Marknadsföring via e-post är en av de äldsta formerna av internetmarknadsföring, och är fortfarande lika relevant. Faktum är att marknadsföringsmejl kan göras ännu bättre med hjälp av artificiell intelligens.
Prediktionsalgoritmer och maskininlärning kan användas på många olika sätt för att förbättra resultaten från e-postmarknadsföring. Med tillräckligt mycket data kan algoritmer mäta vad som fungerar bäst, och anpassa e-postkampanjer automatiskt.
En av de vanligaste användningarna av AI för e-post är förmodligen en populär funktion i Gmail. Du kanske till och med har använt den själv! GMail rekommenderar lämpliga svar på inkommande meddelanden automatiskt.
Gmail-inkorgen analyserar e-postmeddelandena med algoritmer för naturlig språkanalys (NLP), och skapar ett lämpligt svar automatiskt med hjälp av algoritmer för naturlig språkgenerering (NLG). Du kan enkelt svara på inkommande e-post med den föreslagna texten genom ett klick.
Conversica tar detta ett steg vidare. De marknadsför en AI-driven virtuell assistent, som initierar helautomatisk e-postkorrespondens med dina kontakter. I själva verket får du en virtuell försäljningsassistent som kan skicka e-postmeddelanden fram och tillbaka och därigenom bearbeta dina nya kontakter till att bli kunder automatiskt. Det är som en chattrobot, men över email.
Leverantörer av marketing automation system (t ex HubSpot) börjar nu använda maskininlärning för att optimera de klockslag som e-postmeddelanden skickas på, individuellt för varje mottagare. Detta bidrar till att förbättra öppningsgraden och kan också bidra till att minska belastningen på kundtjänst eller säljavdelningen, som därmed slipper toppar med inkommande samtal.
Seventh Sense går ännu längre och förutspår även hur ofta du borde skicka till varje kontakt i databasen, baserat på varje persons unika beteendemönster. I själva verket möjliggör detta individuell strypning av leveransfrekvensen för e-post för att på så sätt undvika att mottagare tröttas ut av för många meddelanden.
Att skriva väloptimerade e-postrubriker som ger en hög öppningsgrad har under många år varit en viktig uppgift för att förbättra marknadsföringsresultatet. Copywriters använder sin erfarenhet och magkänsla för att komma på bra ämnesrader som ökar sannolikheten att mottagarna öppnar meddelandet.
Faktum är att det går att automatgenerera optimerade ämnesrader med hjälp av AI.
Exempel på detta är Phrasee och Persado, som erbjuder språkoptimeringslösningar som använder maskininlärning för att analysera historiska data och rekommenderar optimerade ämnesrader. Dvs, ämnesrader som AI-algoritmerna tror ger högre öppningsgrad.
Självoptimerande ämnesrader är förvisso bra, men det är möjligt att ta detta ett steg längre. En potentiellt disruptiv användning av AI inom e-postmarknadsföring kan vara automatisk generering av brödtexten, hyperpersonaliserad och optimerad för varje enskild mottagare.
Faktum är att denna personalisering kan gå långt utöver bara brödtexten. Vilka bilder som skall inkluderas i brevet kan också anpassas utifrån det digitala fotspår som varje enskild e-postmottagare lämnat, eller vara beroende på dagens väder eller annat data som är tillgängliga, kanske t o m i realtid.
Om några år kan AI-verktyg troligen generera grafik till e-post och andra typer av bilder automatiskt, med hjälp av algoritmer som vet hur man genererar övertygande bilder – hyper-personaliserat för varje enskild e-postmottagare, förstås.
Boomtrain och OneSpot är exempel på leverantörer som använder artificiell intelligens för att skicka personaliserad e-post. Deras lösningar analyserar användarbeteende och innehåll för att hitta det innehåll som sannolikt kommer att uppfattas mest positivt av en viss person, och levererar det automatiskt som e-post.
En helt annan typ av personalisering är produktrekommendationer som klistras in i ett e-postmeddelande. Det marknadsför den produkt du mest sannolikt kommer att köpa härnäst, baserat på ditt tidigare beteende eller andra uppgifter.
Ett typiskt exempel är att ett mejl från en klädbutik kan rekommendera mig röda shorts, medans min granne får ett mail som rekommenderar en blå t-shirt istället. Algoritmer för maskininlärning analyserar det digitala fotavtrycket och annat data för att avgöra vilken produkt varje e-postmottagare mest sannolikt är intresserad av att köpa härnäst.
Det finns en mängd företag som erbjuder AI-baserade system för produktrekommendationer, och jag kommer att skriva en separat bloggartikel om dem senare.
Du kan också använda maskininlärning för att förstå vilket e-postmeddelande som bör skickas, till vilken person, och vid vilken tidpunkt. I själva verket är detta optimering av e-postsekvenser och denna funktion erbjuds exempelvis av Optimail.
Det är uppenbart att maskininlärning har många användningsområden när det gäller att optimera e-postinnehåll och förbättra e-postkampanjers prestanda mer generellt.
Automatisk generering av kundsegment kan också göras av algoritmer för maskininlärning, och jag kommer att skriva en separat bloggartikel om det också framöver.
Inte överraskande kan maskininlärning också användas för databasunderhåll.
Siftrock använder t ex maskininlärning för att analysera e-postkorrespondens och uppdatera kontaktdatabasen automatiskt; till exempel genom att ta bort e-post adresser som inte kan levereras (personen jobbar inte längre kvar på företaget), uppdatera kontaktinformation när någon har ändrat befattning, samla på sig telefonnummer från mejlfootern, eller skannar ”out-of-office” automat-svar för att hitta nya kontakter in till samma företag.
Själv är jag författare och konsult inom marketing automation och artificiell intelligens. Behöver du hjälp med att installera och sätta upp ett marketing automation system, eller AI-baserade lösningar? Kontakta mig – jag erbjuder konsulttjänster på området!
Är du intresserad av framtidens marknadsföring? Här finner du fler artiklar om marknadsföring med AI och marketing automation.
Vill du lära dig mer? Läs mina bloggartiklar om marketing automation och datadriven marknadsföring!
