Diterjemahkan oleh Virda Risyad
Artificial Intelligence Marketing? Bagaimana Artificial Intelligence bisa mempengaruhi marketing goals secara keseluruhan? Apa saja tantangan serta solusinya?
Melalui teknologi Artificial Intelligence, prediksi dan antisipasi minat dan perilaku dari pelanggan semakin mungkin untuk dilakukan dengan mudah oleh tim marketing. Namun, tim marketing sendiri menghadapi berbagai tantangan dalam pengadopsian teknologi Artificial Intelligence sepenuhnya.
Dengan tidak adanya buku pedoman universal untuk mengintegrasikan data science ke dalam marketing practices, maka beberapa strategi telah dikembangkan untuk menerapkan predictive analytics. Pendekatan-pendekatan tersebut telah membuktikan berbagai tingkat keberhasilan.
Hasil survei Pecan.ai yang dilakukan bersama dengan Wakefield Research mencerminkan situasi yang kompleks ini. Berikut lima temuan utama tentang Keadaan Analisis Prediktif dalam Tren Marketing Tahun 2022.
Artificial Intelligence Serta Hambatannya
Kemampuan Artificial Intelligence dan predictive insights yang diinginkan oleh para marketing leaders saat ini serta kesulitan yang mereka hadapi dalam proses implementasinya.
Dua penggunaan analitik prediktif teratas adalah
- prediksi perilaku pelanggan di masa depan (51%) dan
- prakiraan tren pelanggan (50%).
Tetapi hanya 40% dari responden, menggunakan modeling untuk mengungkap predictive insights ke dalam bisnis mereka dan 49% marketer tidak menggunakan predictive analytics untuk memprediksi perilaku pelanggan sampai ke tingkat individu. Hal ini menyebabkan marketer kehilangan kesempatan untuk memanfaatkan aspek utama dari Artificial Intelligence yang akan sangat berguna untuk meningkatkan keuntungan melalui personalized marketing offers.
- Kemampuan untuk memprediksi churn dan retensi pelanggan (46%),
- Prediksi customer lifetime values (40%),
- Kemampuan untuk mengidentifikasi kemungkinan upsell dan cross-sell (40%).
Temuan ini menyoroti kebutuhan marketer untuk memprediksi perilaku pelanggan di setiap langkah customer journey yang akan berdampak pada berbagai KPI bisnis - mulai dari akuisisi hingga monetisasi dan retensi.
Hambatan utama dalam menggunakan predictive analytics yakni:
- tingginya biaya untuk melakukan data science secara manual (40%),
- bekerja dengan data pelanggan yang tidak terorganisir atau tidak terstruktur (40%)
- data yang terkotak-kotak (siloed) (31%).
- kurangnya pengetahuan teknis internal tim marketing juga menjadi masalah bagi 39% responden.
- kesulitan dalam meyakinkan pimpinan tentang nilai predictive analytics juga berada di posisi yang sama (39%).
Titik Temu Kesepakatan Tim Marketing dan Data yang Sulit Dicapai
Responden survei mengidentifikasi beberapa alasan mengapa proyek data mereka gagal membuat kemajuan dalam meraih marketing goals mereka.
Pemahaman yang berbeda tentang kebutuhan bisnis.
- 40% dari responden survei mengatakan bahwa individu yang membangun predictive model untuk mereka tidak memahami marketing goals.
- 38% dari para marketer ini mengatakan bahwa data scientists tidak mengajukan pertanyaan yang tepat mengenai perilaku pelanggan.
- Lebih dari sepertiga (37%) responden juga menerima model yang dibangun di atas data yang dipilih dengan kurang tepat, yang akan menghasilkan prediksi yang tidak akurat.
Hasil survei ini menyiratkan bahwa proyek yang menyangkut data science sering kali tidak dibangun di atas fondasi yang kuat dari pemahaman bersama mengenai kebutuhan marketing, sasaran, serta data yang relevan.
Pemilihan data yang tidak tepat dan pembuatan model yang lambat.
