Kasvusta vastaava varajohtaja sanoo, että suurin riski tekoälyn kanssa on uskoa, mitä data näyttää todistavan

Jon Chang on MyFitnessPalin kasvumarkkinoinnin varatoimitusjohtaja. Aiemmin hänen uransa ulottui IBM Watsoniin, Kickstarteriin ja Klarnaan. Hän on työskennellyt tekoälyn parissa jo kauan ennen kuin siitä tuli valtavirtaa.

Keskustelimme Jonin kanssa ymmärtääksemme, miten tekoäly muuttaa mainontaa. Samalla hän kertoi, mitkä tulotoiminnot kaipaavat kipeästi tekoälyn kokonaisvaltaista uudistamista.

Työskentely tekoälyn parissa ennen kuin se vaikutti kenenkään P&L:ään

Olen Jon Chang, MyFitnessPalin kasvumarkkinoinnin varatoimitusjohtaja, ja keskityn liiketoiminnan tulonmuodostuksen kysyntäpuoleen. Tähän kuuluvat maksettu asiakashankinta, sovelluskaupan konversio sekä kuilun kaventaminen mainoksen lupauksen ja uuden käyttäjän todellisen käyttökokemuksen välillä.

Polkuni tähän tehtävään kulkee IBM Watsonin, Kickstarterin ja Klarnan kautta, ja olen opettanut NYU:ssa operatiivisen työni ohella. Ensimmäisellä työpaikallani on enemmän merkitystä kuin ehkä näyttää, sillä työskentelin kaupallisten tekoälysovellusten parissa aikana, jolloin keskusteluissa keskityttiin siihen, mitä nämä järjestelmät saattaisivat tulevaisuudessa tehdä, ei siihen, mitä ne tekivät kenenkään P&L:lle. Alan siirtymisen seuraaminen tuosta ajasta tähän päivään juurrutti minuun kestävän skeptisyyden aikatauluja kohtaan sekä pysyvän arvostuksen sitä kohtaan, mikä todella päätyy tuotantoon.

Loppuosa tästä polusta johti minut koneohjautuvien kanavien pariin kauan ennen kuin kukaan kutsui niitä tekoälyksi. Ensin tulivat hintatarjoukset, sitten yleisön valinta ja sen jälkeen luovien sisältöjen kierrättäminen; jokainen siirtyi vähitellen pois ihmisten käsistä yksi huutokauppa kerrallaan. Siksi nykyinen kehitys ei tunnu minusta katkokselta, vaan samalta pitkään jatkuneelta kehityssuunnalta, joka tapahtuu nyt kerralla — kyseessä on aidosti erilainen kokemus kuin täysin uuden trendin syntymisen seuraaminen.

Tämä historia opetti minulle, että automaatio on erinomainen optimoimaan korrelaation suuntaan, mutta suhtautuu täysin välinpitämättömästi kausaliteettiin. Järjestelmien kehittyessä kävi yhä selvemmäksi, että inkrementaalisuus — kysymys siitä, aiheuttivatko omat toimesi todella väittämäsi lopputuloksen — oli osa-alue, johon kukaan ei investoinut. Uskon sen olevan edelleen kasvun aliarvostetuin taito, ja sen arvo kasvaa entisestään, kun työkalut tuottavat vakuuttavan näköisiä lukuja yhä nopeammin.

Kirjoitan tästä Kasvumarkkinoinnin pohdintoja -julkaisussa Substackissa.

Rakenne, joka pakottaa esittämään parempia kysymyksiä

MyFitnessPal on kuluttajille suunnattu tilausliiketoiminta, joka on ensisijaisesti mobiilipohjainen ja toimii kategoriassa, jossa asiakashankinta perustuu lähes kokonaan huutokauppapohjaisiin kanaviin ja sovelluskauppojen löydettävyyteen.

Tämä rakenne muovaa kaikkea, koska emme hallinnoi pitkää myyntisykliä emmekä työskentele ostokomitean kautta. Etäisyys mainosnäytöstä maksulliseen konversioon on lyhyt, mikä kuulostaa edulta mutta toimii käytännössä enemmänkin rajoitteena: jokaisessa vaiheessa on yksi yritys ja hyvin vähän mahdollisuuksia korjata heikkoa suoritusta.

