Резюме
Исследование этого пути с помощью инструментов искусственного интеллекта, особенно пользовательских GPT и агентов, для улучшения маркетинга, ориентированного на рост за счёт клиентов (CLG). Я расскажу об эволюции от использования базового ChatGPT+ для разработки кампаний до экспериментов с более продвинутыми решениями на основе агентов, которые интегрируют актуальные данные через API, подчёркивая их потенциал для демократизации анализа данных и разработки более эффективных персонализированных маркетинговых стратегий.
Автор: Том Свансон, менеджер по взаимодействию в Heinz Marketing
Иногда мне трудно разобраться, как использовать искусственный интеллект. Есть столько заявлений и обещаний, но с чего начать? Конечно, я начал с простого использования ChatGPT Plus для решения базовых задач. Это требует минимальных затрат времени на обучение. Интереснее становится, когда вы начинаете находить варианты использования, например, в маркетинге, ориентированном на рост за счёт клиентов.
Естественным следующим шагом является экспериментирование с пользовательскими GPT и агентами. Об этом и пойдёт речь в этом посте. В своём последнем посте я писал о некоторых уроках, которые я извлёк, используя пользовательские GPT для помощи в разработке кампаний в рамках CLG. Это всё ещё полезно, но моё мышление эволюционировало. Теперь я начинаю изучать агентов, чтобы объединить разрозненные наборы данных.
Давайте поговорим об этом.
Антропоморфизация маркетинговых данных с помощью LLM
В наши дни все говорят, что они «люди данных». Полагаю, в буквальном смысле мы все такие (ДНК и всё такое).
Однако маркетинговые данные часто чрезвычайно трудно осмыслить. Конечно, есть инструменты и процессы, которые действительно помогают. Без сомнения. Однако маркетинговые данные многообразны и отчётливо человечны. Другими словами, они беспорядочны.
Однако LLM предоставляют очень интересную возможность иметь разговорный интерфейс с этими разнообразными наборами данных. Это придаёт новый смысл термину «человек данных». Раньше вам приходилось выделять часы времени, чтобы разбирать смешанные наборы данных, теперь вы можете загрузить эти данные и поговорить с ними на простом, понятном английском языке.
Это, очевидно, очень мощная возможность. Она демократизирует способность анализировать и использовать данные о клиентах в вашей команде. Это делает концепцию смешанных и разнообразных данных менее пугающей. Он находит закономерности и идеи, на поиск которых у человека ушло бы много времени, или, возможно, даже было бы совершенно невозможно в масштабе.
Создание инструментов, которые помогут вам в этом, — отличный шаг для того, чтобы ваша команда могла не только улучшить маркетинг, но и внедрить искусственный интеллект в свои рабочие процессы.
Вот несколько примеров использования:
- Разработка маркетинговых кампаний, ориентированных на клиентов, для охвата определённых моментов жизненного цикла клиента.
- Выявление, понимание и реагирование на риск оттока клиентов.
- Планирование многопоточных кампаний для расширения на другие команды в целевой учётной записи.
- Разработка и/или обновление портретов покупателей и пользователей.
- Адаптация новых членов команды, чтобы помочь им лучше понять ваш рынок.
Существует множество способов сделать это, но давайте поговорим о трёх, к которым у вас, вероятно, есть доступ, в порядке возрастания сложности: базовый ChatGPT+, пользовательские GPT и методы с использованием API (также известные как агенты).
Как всегда, предполагается, что вы действуете этично и осторожно в отношении загрузки данных. Персональные данные, секреты компании и любая другая конфиденциальная информация должны использоваться в соответствии с вашими политиками в отношении данных. Будьте благоразумны.
Базовый ChatGPT+
Если вы только начинаете, это очень простой вариант. Я обычно рекомендую делать это только в качестве проверки концепции, поскольку это быстро надоедает. Однако если вы хотите увидеть, что возможно, и оцениваете более крупные инвестиции, это хороший способ.
Вам нужна версия инструмента Plus, но как только вы сможете загрузить наборы данных, вы готовы к работе. Вот несколько основных инструкций:
- Извлеките любые релевантные данные, которые вы хотите поместить в ChatGPT.
- Очистите эти данные (утомительно, но необходимо).
- Загрузите всё это в ChatGPT.
- Начните разговаривать с ним.
Вы можете сделать это с наборами данных любого размера. Лично я начинал с базовых данных SFDC для построения кампании, но это быстро развивалось. Чем больше данных вы введёте, тем лучше будут ответы.
