När AI i e-postmarknadsföring kommer på tal börjar de flesta exempel med ämnesraden i ett nyhetsbrev. Det är enkelt och effektivt. I den dagliga verksamheten är det däremot sällan den mest kostsamma delen att skapa en mening. Tiden försvinner i databeredning, segmenturval, sammanställning av innehåll, länkgranskning, testning och utvärdering.
Jag diskuterade ämnet i en intervju för MladýPodnikatel och arbetade med det i projektet DreamROI. Verktygen har förändrats sedan dess, men kärnerfarenheten består: det är klokt att automatisera en upprepningsbar process, inte ansvaret för erbjudandet och kundrelationen.
Tre olika saker ryms under begreppet AI
Generativ AI
Den skapar förslag på ämnesrader, texter och varianter av uppmaningar till handling, eller omvandlar en artikel till ett e-postmeddelande. Den är snabb, men kan hitta på fakta, ändra betydelsen i ett erbjudande eller producera en utbytbar ton. Den passar som medförfattare till det första utkastet och som kritiker, inte som slutlig godkännare.
Regelbaserad automatisering
Den skickar ett meddelande efter registrering, köp, inaktivitet eller en statusändring i CRM-systemet. Den behöver inte innehålla någon modell. Väl utformade regler har ofta större effekt än textgenerering eftersom de reagerar vid rätt tidpunkt.
Förutsägelse och personalisering
En modell kan rangordna produkter eller artiklar för en viss mottagare, uppskatta intresse eller rekommendera en tidpunkt för utskick. Tjänster som Amazon Personalize arbetar med interaktionshistorik och en katalog. Men det innebär data, infrastruktur och löpande utvärdering. Utan tillräckliga signaler gissar modellen bara med stort självförtroende.
Börja med en specifik flaskhals
Jag skulle inte börja med frågan ”Hur får vi in AI i e-postmarknadsföringen?” Jag skulle börja där processen regelbundet förlorar tid eller pengar:
- en redaktör väljer manuellt ut artiklar för flera segment varje vecka,
- säljare glömmer att skicka ett uppföljningsmeddelande efter att någon har laddat ned material,
- en webbutik skickar samma produktordning till alla,
- teamet skapar versioner på flera språk och hinner inte kontrollera dem,
- ingen kan säga vilken automatisering som ger beställningar och vilken som bara skickar.
Därefter kan du välja den enklaste åtgärden. Ibland är det en ny gren i automatiseringen. Andra gånger en bättre dataexport. En modell kommer först när nyttan överstiger kostnaden för implementering och kontroll.
När textgenerering är meningsfull
En generativ modell hjälper mig främst med varianter och omvandling av färdigt källmaterial. Från en godkänd artikel kan den föreslå ett kort nyhetsbrev, tre ämnesrader och texter för olika stadier i relationen. Briefen måste dock innehålla fakta, målgrupp, mål, förbjudna påståenden och exempel på varumärkets tonalitet.
En praktisk process:
- En person väljer erbjudandet, målgruppen och ett mål för e-postmeddelandet.
- Godkänt källmaterial läggs in i briefen, inte en vag begäran om att ”skriva något säljande”.
- Modellen skapar flera tydligt olika varianter.
- En person kontrollerar fakta, pris, villkor, länkar, ton och kontinuitet med sidan.
- De valda varianterna testas mot ett fördefinierat mått.
- Resultatet sparas som en lärdom, inte bara som en vinnande ämnesrad utan sammanhang.
Jag beskriver ett mer detaljerat arbetsflöde i artikeln AI och textskapande i ett företag.
Personalisering kräver data, inte entusiasm
För innehållsrekommendationer behöver du en rimligt beskriven katalog och interaktionshistorik. För att förutsäga utskickstid behöver du tillräckligt många tidigare utskick och öppningar. Mailchimps optimering av utskickstid bygger exempelvis uttryckligen på tidigare kontodata.
Det finns inget enskilt antal besök eller kontakter där AI automatiskt börjar fungera för alla. Det beror på händelsefrekvens, erbjudandets variation, säsong och mål. Med en liten lista kan exakt manuell segmentering vara billigare och mer tillförlitlig än ett eget rekommendationssystem.
Så utvärderar du ett experiment
Antalet öppningar räcker inte. Tekniska förändringar i e-postklienter har också gjort det till ett mindre tillförlitligt mått. Beroende på målet följer du klick, genomförda köp, kvalificerade förfrågningar, avprenumerationer, klagomål och mottagarens långsiktiga värde.
Vid en större åtgärd behåller du en kontrollgrupp. Om alla får det personaliserade e-postmeddelandet kan du inte avgöra om ett standardutskick hade gett samma resultat. A/B-testa en viktig hypotes i taget – inte ämnesrad, erbjudande, tid och lista samtidigt.
Det som måste förbli under mänsklig kontroll
- Strategi och erbjudande: modellen känner inte till den kommersiella prioriteringen om den inte får en.
- Fakta och villkor: en ansvarig person kontrollerar priser, datum, garantier och juridisk text.
- Undantag: en känslig kundgrupp eller krissituation behöver egna regler.
- Varumärkets tonalitet: verktyget kan följa ett mönster, men varumärket måste veta hur det vill uppfattas.
- Samtycke och data: skicka inte personliga, konfidentiella uppgifter eller kunddata till ett offentligt AI-verktyg utan eftertanke.
- Avstängning: automatiseringen måste ha en ansvarig och ett enkelt sätt att stoppa den.
Det enklaste pilotprojektet för ett mindre företag
Välj ett regelbundet nyhetsbrev. Mät hur lång tid förberedelserna tar i dag, hur många fel som återkommer och vilket kommersiellt mått du följer. Låt AI förbereda varianter från en godkänd artikel och en granskningschecklista. Jämför tid, kvalitet, klick och negativa reaktioner efter fyra till sex utskick.
Om tiden bara har flyttats från skrivande till korrigeringar har pilotprojektet misslyckats. Om processen blev snabbare utan att noggrannheten försämrades och människor fick mer relevant innehåll har du skäl att fortsätta. Först därefter skulle jag ta itu med mer komplex personalisering eller integration.
När du inte ska använda AI
Jag skulle inte använda det som en autonom avsändare för känsliga erbjudanden, när godkänt källmaterial saknas eller där ett enda fel kan skada en kund eller anseendet. Det är inte heller meningsfullt att bygga ett förutsägelselager ovanpå ett trasigt CRM-system och inkonsekventa samtyckesregister.
Börja med att få grunderna i e-postmarknadsföring och automatisering på plats; praktiskt arbete med ett system hittar du i guiden till ActiveCampaign. Om du vill välja det första pilotprojektet utifrån den faktiska processen och datan kan du skriva till mig via kontakt.