Se tarkoittaa myös, että toimimme yhdellä markkinoinnin vaikeimmista mittausympäristöistä, mikä selittää pitkälti sen, miksi inkrementaalisuudesta on tullut ajatteluni keskiö. Monikosketuspisteattribuutio hajoaa aidosti mobiiliympäristöissä, joissa yksityisyyttä on rajoitettu ja suostumusprosentit ovat matalia, minkä vuoksi tämän alan tiimit tukeutuvat sen sijaan inkrementaalisuustestaukseen. Monet organisaatiot pitävät tätä rajoitteena, jonka kanssa on vain tultava toimeen, mutta väittäisin sen olevan pikemminkin pakottava tekijä, joka johtaa parempiin kysymyksiin.

Miten tekoäly muutti mainontaa

Vuosien ajan räätälöidyn kohdesivun rakentaminen jokaiselle mainosteemalle oli niin kallista, että suurin osa liikenteestä ohjattiin yhdelle yleiselle sivulle. Yhdestä aiheesta kertovaa mainosta klikannut henkilö ja toisesta aiheesta kertovaa mainosta klikannut henkilö päätyivät samaan paikkaan. Tämä tarkoitti, että mainos teki huolellisen kohdennuksen, mutta kohdesivu mitätöi tuon työn välittömästi.

Koko alalla muunnelmien tuottamisen kustannus romahti, kun ChatGPT:n ja Clauden kaltaisista työkaluista tuli vakiotyökaluja. Kun muunnelma on halpa, kohdesivun sovittaminen lupaukseen ei enää ole perusteluja vaativa ylellisyys, vaan ilmeinen oletusratkaisu.

Vaikutus on alallamme paremmin dokumentoitu kuin useimmat muut ilmiöt. Yli miljoona Apple Ads -mainosryhmää kattaneessa julkaistussa analyysissä havaittiin, että avainsanoihin sopivalle mukautetulle tuotesivulle ohjanneet mainosryhmät tuottivat 23 % enemmän latauksia kuin oletussivulle ohjanneet mainosryhmät, samalla kulutuksella ja samoilla avainsanoilla.

Keskeinen yksityiskohta on se, millainen vastaavuus toimii. Erillisessä portfolion analyysissä havaittiin, että suurimmat hyödyt saavuttaneet sovellukset ryhmittelevät käyttäjiä aikomuksen eivätkä tuotteen ominaisuuden perusteella. Sivut, jotka on rakennettu oletussivun visuaalisesti uudistetuiksi versioiksi ja joissa on sama kuvakaappausten järjestys sekä sama ensimmäinen koukku, muuttuvat tuskin lainkaan. Tämä on keskeinen oppi: kielimalli tekee yhden idean neljänkymmenen version tuottamisesta triviaalin tehtävän, mutta siitä on lähes olemattomasti hyötyä, ellei aikomusten ymmärtäminen tule ensin.

Lisäisin vielä — ja uskon, että tämä osa jää usein väliin — ettei millään tästä ole paljonkaan arvoa, ellet pysty määrittämään, aiheuttiko muutos kasvun. Alustan ilmoittamat luvut näyttävät vastaavalle sivulle ohjattaessa lähes aina hyviltä, koska ohjaat parempaa liikennettä parempaan kokemukseen, eivätkä raportit pysty erottamaan näitä vaikutuksia toisistaan. Ainoa tapa tietää on verrata tulosta kontrolliryhmään. Se on hitaampaa ja huomattavasti vähemmän tyydyttävää, mutta se on ainoa vastaus, jota itse puolustaisin.

Missä tekoäly loistaa ja missä ihmisiä tarvitaan

Tekoälyllä on tässä vaiheessa merkittävä rooli monissa asioissa, vaikkakaan ei täysin omasta tahdostamme. Tekoäly hoitaa nyt hintatarjousten ja budjetin optimoinnin alustoilla, koska manuaaliset säätömahdollisuudet on suurelta osin poistettu. Sen lisäksi tekoälyn hyödylliset sovellukset meille liittyvät synteesiin, eivät tuotantoon.

