6 Anwendungsfälle für Marketingautomatisierung, bei denen KI bei der Datenqualität helfen kann

Anmerkung des Herausgebers: Dies ist Teil 2 einer vierteiligen Serie darüber, wie KI in Marketing-Automatisierungsplattformen integriert wird. Teil 1, KI-Marketingautomatisierung: Wie es funktioniert und warum sich Vermarkter darum kümmern sollten, finden Sie hier .

Im Jahr 2023 konzentrierte sich der KI-Hype größtenteils auf Anwendungsfälle für generative KI-Inhalte (Text, Bild, Video). Einige bezweifeln immer noch die endgültigen Auswirkungen der generativen KI, aber die allgemeine Akzeptanz zeigt, dass ein Großteil der Konzentration auf inhaltsorientierte Funktionen gerechtfertigt ist.

Und doch ist eine noch tiefgreifendere Bewegung im Gange: Die Einführung von KI in jede Anwendung der Marketingtechnologie.

Für Martech-Führungskräfte wird die Integration von KI in Kernkomponenten wie CRM und Marketing-Automatisierungsplattformen (MAPs) die Genauigkeit und Produktivität erhöhen. In diesem Rahmen habe ich mich auf das Datenmanagement konzentriert, das von den meisten Marketingleitern ebenfalls als das Fundament des Fundaments angesehen wird.

Datenverwaltung: Der erste (halb-)natürliche Sprachprozess

Vor dem KI-Wendepunkt war das Datenmanagement die früheste Änderung der „natürlichen Sprache“, die das Martech-Wachstum ankurbelte. Wie? Durch die No-Code-Transformation, die es uns ermöglichte, neue Datenbankfelder zu erstellen, ein Privileg, das bisher der IT vorbehalten war. Die Möglichkeit, interne und kundenorientierte Felder zu erstellen, die in Zielseiten und Websites integriert sind, hat das digitale Engagement verändert.

Selbst bei der Automatisierung verlassen wir uns stark auf menschliche Interaktion und Systemschnittstellen, um einen Großteil der Eingaben voranzutreiben. Und trotz benutzerfreundlicherer Tools war die Schulung immer noch ein Hindernis für die Einführung einer (richtigen) Dateneingabe. Frühe KI-Algorithmen wirkten sich auf verschiedene Datenbereinigungsprozesse aus , nachdem Daten falsch eingegeben wurden oder unvollständig waren. Wir alle wussten jedoch, dass es am effizientesten ist, zu verhindern, dass ungenaue Daten in das System gelangen, was nachgelagert zu fehlerhaften Ergebnissen führen würde.

Zur Veranschaulichung verwende ich ein allgemeines Framework – Garbage In, Garbage Out (GIGO).

'Müll in'

1. Daten eingeben

Martech-Führungskräfte schrecken zurück, wenn Benutzer sagen, dass die Eingabe der Daten schwierig sei. Empathie ist verdient, insbesondere wenn sich im Laufe der Zeit Änderungen an der Benutzeroberfläche ergeben haben. (Wenn Sie ein Salesforce-Shop sind und dennoch zu Classic vs. Lightning wechseln, ist das Ihre Empathie-Erinnerung!)

Viele führende Anbieter, darunter Salesforce, haben kürzlich vorhergesagt, dass die „prompte“ Revolution der generativen KI die Benutzeroberfläche für immer verändern wird. Jede Benutzeroberfläche muss jetzt natürliche Sprache verarbeiten, um die Reibung (oder Ausrede, wenn Sie zynisch sind) für Benutzer bei der Dateneingabe zu verringern.

Beispielsweise nutzt ChatSpot (die KI-Schnittstelle von HubSpot) das GPT-Modell in seiner Benutzeroberfläche. (Obwohl ich herstellerunabhängig bin, nutze ich das Tool und werde Beispiele auszugsweise darstellen, da es in der öffentlichen Alpha-Version zum Testen verfügbar ist.)

Beginnen wir mit den Grundlagen – dem Hinzufügen eines neuen Kontakts.

Benutzer müssen sich nicht merken, wo sie in der Standardoberfläche von HubSpot auf „Kontakt hinzufügen“ klicken müssen. Stattdessen verwenden sie eine einfache Eingabeaufforderung wie diese …

In der dreimonatigen Alpha-Phase hat HubSpot außerdem Eingabeaufforderungsvorlagen hinzugefügt, die Aktionen basierend auf allgemeinen Aufgaben auslösen, sodass Sie jetzt aus einer Favoritenliste wie dieser auswählen können.

2. Recherche und Ergänzung von Daten über Personen und Unternehmen

Viele MAPs bezogen grundlegende Kundeninformationen von Websites. KI vereinfacht diese Aufgabe, und jetzt ist eine zusammenfassende Version der Schlüsselprofile zur Erweiterung der Kontaktpersonas oder zur Ergänzung firmografischer Unternehmensinformationen nur einen Augenblick entfernt. Zum Beispiel:

3. In Tabellenkalkulationen eingearbeitet

Laut der Gehalts- und Karriereumfrage 2023 von MarTech verbringen etwa 70 % der Vermarkter mehr als 10 Stunden pro Woche mit der Arbeit an Tabellenkalkulationen. Sie sind grundlegend für Martech-Stacks.

