Jakie są dobre praktyki analizy danych z AI w marketingu i podejmowania dobrze uzasadnionych decyzji? Złota zasada mieści się w jednym zdaniu: traktuj każdy wniosek AI jak hipotezę, dopóki nie możesz pokazać stojących za nim danych. Cała reszta (poprawne postawienie pytania, łączenie źródeł, przegląd zespołowy) służy temu, by tę zasadę stosować bez zamieniania każdej analizy w audyt.
Sprawa dotarła już do umów. Według Digiday agencje wplatają AI do umów ramowych o świadczenie usług klauzula po klauzuli, zamiast je przepisywać. Zmiany uruchamiają trzy rzeczy: klient prosi o dostęp do własnościowego narzędzia AI agencji, klient prosi o dodanie konkretnych zapisów o AI albo w projekcie klienta zaczyna się używać nowego narzędzia opartego na AI. Keri Bruce, partnerka kancelarii Reed Smith, mówi to prosto: „Ostatecznie ludzie chcą ujawnienia. Chcą wiedzieć, jakich narzędzi się używa”.
Wiedza, jakiego narzędzia użyto, to pierwszy krok. Następny, który każdy account director słyszał na spotkaniu, jest bardziej niewygodny: „A skąd to wiemy?”. Jeśli odpowiedź brzmi „AI tak twierdzi”, insight jest wart niewiele, choćby był świetny.
Dlaczego analizy prowadzone przez AI budzą nieufność?
Bo często docierają bez śladu. Uporządkowane podsumowanie, trzy pewne siebie wnioski i żadnej drogi powrotnej do oryginalnych danych. Klient nie jest w stanie ocenić, czy ma przed sobą rzetelną interpretację, czy wiarygodnie brzmiącą syntezę, której nikt nie sprawdził.
Do tego dochodzą silosy. Social listening mieszka u jednego zespołu, dane kampanii u drugiego, CRM po stronie klienta, a reklamy konkurencji jako zrzuty ekranu w prezentacji. AI analizuje tylko to, co jej podasz, więc źródła cząstkowe dają wnioski cząstkowe, a każdy zespół przychodzi na spotkanie z własną wersją rzeczywistości.
Rezultat jest aż nazbyt znany: godziny spędzone na uzgadnianiu liczb, spotkania, na których rozstrzyga się, która liczba wygrywa, i klient, który dla pewności nie ufa żadnej.
Asymetria informacji: problem leżący głębiej
Teoria asymetrii informacji, którą ekonomista George Akerlof spopularyzował słynnym „rynkiem cytryn”, wyjaśnia, co się dzieje, gdy jedna strona wie znacznie więcej niż druga. Kupujący, nie umiejąc odróżnić dobrego od złego, nie ufa niczemu i za wszystko płaci mniej.
AI działa tak samo. Jeśli klient nie widzi, jak powstał wniosek, obniża wartość wszystkich, także dobrych. A moment trudno byłoby wybrać gorszy: według Digiday AI zmniejsza liczbę godzin potrzebnych do pracy i wywraca model rozliczeń agencji oparty na godzinach. Jeśli praca zajmuje mniej godzin i budzi mniej zaufania, marża jest ściskana z obu stron.
Asymetria istnieje też wewnątrz agencji. Analityk wie, jak przeprowadzono analizę; account director nie; zespół kreatywny wie jeszcze mniej. Wyjście jest w obu przypadkach to samo: dzielić się dowodami. Współpraca pokonuje nieefektywność, gdy wszyscy patrzą na te same dane i mogą sprawdzić te same rzeczy.
Co sprawia, że wniosek AI można zweryfikować?
Użyj tej tabeli jako listy kontrolnej, zanim jakakolwiek analiza trafi do klienta.
| Kryterium | Wniosek typu „czarna skrzynka” | Wniosek weryfikowalny |
|---|---|---|
| Pochodzenie | „AI tak twierdzi” | Linki do konkretnych postów, reklam lub rekordów |
| Zakres | Brak źródeł, wolumenu i okresu | Podaje źródła, przeanalizowany wolumen i daty |
| Rozumowanie | Miesza obserwację z interpretacją | Oddziela to, co zaobserwowano, od tego, co wywnioskowano |
| Kwestionowanie | Tylko dowody potwierdzające | Zawiera to, co przeczy wnioskowi lub go zawęża |
| Przegląd | Jedna osoba, bez śladu | Sprawdzony przez strategię, media i obsługę klienta |
| Powtarzalność | Niemożliwy do powtórzenia | Ktoś inny z zespołu dochodzi do tego samego wyniku |
| Na spotkaniu | Bronione autorytetem | Bronione przykładami |
Dobre praktyki analizy danych z AI, krok po kroku
- Zacznij od decyzji, nie od danych. Zapisz pytanie i to, co zrobiłbyś inaczej w zależności od odpowiedzi. Jeśli żadna odpowiedź niczego by nie zmieniła, analiza nie jest Ci potrzebna.