ChatGPT:n ja Clauden päälle rakennetut agentit ovat erinomaisia ottamaan suuren määrän sekavaa markkinatietoa ja palauttamaan sen muodossa, jota ihminen voi tulkita. Kategorioiden kysynnän muutokset, kilpailijoiden liikkeet sekä Sensor Towerin, AppTweakin ja Appfiguresin kaltaisten alustojen tarjoamat näkemykset muuttuvat paljon käyttökelpoisemmiksi, kun tekoäly voi lukea niitä ristiin ja tiivistää muutokset. Tämä lyhentää signaalin ilmaantumisen ja päätöksenteon välistä aikaa, ja huutokauppapohjaisessa liiketoiminnassa tällä ajalla on suora kustannus.

Kolme asiaa pysyvät tiukasti ihmisille kuuluvalla puolella.

Ensinnäkin päätämme, mitä testataan ja miksi, koska kone optimoi kysymyksen sisällä mutta sillä ei ole näkemystä siitä, mikä kysymys on esittämisen arvoinen, ja tämä valinta ratkaisee, merkitseekö mikään muu.

Toiseksi määrittelemme, mitä pidetään onnistumisena. Lähes jokainen näkemäni pettymyksen tuottanut tekoälytulos on jäljitettävissä sijaismittariin, joka pysyi hyvänä, vaikka taustalla oleva ongelma ei muuttunut. McKinsey havaitsi, että 88 % organisaatioista käyttää tekoälyä säännöllisesti vähintään yhdessä toiminnossa, mutta vain 39 % raportoi mitattavissa olevan vaikutuksen liiketulokseen ennen korkoja ja veroja. Väittäisin, että tämä ero on määrittelyongelma, ei käyttöönotto-ongelma.

Kolmanneksi, ja tästä pitäisin kaikkein tiukimmin kiinni, on kausaalinen tulkinta. Emme automatisoi inkrementaalisuuden arviointia, enkä halua automatisoida sitä. Brändi- ja teholiftitutkimukset suoritetaan natiivisti mainosalustojen sisällä; maantieteellisten verrokkialueiden tuloksia verrataan alustojen tietoihin mobiilimittauskumppanin tietojen rinnalla; ja kaiken tämän päälle tehtävä analyysi on tarkoituksellisesti ihmisten tekemää. Sen ratkaiseminen, onko tulos aidosti kausaalinen vai ainoastaan korreloiva, edellyttää harkintaa tilanteessa, johon liittyy oikeaa rahaa. Mikään malli ei kerro, että edessäsi oleva luku on sekoittavien tekijöiden vääristämä, koska tällainen luku näyttää aivan samalta kuin puhdas luku.

Käytännön tulonhankinnan työnkulku

Tässä on työnkulku aikomuksesta määränpäähän ja sitten takaisin.

Aloitamme ryhmittelemällä kysynnän sen perusteella, mitä joku yrittää ratkaista, emme demografian tai sen mukaan, mistä ominaisuudesta haluamme puhua. Ryhmittely perustuu sovellusten mittausalustojen tarjoamaan kategoriatason näkyvyyteen, erityisesti Sensor Towerin, AppTweakin ja Appfiguresin kaltaisiin työkaluihin, koska ne näyttävät hakukäyttäytymisen ja kilpailijoiden liikkeet, joita ensimmäisen osapuolen data ei pysty näyttämään. Jokaisesta ryhmästä tulee teema, ja jokaiselle teemalle luodaan sekä mainoskonsepti että siihen sopiva määränpää, joka on suunniteltu jatkamaan samaa argumenttia sen sijaan, että se aloittaisi kaiken alusta.

ChatGPT ja Claude hoitavat suuren osan analyyttisestä ytimestä, jossa uskon todellisen arvon piilevän. Korostaisin kaikille tätä rakentaville, että malli itsessään on vähiten kiinnostava osa. Agentti, joka osaa ainoastaan tehdä päättelyä, on kallis ideointikumppani, kun taas agentista, joka on yhdistetty markkinadataan ja jo maksamaasi tulosraportointiin, tulee enemmänkin analyytikko, jolla on rajattomasti kärsivällisyyttä toistuvaan työhön. Integraatio on tuote, ja saavuttamasi tulokset riippuvat paljon enemmän siitä, mihin yhdistät sen, kuin siitä, minkä mallin valitset.