Waktu merupakan hal yang sangat penting dalam menanggapi tren perilaku pelanggan dan merencanakan marketing campaign yang efektif. Tetapi ketersediaan data scientist dan waktu penyelesaian proyek data science tradisional yang dibuat secara manual tidak dapat mengimbangi kecepatan perubahan tren perilaku pelanggan. Sehingga;
- 42% responden kewalahan dan tidak dapat memenuhi permintaan pasar
- 35% responden mengatakan bahwa predictive modeling yang diminta, terlalu lama untuk dibuat, bahkan kemungkinan penggunaan data yang kurang benar dan lengkap. Singkatnya, model-model tersebut tidak memadai atau kemungkinan sudah tidak relevan ketika dikirimkan ke tim marketing.
Untuk dapat terus memenuhi kebutuhan model terbaru dengan data yang relevan dengan cepat, scalable data solution seperti Delman Data Lab dapat membantu tim data untuk mempercepat proses pembersihan data untuk model yang akan mendukung marketing campaign secara efektif.
Model data yang terabaikan bukan hanya tidak berguna, tetapi juga berbahaya.
Agar bisa terus berguna bagi tim marketing, predictive model harus dipantau secara berkelanjutan, diperbarui secara teratur dengan data-data terbaru, dan disesuaikan sebagaimana mestinya untuk tetap menjaga akurasi data. Tetapi tugas-tugas penting itu tidak selalu terjadi.
- 38% responden berpendapat bahwa data tidak cukup sering diperbarui untuk menjaga model tetap relevan.
- 37% peserta survei mengatakan bahwa model yang dibuat untuk tim mereka tidak pernah diperbarui.
Automasi predictive models sangat penting. Karena predictive models yang tidak diperbarui dapat memberikan prediksi yang tidak akurat, yang akan mengarah ke berbagai konsekuensi negatif.
Model-model tersebut dapat menyesatkan para pengambil keputusan dari tim marketing saat mereka mengevaluasi pilihan-pilihan strategis yang penting, hingga menghasilkan pengeluaran yang tidak diinginkan.
Risiko terburuk dari predictive models yang tidak akurat dapat menyebabkan seluruh tim, marketing dan yang lainnya, kehilangan kepercayaan pada data pelanggan dan kemampuan tim untuk membuat keputusan berdasarkan data.
Alur komunikasi yang lancar antara tim marketing dan tim data terbukti merupakan sebuah tantangan tersendiri. Kesenjangan antara kebutuhan tim marketing (disorot dalam Temuan Utama 1) dan ketidakmampuan mereka untuk mengerjakan predictive modelling menunjukkan kebutuhan akut akan solusi yang dapat memberikan tim marketing lebih banyak automasi dan otonomi untuk melakukan predictive analytics langsung di dalam tim mereka sendiri.
Otonomi predictive analytics dalam internal tim marketing akan memberikan hasil yang jauh lebih baik daripada mengandalkan sumber daya terpusat eksternal atau yang tersedia secara berkala, yang tidak memiliki tujuan dan sasaran sehari-hari yang sama.
Terlepas dari Upaya Tim Data, Banyak Tim Marketing Masih Mengandalkan "Tebakan" Sebagai Pemandu Utama Pembuatan Keputusan
Tebakan tetap terjadi meskipun ada investasi untuk data.
- 8 dari 10 belum menghasilkan hasil yang berhasil menginformasikan proses pengambilan keputusan reguler para marketers dan memandu tindakan mereka.
- Selain itu, separuh dari responden survei mengatakan bahwa kemampuan mereka untuk memprediksi perilaku pelanggan selalu atau sering kali "menebak-nebak." Meskipun perusahaan berenang dalam jumlah data yang banyak, marketers masih merasa mereka membuat keputusan dan membentuk strategi dengan intuisi.
Kurangnya agility menimbulkan kekhawatiran yang tidak pasti.
- Hanya 28% yang mengatakan bahwa responden dapat melakukan penyesuaian dalam seminggu atau kurang,
- Sementara 72% membutuhkan waktu lebih lama dari itu untuk menemukan arah baru.
Meskipun pengumpulan data mungkin terjadi secara konstan, marketers tampaknya berjuang untuk segera menggunakan data baru untuk memandu day-to-day activities mereka.
