flaskehals
Jeg ville ikke begynde med spørgsmålet »Hvordan får vi AI ind i e-mailmarketing?« Jeg ville begynde dér, hvor processen regelmæssigt spilder tid eller penge:
- en redaktør vælger manuelt artikler til flere segmenter hver uge,
- sælgere glemmer at sende en opfølgningsbesked, efter nogen har downloadet materiale,
- en webshop sender den samme produktrækkefølge til alle,
- teamet opretter versioner på flere sprog og kan ikke følge med i kontrollen af dem,
- ingen kan sige, hvilken automatisering der skaffer ordrer, og hvilken der bare sender.
Derefter kan du vælge det enkleste indgreb. Nogle gange er det en ny gren i automatiseringen. Andre gange en bedre dataeksport. En model kommer først på tale, når dens fordel opvejer omkostningerne ved implementering og kontrol.
Hvornår tekstgenerering giver mening
En generativ model hjælper mig hovedsageligt med varianter og med at omdanne færdigt kildemateriale. Ud fra én godkendt artikel kan den foreslå et kort nyhedsbrev, tre emnelinjer og tekst til forskellige stadier af kunderelationen. Briefen skal dog indeholde fakta, målgruppe, formål, forbudte påstande og eksempler på brandets stemme.
En praktisk proces:
- En person vælger tilbuddet, målgruppen og ét formål med e-mailen.
- De indsætter godkendt kildemateriale i briefen, ikke en vag anmodning om at »skrive noget sælgende«.
- Modellen skaber flere tydeligt forskellige varianter.
- En person kontrollerer fakta, pris, vilkår, links, tone og sammenhængen med siden.
- De valgte varianter testes op mod en på forhånd defineret måling.
- Resultatet gemmes som læring, ikke blot som en vindende emnelinje uden kontekst.
Jeg beskriver en mere detaljeret arbejdsgang i artiklen AI og tekstskabelse i en virksomhed.
Personalisering kræver data, ikke begejstring
Til indholdsanbefalinger har du brug for et rimeligt beskrevet katalog og en interaktionshistorik. Til forudsigelse af sendetidspunkt har du brug for tilstrækkeligt mange tidligere udsendelser og åbninger. For eksempel arbejder Mailchimps optimering af sendetidspunkt udtrykkeligt med tidligere kontodata.
Der findes ikke et enkelt antal besøg eller kontakter, hvor AI automatisk begynder at fungere for alle. Det afhænger af hændelsernes hyppighed, tilbuddets variation, sæsonudsving og målet. Med en lille liste kan præcis manuel segmentering være billigere og mere pålidelig end dit eget anbefalingssystem.
Sådan evaluerer du et eksperiment
Det er ikke nok kun at se på åbninger af e-mails. Tekniske ændringer i e-mailklienter har også gjort dem til et mindre pålideligt mål. Afhængigt af formålet skal du følge klik, gennemførte køb, kvalificerede henvendelser, afmeldinger, klager og modtagerens langsigtede værdi.
Ved et større indgreb skal du beholde en kontrolgruppe. Hvis alle modtager den personaliserede e-mail, kan du ikke vide, om en standardudsendelse ville have givet samme resultat. A/B-test én væsentlig hypotese, ikke emnelinje, tilbud, tidspunkt og liste på én gang.
Hvad der skal forblive under menneskelig kontrol
- Strategi og tilbud: modellen kender ikke den kommercielle prioritet, medmindre den får én.
- Fakta og vilkår: en ansvarlig person kontrollerer priser, datoer, garantier og juridisk tekst.
- Undtagelser: en følsom kundegruppe eller krisesituation kræver sine egne regler.
- Brandets stemme: værktøjet kan følge et mønster, men brandet skal vide, hvordan det ønsker at fremstå.
- Samtykke og data: send ikke personlige, fortrolige eller kundedata tilfældigt til et offentligt AI-værktøj.
- Deaktivering: automatiseringen skal have en ansvarlig og en nem måde at stoppe den på.
Det enkleste pilotprojekt for en mindre virksomhed
Vælg ét fast nyhedsbrev. Mål, hvor lang tid forberedelsen tager i dag, hvor mange fejl der gentager sig, og hvilken kommerciel måling du følger. Lad AI forberede varianter ud fra en godkendt artikel og en tjekliste til gennemgang. Efter fire til seks udsendelser sammenligner du tid, kvalitet, klik og negative reaktioner.
Hvis tiden blot er flyttet fra skrivning til rettelser, er pilotprojektet mislykket. Hvis processen blev hurtigere uden tab af nøjagtighed, og folk modtog mere relevant indhold, har du en grund til at fortsætte. Først derefter ville jeg tage fat på mere kompleks personalisering eller integration.
Hvornår du ikke skal bruge AI
Jeg ville ikke bruge det som autonom afsender af følsomme tilbud, hvor godkendt kildemateriale mangler, eller hvor én fejl kunne skade en kunde eller virksomhedens omdømme. Det giver heller ingen mening at bygge et forudsigelseslag oven på et ødelagt CRM-system og inkonsekvente samtykkeregistre.
Få først det grundlæggende i e-mailmarketing og automatisering på plads; du kan finde praktisk arbejde med ét system i ActiveCampaign-guiden. Hvis du vil vælge det første pilotprojekt ud fra den faktiske proces og data, kan du skrive til mig via kontakt.