Integraatio tekee myös kulutuksesta perusteltavaa. Hankimme maksullisesti käyttäjiä huutokaupassa, joten jokaisella signaalin ilmaantumisen ja päätöksenteon välisellä tunnilla on kustannus. Kategorian kysynnän muutoksen tuominen näkyviin samalla viikolla, kun se tapahtuu, antaa sinulle mahdollisuuden siirtää rahaa silloin, kun sillä on vielä merkitystä, ja se on yksiselitteisen kustannustehokas teknologian käyttötapa, toisin kuin kahdensadan uuden mainosmateriaaliversion tuottaminen.

Pidämme tulkinnan tarkoituksellisesti manuaalisena, mikä tuo meidät takaisin inkrementaalisuuteen. Jokaiselle testille asetetaan ennen julkaisua vähimmäisvolyymiraja, emmekä toimi tämän rajan alapuolella olevien tulosten perusteella riippumatta siitä, kuinka hyviltä ne näyttävät. Jos suoritat 100 koetta, joista puolella on todellinen vaikutus, ja suoritat ne 10 prosentin tilastollisella voimalla, saat noin kymmenen merkitsevää tulosta, joista noin puolet on vääriä. Pelkkä tilastollisen voiman kasvattaminen laskee väärien löydösten osuuden 50 prosentista 11 prosenttiin ilman muita muutoksia.

Perustason lisäksi kaikki, mitä aiomme merkittävästi skaalata, validoidaan kausaalisesti eikä alustojen raportoimaa suorituskykyä vasten, koska alustalla on sekä kaikki kannustimet että rakenteelliset syyt esittää imarteleva luku. Tämä validointi perustuu kanavissa natiivisti toteutettuihin vaikutustutkimuksiin sekä maantieteellisiin vertailuryhmiin, joita analysoidaan alustojen ja mobiilimittauksen tietoja vasten. Mittaus on kanavakohtaista, analyysiä ei ole automatisoitu, ja uskon tämän jaon merkityksen kasvavan ajan myötä. Kaikki tulkintaa edeltävä nopeutuu neljännes neljännekseltä, mikä tarkoittaa, että tulkinnan on pysyttävä johdonmukaisena.

Miten tekoäly voi nopeuttaa oppimista mutta tehdä opituista asioista epäluotettavia

Tekoälyn suurin hyöty on nopeus. Ideat, jotka aiemmin saattoivat olla tehtäväjonossa neljänneksen ajan, rakennetaan ja tulkitaan nyt yhden syklin aikana. Tämä kertautuu ajan myötä, sillä oppimisen nopeus riippuu suurelta osin siitä, kuinka nopeasti pystyt testaamaan.

Huonot tulokset ilmenevät kahdessa muodossa, joista jälkimmäinen on kiinnostavampi.

Ensimmäinen on suoraviivainen, ja käsittelin sitä jo aiemmin. Toteutimme kampanjan, jossa ostopolun alkupään luvut näyttivät vahvoilta, mutta myöhemmän vaiheen konversio kehittyi vastakkaiseen suuntaan. Järjestelmät olivat tehneet juuri sen, mitä pyysimme. Olimme pyytäneet väärää asiaa, joten kyse oli tavoitteen määrittelyn epäonnistumisesta eikä tekoälyn epäonnistumisesta, vaikka se toteutettiin poikkeuksellisen tehokkaasti.

Toinen on se, että nopeus moninkertaistaa olemassa olevat tietämystä koskevat toimintatapasi. Jos oletustulkintasi suorituskyvystä perustuu korrelaatioihin – ja useimmilla tiimeillä se perustuu – nopeampi testaaminen ei johda nopeampaan oppimiseen. Se johtaa sellaisten asioiden nopeampaan kertymiseen, joihin uskot ilman riittäviä perusteita. Adoben julkaistu testausohjeistus tuo esiin samankaltaisen näkökulman ja huomauttaa, että markkinoijat mitoittavat hämmästyttävän monet testit liian pieniksi. Jos jatkat näin, väärät positiiviset tulokset voivat lopulta kilpailla oikeiden positiivisten tulosten kanssa tai jopa ylittää niiden määrän. Mieti, mitä tapahtuu, kun varianttien määrä kasvaa ja varianttia kohden saatavilla oleva liikenne vähenee. Et saa lisää voittajia, vaan enemmän asioita, jotka näyttävät vakuuttavasti voittajilta.

