Når KI i e-postmarkedsføring nevnes, begynner de fleste eksempler med emnelinjen i et nyhetsbrev. Det er enkelt og effektivt. I den virkelige driften er det imidlertid sjelden det dyreste å lage én setning. Tid forsvinner i dataklargjøring, valg av segmenter, sammensetting av innhold, kontroll av lenker, testing og evaluering.
Jeg diskuterte temaet i et intervju for MladýPodnikatel og arbeidet med det i DreamROI-prosjektet. Verktøyene har endret seg siden da, men kjerneerfaringen består: Det gir mening å automatisere en repeterbar prosess, ikke ansvaret for tilbudet og kunderelasjonen.
Tre ulike ting skjuler seg under begrepet KI
Generativ KI
Den lager forslag til emnelinjer, tekst og handlingsoppfordringer, eller gjør én artikkel om til en e-post. Den er rask, men kan finne på fakta, endre betydningen av et tilbud eller skape en utskiftbar tone. Den egner seg som medforfatter av førsteutkastet og som kritiker, ikke som endelig godkjenner.
Regelbasert automatisering
Den sender en melding etter registrering, kjøp, inaktivitet eller en statusendring i CRM-systemet. Den trenger ikke inneholde noen modell. Godt utformede regler har ofte større effekt enn tekstgenerering fordi de reagerer på riktig tidspunkt.
Prediksjon og personalisering
En modell kan rangere produkter eller artikler for en bestemt mottaker, anslå interesse eller anbefale et tidspunkt for utsending. Tjenester som Amazon Personalize arbeider med interaksjonshistorikk og en katalog. Men det betyr data, infrastruktur og løpende evaluering. Uten tilstrekkelig signal gjetter modellen bare med stor selvsikkerhet.
Start med én konkret flaskehals
Jeg ville ikke startet med spørsmålet «Hvordan putter vi KI inn i e-postmarkedsføringen?» Jeg ville startet der prosessen regelmessig mister tid eller penger:
- en redaktør velger artikler manuelt for flere segmenter hver uke,
- selgere glemmer å sende en oppfølgingsmelding etter at noen har lastet ned materiell,
- en nettbutikk sender alle den samme produktrekkefølgen,
- teamet lager versjoner på flere språk og klarer ikke å holde tritt med kontrollen av dem,
- ingen kan si hvilken automatisering som gir bestillinger, og hvilken som bare sender.
Deretter kan du velge det enkleste tiltaket. Noen ganger er det en ny gren i automatiseringen. Andre ganger er det en bedre dataeksport. En modell kommer først når nytten er større enn kostnadene ved implementering og kontroll.
Når tekstgenerering gir mening
En generativ modell hjelper meg hovedsakelig med varianter og bearbeiding av ferdig kildemateriale. Fra én godkjent artikkel kan den foreslå et kort nyhetsbrev, tre emnelinjer og tekst for ulike stadier i relasjonen. Briefen må imidlertid inneholde fakta, målgruppe, mål, forbudte påstander og eksempler på merkevarens stemme.
En praktisk prosess:
- En person velger tilbudet, målgruppen og ett mål for e-posten.
- Vedkommende legger godkjent kildemateriale inn i briefen, ikke en vag forespørsel om å «skrive noe salgsrettet».
- Modellen lager flere tydelig forskjellige varianter.
- En person kontrollerer fakta, pris, vilkår, lenker, tone og sammenheng med siden.
- De valgte variantene testes mot en forhåndsdefinert måling.
- Resultatet lagres som læring, ikke bare som en vinnende emnelinje uten kontekst.
Jeg beskriver en mer detaljert arbeidsflyt i artikkelen KI og tekstproduksjon i en bedrift.
Personalisering krever data, ikke entusiasme
For innholdsanbefalinger trenger du en rimelig godt beskrevet katalog og interaksjonshistorikk. For å forutsi utsendingstidspunkt trenger du nok tidligere utsendinger og åpninger. Mailchimps optimalisering av utsendingstidspunkt arbeider for eksempel uttrykkelig med tidligere kontodata.
Det finnes ikke ett bestemt antall besøk eller kontakter der KI automatisk begynner å fungere for alle. Det avhenger av hendelsesfrekvens, tilbudets variasjon, sesongvariasjoner og målet. Med en liten liste kan presis manuell segmentering være billigere og mer pålitelig enn ditt eget anbefalingssystem.
Slik evaluerer du et eksperiment
Antall åpninger alene er ikke nok. Tekniske endringer i e-postklienter har også gjort dette til et mindre pålitelig mål. Avhengig av målet bør du følge med på klikk, gjennomførte kjøp, kvalifiserte henvendelser, avmeldinger, klager og mottakerens langsiktige verdi.
Ved et større tiltak bør du beholde en kontrollgruppe. Hvis alle mottar den personaliserte e-posten, kan du ikke vite om en standardutsending ville gitt samme resultat. A/B-test én viktig hypotese, ikke emnelinje, tilbud, tidspunkt og liste samtidig.
Hva som må forbli under menneskelig kontroll
- Strategi og tilbud: Modellen kjenner ikke den kommersielle prioriteten med mindre den får den oppgitt.
- Fakta og vilkår: En ansvarlig person kontrollerer priser, datoer, garantier og juridisk tekst.
- Unntak: En sensitiv kundegruppe eller en krisesituasjon trenger egne regler.
- Merkevarens stemme: Verktøyet kan følge et mønster, men merkevaren må vite hvordan den ønsker å fremstå.
- Samtykke og data: Ikke send personlige, konfidensielle eller kundedata til et offentlig KI-verktøy uten videre.
- Avstenging: Automatiseringen må ha en eier og en enkel måte å stoppe den på.
Den enkleste piloten for en mindre bedrift
Velg ett regelmessig nyhetsbrev. Mål hvor mye tid forberedelsene tar i dag, hvor mange feil som gjentar seg og hvilken kommersiell måling du følger. La KI lage varianter fra en godkjent artikkel og en sjekkliste for gjennomgang. Etter fire til seks utsendinger sammenligner du tid, kvalitet, klikk og negative reaksjoner.
Hvis tiden bare har flyttet seg fra skriving til korrigering, har piloten mislyktes. Hvis prosessen ble raskere uten tap av nøyaktighet, og folk mottok mer relevant innhold, har du en grunn til å fortsette. Først da ville jeg tatt for meg mer kompleks personalisering eller integrasjon.
Når du ikke bør bruke KI
Jeg ville ikke brukt det som en autonom avsender for sensitive tilbud, når godkjent kildemateriale mangler, eller der én feil kan skade en kunde eller omdømmet. Det gir heller ingen mening å bygge et prediksjonslag oppå et ødelagt CRM-system og uensartede samtykkeregistre.
Først bør du få grunnlaget for e-postmarkedsføring og automatisering på plass; praktisk arbeid med ett system finner du i ActiveCampaign-veiledningen. Hvis du vil velge den første piloten ut fra den faktiske prosessen og dataene, kan du skrive til meg via kontakt.