- Zbierz źródła w jednym miejscu. Social listening, reklamy konkurencji, dane kampanii i, jeśli to możliwe, dane klienta. Im mniej rozdrobniona baza, tym mniej stronniczy wniosek.
- Oddziel obserwację od interpretacji. „Wiele komentarzy wspomina o cenie” to obserwacja. „Cena hamuje zakup” to interpretacja. Poproś narzędzie, by przedstawiało je osobno.
- Domagaj się możliwości prześledzenia do oryginalnych danych. Każdy wniosek powinien dać się powiązać z postami, reklamami lub rekordami, które go potwierdzają. W Defy Monitor na przykład każdy wniosek AI prowadzi z powrotem do prawdziwych postów, które za nim stoją, ponieważ strategię odtwarza się wstecz na podstawie tego, co odbiorcy i konkurenci faktycznie publikują, a nie z ankiet.
- Szukaj dowodów przeciwnych. Zapytaj, co przeczy wnioskowi. Jeśli nic się nie znajdzie, bądź podejrzliwy: albo próba jest mała, albo pytanie było sugerujące.
- Zrób przegląd zespołowy przed prezentacją. Piętnaście minut, w których strategia, media i obsługa klienta patrzą na te same przykłady, oszczędza tygodnie nieporozumień.
- Dokumentuj narzędzia, źródła i daty. To dokładnie to, o co według Digiday klienci zaczynają prosić: jakich narzędzi się używa i jak traktowane są ich dane.
Jeśli chcesz zobaczyć, jak ten proces jest zorganizowany, od zbierania danych po odpytywanie ich zespołowo, zajrzyj na platformę Defy.
Jak przełamać silosy danych w agencji?
Nie kolejnym cotygodniowym spotkaniem, lecz wspólną bazą dowodów. Gdy strategia, media, kreacja i obsługa klienta korzystają z tych samych źródeł, spory przestają dotyczyć tego, która liczba jest prawidłowa, a zaczynają dotyczyć tego, co z nią zrobić.
Ogromnie pomaga, jeśli odpytywanie tej bazy nie zależy od jednej osoby. Jeśli dashboardem steruje tylko analityk, silos nadal istnieje; tyle że jest już ludzki. Narzędzia, które pozwalają zadawać danym pytania zwykłym językiem, rozszerzają dostęp, a wraz z nim odpowiedzialność za sprawdzanie.
Co powinno znaleźć się w umowie i prezentacji?
Umowy już się zmieniają. Według Digiday Mile Marker dostosował klauzule dotyczące zarządzania metadanymi, własności intelektualnej w treściach generowanych przez AI i przejrzystości co do używanych narzędzi, a Go Fish w ciągu ostatnich sześciu miesięcy dodał klauzule o brand safety i ochronie danych. Klienci, podsumowuje serwis, chcą wiedzieć, jak przechowywane i wykorzystywane są ich dane, jaki jest nadzór człowieka i jakie narzędzia wchodzą w grę.
Warto wyprzedzić zmiany trzema zobowiązaniami, które nie muszą czekać na kolejne odnowienie umowy:
- Załącznik z dowodami przy każdym dostarczanym materiale, pokazujący źródła i przykłady stojące za każdym wnioskiem.
- Linia nadzoru wskazująca, kto i kiedy przejrzał analizę.
- Inwentarz narzędzi: jakiej AI użyto, do czego i na jakich danych.
Brian Yamada z VML ostrzega w tym samym tekście, że zanim da się napisać standardowy język umowny, trzeba uzgodnić standardową strukturę kosztów AI, i radzi zapewnić elastyczność umożliwiającą powrót do warunków. Do czasu pojawienia się tego standardu przejrzystość jest najlepszą klauzulą, jakiej żadna umowa jeszcze nie zawiera.