Toisin sanoen tekoäly nopeutti oppimistamme ja kasvatti samalla velvollisuuttamme todistaa, että oppimamme oli totta.

Miksi tekoälyllä on vaikeuksia asiayhteyden ja luottamuksen kanssa

Näillä järjestelmillä on vaikeuksia, koska ne eivät pääse käsiksi ”miksi”-kysymykseen, joka tarjoaa suurimman osan kuluttajille suunnatun tilausliiketoiminnan tiedoista.

Kaksi ihmistä voi hakea samaa termiä, klikata samaa mainosta ja saapua täysin erilaisin motiivein, mutta data ei erota heitä millään tavalla. Käyttäytymissignaaleja lukeva malli ryhmittelee heidät luottavaisesti yhteen, koska he ovat identtisiä kaikilla mitattavissa olevilla ulottuvuuksilla. Ryhmittely on oikea, mutta siitä tehty johtopäätös voi silti olla väärä. Tämä on erityisen epämukava virhetila, koska siinä ei ole havaittavaa virhettä.

Esimerkiksi markkina-analyysissä agentit ovat tuottaneet selkeitä, uskottavia ja hyvin perusteltuja kertomuksia kategorian muutoksesta – tiivistelmiä, jotka vaikuttavat älykkään analyytikon kirjoittamilta. Taustalla oleva muutos osoittautui kuitenkin keinotekoiseksi: kyse oli raportointimuutoksesta, kausivaihtelusta tai siitä, että jonkin asian laskentatapaa oli määritelty uudelleen. Kertomus oli johdonmukainen, koska malli on erinomainen rakentamaan johdonmukaisia kertomuksia, mutta johdonmukaisuus ei ole sama asia kuin tarkkuus. Vaarallista siitä teki pelkän vääryyden sijaan sen viimeistellyn kuuloinen esitystapa.

Siinä on luottamusongelma tiivistettynä yhteen lauseeseen. Nämä järjestelmät eivät ilmaise epävarmuutta. Heikkoon näyttöön perustuva johtopäätös esitetään samalla sävyllä kuin vankkaan näyttöön perustuva johtopäätös. Ihmisanalyytikko olisi ilmaissut asian varauksellisemmin, huomioinut poikkeavat tiedot tai tarkistanut jonkin asian ennen tulosten kirjoittamista. Malli vain kirjoittaa tulokset.

Tilausliiketoiminnassa ongelma on vielä haastavampi. Kun joku peruuttaa tilauksensa, tapahtuma näyttää samanlaiselta riippumatta siitä, jäikö hän ilman sitä, mitä tuli hakemaan, vai saiko hän kaiken tarvitsemansa ja siirtyi eteenpäin. Kyse on vastakkaisista lopputuloksista, joilla on sama tietojälki, eikä mikään mallintamisen määrä pysty erottamaan niitä toisistaan, koska ero on kokonaan asiayhteydessä, johon järjestelmällä ei koskaan ollut pääsyä.

Miksi ennustaminen tarvitsee tekoälyyn perustuvan uudistuksen

Vaistomaisesti ennustamisesta pyritään tekemään tarkempaa tarjoamalla sille parempia malleja, ja mielestäni se on väärä tapa suunnitella tekoäly uudelleen. Gartnerin mukaan niiden myyntiorganisaatioiden osuus, jotka saavuttavat vähintään 90 prosentin ennustetarkkuuden, on 7 %, ja luku on pysynyt itsepintaisesti samana jo vuosia valtavista teknologia- ja työkalupanostuksista huolimatta. Kun ongelma vastustaa näin suurta rahallista ja teknologista panostusta, se on yleensä merkki siitä, että ongelma on määritelty väärin, ei siitä, että ratkaisut olisivat olleet liian heikkoja.