In meiner MarTech-Konferenzpräsentation im März 2023 habe ich darüber gesprochen, dass diese Tools (und ihre Formeln, VLOOKUP-Funktionen usw.) immer noch unsere geheimen Decoder für die Arbeit mit mehreren Datenquellen sind. Bei vielen größeren Teams unterstützt ein hauptberuflicher Datenanalyst diese Bemühungen. Kleinere Teams verfügen oft über einen datenversierten Vermarkter mit Excel-Kenntnissen.

Allerdings ist die Programmierung von VLOOKUP für viele zu technisch. Vermarkter verwenden jetzt generative KI-Eingabeaufforderungen, um Formeln zu erstellen. Mehrere KI-Plug-in-Dienstprogramme fügen von der KI erstellte Eingabeaufforderungen direkt in Tabellenkalkulationen ein.

Diese „No-Code“-Funktionen in natürlicher Sprache werden die leistungsstärksten und am häufigsten verwendeten Ergänzungen sein. Sie werden direkt in grundlegende Wissensarbeitstools eingebettet (z. B. Google Workspace Labs und Microsoft Co-Pilot). Benutzer werden einen KI-Assistenten bitten, Domänen aus E-Mail-Adressen zu extrahieren, Vor-/Nachnamen, Unternehmen usw. herauszuziehen und durch Eingabeaufforderungen in natürlicher Sprache effektiv strukturierte Daten zu erstellen.

„Müll raus“

Wenden wir uns nun der anderen Seite des Spektrums zu: Anwendungsfällen, in denen KI bei der Datenausgabe hilft.

4. Natürlichsprachliche Schnittstellen für Analysen

Das haben wir alle schon durchgemacht. Anstatt auf die Plattform zuzugreifen, werden Sie gebeten, einen Bericht in PowerPoint oder Google Slides zu exportieren. Das Erhalten des Berichts aus der Anwendung über Eingabeaufforderungen in natürlicher Sprache wird eine entscheidende Wende sein.

„Können Sie mir einen Bericht geben, der auf <Füllen Sie die Lücke> basiert?“ wird eine Aufforderung sein, die die Hürde für mehr Menschen senkt, direkt auf Analysen zuzugreifen.

Wenn Benutzer im Laufe der Zeit eher dazu neigen, die Daten einzugeben und zu sehen, dass sie richtig wiedergegeben werden, ist es wahrscheinlicher, dass sie qualitativ hochwertige Einträge bereitstellen. Anstatt das Diagramm zu reparieren, werden die Benutzer es vielleicht an der Quelle reparieren.

5. Integrierte Visualisierungsfunktionen

Die Erstellung von Visualisierungsfunktionen wird ebenfalls erweitert. Wir werden in der Lage sein, die Plattformen über Plug-ins/Schnittstellen zu diesen Visualisierungen aufzufordern.

Wie viele andere warte ich sehnsüchtig auf den Zugriff auf die Code-Interpreterfunktionen von OpenAI. In der Zwischenzeit verfolge ich andere Piloten, darunter Ethan Mollick, der in seinem One Useful Thing-Newsletter einen ersten Einblick in die Funktionen gab – einen Auszug aus seinem letzten Newsletter-Beitrag.

6. Zugängliche Big Data

Alle diese Vorteile bei der Dateneingabe und -ausgabe beschränken sich nicht nur auf die spezifischen Daten, die in CRM/MAP die „Quelle der Wahrheit“ sind.

Da wir die Eintrittsbarriere für weitere Datenquellen gesenkt haben, können die Ergebnisse einer Analyse auf eine Weise mit anderen verknüpft werden, die zuvor nicht berücksichtigt wurde – da andere Datenerweiterungen und ergänzende Attribute durch KI-basierte Eingabeaufforderungen zugänglich sein werden Also.

Um blindes Vertrauen zu vermeiden, sind weiterhin Governance und Schulung erforderlich

Martech-Führungskräfte müssen darauf achten, sich bei der Datenverwaltung und -qualität nicht allein auf KI zu verlassen. Angesichts der Unausgereiftheit der generativen KI-Tools und ihres Potenzials, die Datenqualität zu beeinträchtigen, wenn sie nicht überwacht werden, sollte eine zusätzliche Governance angewendet werden.

Die Herausforderung für das Datenmanagement hat doppelte Auswirkungen. Eingabeaufforderungen übernehmen möglicherweise nicht die Richtlinien Ihrer Organisation zum Zuordnen von Kontakten zu Konten. Möglicherweise müssen erweiterte Eingabeaufforderungen entwickelt werden, die diesen Richtlinien folgen.

Heutzutage führt jeder, der Daten in eine Tabellenkalkulation importiert, nach der Anwendung von Formeln eine Plausibilitätsprüfung durch. Tippfehler können bei Tausenden von Datensätzen zu Problemen führen. Aber eine fehlerhafte, von der KI eingeführte Logik kann Tausende von Datensätzen beschädigen, wenn die Benutzer nicht von Anfang an die entsprechende Eingabeaufforderung erstellt haben.

Was kommt als nächstes? In Teil 3 dieser Serie werde ich mich mit der KI-Einbindung in die MAP-Kampagnenprozesse befassen.