Dalam kondisi pasar dengan perilaku pelanggan yang terus berkembang, kemampuan untuk merespons dengan cepat melalui predictive analytics yang akurat berdasarkan data terkini sangatlah penting untuk memberikan customer experience yang lebih baik pada setiap tahap customer journey.
Respon yang cepat dapat meningkatkan akuisisi melalui penargetan yang lebih baik dan meningkatkan retensi dengan menerapkan strategi untuk mengatasi churn ketika tanda awal ketidakpuasan terdeteksi.
Meskipun data menyajikan peluang yang sangat besar untuk meramalkan apa yang kemungkinan akan dilakukan pelanggan, masa depan merupakan hal yang bersifat tentatif untuk banyak marketers.
Marketer Menginginkan Dampak Prediksi yang Spesifik untuk KPI
Terdapat beberapa cara untuk meningkatkan kapabilitas Artificial Intelligence untuk tim marketing dan untuk meningkatkan nilai output Artificial Intelligence bagi para pengambil keputusan di agensi marketing. Namun, seperti yang disebutkan dalam poin temuan pertama, meyakinkan marketing leaders untuk membeli added value dari Artificial Intelligence yang lebih dalam bisa menjadi sebuah tantangan.
Wawasan prediktif harus berdampak pada KPI tertentu.
- 62% ingin dapat menggunakan data mereka dalam pengambilan keputusan.
- Artificial Intelligence harus memberdayakan tim marketing untuk "mengekstrak analisis yang paling berdampak dari data tim marketing" (61%).
- 60% marketing leaders mengatakan bahwa mereka ingin Artificial Intelligence "mengungkap KPI yang bersifat spesifik dari data, alih-alih mencari wawasan yang berguna" (61%).
Investasi data dinilai dengan berbagai metrik.
Berikut beberapa metrik yang digunakan di perusahaan untuk mengukur keberhasilan investasi Artificial Intelligence.
- ROI pada pembelian iklan (41%),
- peningkatan KPI churn dan loyalitas (39%), dan
- peningkatan akuisisi pelanggan bernilai tinggi/menguntungkan (36%).
Buktikan ROI Secara Efisien Dengan Pendekatan Artificial Intelligence yang Baru
Semua 250 responden survei menginginkan kemampuan Artificial Intelligence dalam tim marketing mereka, tetapi mereka semua juga menghadapi hambatan yang signifikan. Menunjukkan kinerja sangat penting untuk mempertahankan anggaran dan investasi.
Wakefield Research bersama Pecan.ai bertanya kepada responden survei bagaimana keadaan mereka saat ini ketika mereka mencoba menunjukkan ROI yang dapat diukur untuk kinerja kampanye.
- Untuk 83%, tugas ini setidaknya agak menantang. Namun, mampu menunjukkan value dari upaya ini sangat penting untuk menilai keberhasilan tim marketing dan meyakinkan pimpinan untuk berinvestasi dalam program selanjutnya.
63% dari responden mengatakan bahwa mereka berharap hanya akan mengalami "sedikit" pengurangan pengeluaran untuk investasi yang direncanakan dalam teknologi marketing dan pengukuran data sebagai akibat dari situasi ekonomi. Perusahaan-perusahaan ini akan lebih siap untuk berinovasi dan menggunakan data mereka secara efektif.
Sebanyak 93% responden survei setuju atau sangat setuju bahwa low-/no-code predictive modeling tools sangat berharga untuk automasi predictive insights, termasuk customer churn and lifetime value.
Langkah Selanjutnya
Berdasarkan hasil survei di atas, dapat disimpulkan bahwa tim marketing akan dapat memanfaatkan keunggulan Artificial Intelligence dengan maksimal melalui pengelolaan predictive modeling projects dengan data yang terus diperbarui lansgung di dalam tim marketing itu sendiri.
Hal tersebut dapat diwujudkan dengan scalable low to no code data warehousing tools seperti Delman Data Lab, yang akan mengautomasi pembaruan data konsumen secara berkala agar dapat meraih hasil yang menguntungkan untuk tim marketing Anda, seperti prediksi perilaku pelanggan di masa depan dan prakiraan tren pelanggan melalui predictive analytics.