Määrittelyvirhe on siinä, että ennustamista käsitellään ennakointiongelmana, vaikka kyse on todellisuudessa päätösongelmasta. Liikevaihdosta vastaava johtaja ei tarvitse tarkempaa lukua ensi vuosineljänneksestä, vaan perustellun vastauksen siihen, mitä hänen pitäisi tehdä tällä viikolla toisin. Nämä liittyvät toisiinsa, mutta eivät ole sama kysymys, ja jälkimmäiseen on huomattavasti helpompi vastata. Voit tehdä kokeen, joka kertoo, aiheuttiko muutos tietyn lopputuloksen. Et voi tehdä koetta, joka kertoo, miltä maailma näyttää 90 päivän kuluttua.

Siksi ehdottaisin uudistusta, jossa painopiste siirretään ennustamisesta kausaaliseen näyttöön. Sen sijaan että mallilta pyydetään tulevaisuuden ekstrapolointia heikentyneen signaalin perusteella, pitäisi kysyä, mitä voitaisiin jättää verrokiksi, mitä voitaisiin testata ja mikä tulos muuttaisi resurssien kohdentamista. Näin syntyy vähemmän vaikuttavia tuotoksia ja huomattavasti parempia päätöksiä. Se myös epäonnistuu rehellisesti, sillä epäselvä testi kertoo olevansa epäselvä, kun taas huono ennuste ei kerro mitään ennen vuosineljänneksen päättymistä.

Uudistuksen toinen osa on tehdä epävarmuudesta keskeinen tulos sen sijaan, että se poistetaan ennen kuin luku saavuttaa johdon. Useimmat ennustamisprosessit tiivistävät laajan vaihteluvälin yhdeksi luvuksi, koska yksi luku on helpompi esittää, ja kaikki myöhemmät vaiheet kohtelevat tuota lukua ikään kuin se olisi varmasti tiedossa. Ennuste, joka sisältäisi oman luottamustasonsa ja ilmoittaisi selvästi, mitkä osat perustuvat vankkaan mittaukseen ja mitkä mallinnettuun tai pääteltyyn signaaliin, olisi epämukavampi mutta paljon hyödyllisempi.

Tekoäly voi muuten auttaa tässä kaikessa. Se on hyvä ylläpitämään näyttöpohjaa, ilmoittamaan, kun ennusteen taustalla oleva oletus on muuttunut, ja hoitamaan työlään työn ajantasaisen kokonaiskuvan ylläpitämiseksi. Sen ei kuitenkaan pitäisi valmistaa väärää tarkkuutta heikkojen lähtötietojen ketjun päähän, vaikka juuri sitä sille valitettavasti useimmiten myydään tehtäväksi tässä elinkaaren vaiheessa.

Jonin ajatukset

\u003cstrong\u003eTehokkuus ja erottautuminen toimivat tällä hetkellä toisiaan vastaan, joten jokaisen johtajan on tietoisesti valittava niiden välinen suhde, koska oletussuhde ei ole neutraali.\u003c/strong\u003e

Miksi generatiiviset mallit pakottavat valitsemaan erottautumisen ja tehokkuuden välillä

Tässä on toinen ongelma. Generatiiviset mallit eivät keksi mitään; ne tuottavat koulutusaineistonsa perusteella tilastollisesti todennäköisimmän lopputuloksen, mikä tarkoittaa, että ne toistavat vallitsevia käytäntöjä ja vetävät kaiken kohti yhteistä keskiarvoa.

Tehokkuus ja erottautuminen toimivat tällä hetkellä toisiaan vastaan, joten jokaisen johtajan on tietoisesti valittava niiden välinen suhde, koska oletussuhde ei ole neutraali.

Miten liikevaihto- ja markkinointitehtävät on yhdistettävä ja mitattava

Useimmissa yrityksissä yksi tiimi vastaa mainoksesta ja toinen sivusta, esittelystä tai ensimmäisestä keskustelusta. Molempia tiimejä mitataan, ja ne suoriutuvat yleensä hyvin. Kukaan ei vastaa niiden välisestä saumasta, juuri siitä kohdasta, jossa kiinnostus vuotaa pois. Näin ollen jokainen toiminto raportoi vahvasta vuosineljänneksestä, vaikka yhdistävä rakenne menettää asiakkaan.