У этого подхода есть ограничения, например, необходимость частого повторного загрузки, но он даёт вам возможность начать разговаривать со своими данными. Очень полезно для получения ориентировочных идей.
Это то, с чего я начал.
Пользовательские GPT
Я писал об этом в своём последнем посте, и с тех пор я действительно расширил своё использование. Раньше они были в основном для таких вещей, как разработка кампаний. Это всё ещё полезно для этого, но настоящая сила проявляется, когда вы включаете данные в базу знаний.
Большой переход от базового CGPT+ к этому заключается в том, что вы можете обеспечить согласованность разговоров, а затем предоставить этот инструмент своей команде. Рабочий процесс выглядит следующим образом:
- Загрузите очищенные наборы данных, портреты, позиционирование и любые другие соответствующие материалы в базу знаний.
- Напишите подсказки, чтобы проинструктировать GPT о том, как интерпретировать и оформлять данные для пользователей.
- Напишите инструкции о том, как он должен взаимодействовать с пользователями.
Скопируйте ссылку и начните тестирование со своей командой. В этом и заключается реальная польза от использования пользовательского GPT, а не просто в рамках самого ChatGPT: вы можете отправить ссылку своей команде, чтобы каждый мог её использовать. В то время как создателю нужна подписка ChatGPT Plus, любой может использовать её, если у него есть ссылка.
У этого подхода всё ещё есть несколько ограничений, в первую очередь связанных с тем, что набор данных всё ещё статичен. Вам нужно будет добавлять больше данных в базу знаний по мере их появления и обновлять её с некоторой периодичностью. Это не идеальный инструмент, но возможность поделиться этим инструментом с вашей командой с помощью одной подписки ChatGPT Plus — это очень удобно.
Вот совет профессионала: создайте короткий опрос для своей команды после того, как они воспользуются инструментом. Это поможет вам собрать отзывы и улучшить инструмент с течением времени.
Честно говоря, я думаю, что это лучший вариант для большинства пользователей.
Агентский подход
Это то, в чём я новичок, поэтому мой опыт здесь всё ещё развивается. Относитесь к этому скептически.
Это самый продвинутый подход, и, честно говоря, большинству людей он, вероятно, не нужен. Есть, конечно, инструменты, которые сделают это проще и быстрее, но мне нравится разбираться, как всё работает. Вы можете просто захотеть заплатить за что-то.
Ключевое отличие этого метода заключается в том, что это агент, который использует инструменты и может получать доступ к актуальным данным через API.
Плюсы:
- Доступ к актуальным данным через API. Это очень интересно, потому что избавляет от необходимости повторной загрузки.
- Может быть подключён к вашей экосистеме данных, собирая информацию отовсюду, куда вы предоставите ему доступ. Это означает, что вы действительно можете создать гораздо более полного «человека данных».
- Значительно более настраиваемый, поскольку вы можете предоставить агенту больше инструментов для доступа.
Минусы:
- Это технически сложно. Я использую ChatGPT для ускорения программирования, но мне всё равно нужно знать код.
- У API есть риски безопасности. Вам нужно привлечь своих специалистов по безопасности, чтобы оставаться в безопасности.
- Занимает больше времени, чтобы пойти по этому пути. Создание правильных инструментов и предоставление ему возможности отвечать на открытые вопросы — сложная задача.
- Требуется другие платные планы, такие как ChatGPT Platform (если вы хотите использовать CGPT в качестве LLM).
- Требуется пользовательский интерфейс, чтобы быть пригодным для использования вашей командой. Я просто работаю в Jupyter Notebooks, но большинству маркетологов понадобится реальный интерфейс.
В целом, этот подход обеспечивает максимальную гибкость, ответы в режиме реального времени и потенциальное влияние. Я думаю, что создание таких систем должно быть на радаре каждого маркетолога.
Хотя это не недостаток, вы должны знать: для этого нужно иметь хорошую основу данных. Мантра «мусор на входе, мусор на выходе». Хорошим первым шагом будет составление схемы вашей экосистемы данных. Каковы все источники данных о клиентах, которые у вас есть/вы можете получить, где вы их храните и какие характеристики существуют в этих данных? Как только вы это сделаете, вы сможете начать продумывать, как построить агента, который станет вашим «человеком данных».
Это постоянное исследование. Если вы хотите поговорить об этом или узнать, как мы делаем такие вещи с клиентами, пожалуйста, свяжитесь со мной по адресу accelerate@heinzmarketing.com.