Noin puolet organisaatioista ilmoittaa markkinoinnin ja myynnin välisestä luovutusten yhteensopimattomuudesta: kampanjat rakennetaan erillään, ja myyjät kuulevat viestinnän muutoksista prospekteilta eivätkä organisaation sisältä. Tämä vaikuttaa viestintäongelmalta, mutta kyse on omistajuusongelmasta.

Muutimme tapaamme käsitellä mainosta ja sen kohdesivua tarkastelemalla niitä yhtenä kokonaisuutena, joka rakennetaan, julkaistaan ja mitataan yhdessä, eikä kahtena eri tiimeille kuuluvana sisältönä. Hyöty ei ollut ainoastaan konversio, vaan myös tulkittavuus, sillä kun lupaus ja sen lunastus ovat yksi kokonaisuus, niiden muodostamaa paria voidaan vihdoin arvioida selkeästi. Kun kaksi tiimiä optimoi kahta puoliskoa erikseen, molemmat tuottavat lukuja, jotka näyttävät hyviltä, mutta kumpikaan lukusarja ei kerro, mitä yhdistelmä sai aikaan.

Liikevaihdosta vastaavan johtajan vastaava kysymys on, kestääkö potentiaalisen asiakkaan markkinoinnilta kuulema tarina ensimmäisen myyntipuhelun ja pystyykö kukaan mittaamaan tämän siirtymän kausaalisesti sen sijaan, että molempien puolten toimintaa vain laskettaisiin. Jos näistä asioista huolehditaan ja niitä mitataan erikseen, tekoäly tehostaa kumpaakin puoliskoa samalla, kun se kasvattaa niiden välistä kuilua. Keveämmät tiimit toimivat nopeammin omistamattoman rajapinnan yli, mikä on ennakoitava tapa menettää rahaa samalla, kun kaikki kojelaudat näyttävät edelleen tervettä tilannetta.

Miksi CRO:iden on omistettava tavoitefunktio sen delegoimisen sijaan

Kaiken kaikkiaan neuvoni on tämä: ota tavoitefunktio itse vastuullesi sen sijaan, että delegoisit sen tai perisit sen, minkä alusta on oletusarvoisesti määrittänyt.

Nämä järjestelmät ovat erinomaisia maksimoimaan kaiken, minkä määrittelet, mikä tarkoittaa, että määrittelystä tulee strategia. Jos koneelle antamasi luku on lopputuloksen sijaismittari eikä itse lopputulos, päädyt kauniiseen kaavioon ja huonompaan liiketoimintaan – ja pääset sinne nopeammin kuin ennen tekoälyn olemassaoloa.

Täydentävä toimintatapa, jota painottaisin eniten, on tietää etukäteen, millainen näyttö vakuuttaisi sinut siitä, että jokin toimi. Useimmilla liikevaihdosta vastaavilla organisaatioilla on erittäin hienostunut vastaus siihen, mitä tapahtui, mutta yllättävän heikko vastaus siihen, mikä sen aiheutti. Tekoäly kasvattaa tätä kuilua, koska se tekee ensimmäisenlaisen vastauksen tuottamisesta halvempaa. Jos et pysty määrittelemään ennen käynnistämistä, miltä selkeä tulkinta näyttäisi, päädyt vahvistamaan todeksi sen, minkä raportointi sinulle palauttaa.

PwC:n vuoden 2026 toimitusjohtajakysely osoitti, että vain 12 % toimitusjohtajista näki tekoälyn tuottavan samanaikaisesti liikevaihdon kasvua ja kustannusten pienentymistä, kun taas 56 % ei ollut vielä nähnyt merkittävää taloudellista hyötyä. En tulkitse tätä niin, että teknologia olisi tuottanut odotettua heikommin, vaan pikemminkin todisteena siitä, että useimmat organisaatiot kohdistivat sen johonkin, mitä ne eivät olleet määritelleet riittävän huolellisesti, ja mittasivat sitä sitten tavalla, jolla ei voitu osoittaa, oliko tekoäly tuottanut merkittävää taloudellista arvoa.

Pysy mukana

Voit seurata Jon Changin työtä LinkedInissä ja hänen uutiskirjettään Kasvumarkkinoinnin pohdintoja.

Lisää asiantuntijahaastatteluja on tulossa The CRO Clubissa!