مارکتینگ اتومیشن دیگر فقط راهی برای ارسال خودکار پیام نیست؛ به یکی از ابزارهای مهم پرفورمنس مارکتینگ برای تصمیمگیری درباره نحوه ارتباط با هر مشتری تبدیل شده است. تجربه اوبر نشان میدهد برای بهبود عملکرد، همیشه نباید بهدنبال ارسال پیام بیشتر بود؛ گاهی سؤال اصلی این است که «چه پیامی بفرستیم؟» و گاهی مهمتر از آن، اینکه چه زمانی بهتر است هیچ پیامی ارسال نکنیم.
فرض کنید یک کاربر همزمان کاندید دریافت چند پیام باشد: تخفیف، یادآوری خرید، معرفی سرویس جدید و کمپین بازگشت. هرکدام بهتنهایی منطقی است؛ اما آیا ارسال همه آنها تصمیم درستی است؟ این مسئله با بزرگترشدن کسبوکار پیچیدهتر میشود؛ تیمهای مختلف کمپین خودشان را دارند، درحالیکه کاربر همه را بهعنوان ارتباط یک برند تجربه میکند. در این مرحله
وقتی افزایش پیامها برای اوبر مسئله شد
با رشد Uber Eats و افزایش تعداد تیمهایی که میخواستند با کاربران ارتباط بگیرند، اوبر با مسئلهای روبهرو شد که برای بسیاری از پلتفرمهای بزرگ آشناست: چند پیام مختلف میتوانستند همزمان برای یک کاربر واجد شرایط باشند، گاهی با فاصله چند دقیقه یا با هم در تعارض. شخصیسازی کافی درباره نوع، زمان و Frequency ارتباط با هر کاربر وجود نداشت؛ مدیریت این تداخلها برای برخی اعضای تیم مارکتینگ بیش از ۱۵ ساعت در هفته زمان میگرفت.
اوبر در سال ۲۰۲۲ معماری Consumer Communication Gateway (CCG) را تشریح کرد؛ سیستمی مبتنی بر Machine Learning و Linear Programming که تصمیم میگرفت هر پیام با چه اولویت، Frequency و در چه زمانی ارسال شود. بهاینترتیب سؤال از «چطور پیام بیشتری بفرستیم؟» به «کدام پیام واقعاً باید ارسال شود و چه زمانی؟» تغییر کرد.
اما داستان اوبر همانجا متوقف نشد. در سال ۲۰۲۴ این شرکت معماری Personalized Marketing at Scale را معرفی کرد؛ سیستمی که پیشنهادهای ارتباطی را برای Push، Email و SMS انتخاب و رتبهبندی میکند و امروز بیش از ۴ میلیارد پیام شخصیسازیشده را در مناطق و خطوط مختلف کسبوکار مدیریت میکند. یعنی CCG یک مرحله از یک مسیر تکاملی بود، نه نقطه پایان آن.
آنچه اهمیت دارد، خودِ تغییر نگاه است: از اجرای صرف قواعد ثابت («اگر X رخ داد، Y را بفرست») به تصمیمگیری پویا بر اساس Context و رفتار کاربرT چیزی که در ادبیات امروز مارکتینگ به آن Decisioning Smart میگویند.
از پیام مناسب تا «سکوت هوشمند»
نکته جالب معماری اوبر این است که سیستم همه پیامهای موجود را برنامهریزی نمیکند. برای هر ترکیب «پیام + زمان» یک ارزش احتمالی محاسبه میشود و محدودیتهایی مثل انقضای پیشنهاد، بازه مجاز ارسال، Frequency Cap روزانه و حداقل فاصله میان دو Push در تصمیم لحاظ میشوند؛ اگر تعداد پیامهای کاندید از سقف بیشتر باشد، فقط باارزشترینها ارسال میشوند.
از این منطق میتوان بهعنوان «سکوت هوشمند» یاد کرد به عنوان یک نگاه به Marketing Automation: گاهی تصمیم درست سیستم، No Action است. اوبر از همین رویکرد کاهش Opt-out و افزایش تناسب Notificationها با کاربران را گزارش کرده است.
مارکتینگ اتومیشن بالغ فقط «Send» ندارد
لازم نیست هر کسبوکاری زیرساخت ML اوبر را بسازد. پلتفرم Marketing Automation زبلاین میتوانند بخشی از این منطق را نه با قواعد ازپیشتعریفشده در اختیار تیمها بگذارد.
مثلاً کاربری سبد خرید را رها کرده. مدل ساده میگوید: «دو ساعت بعد Push بفرست.» اما یک Journey هوشمندتر میتواند منتظر رفتار بعدی کاربر بماند. در زبلاین، Wait for Event جریان اتومیشن را تا رخدادن یک Event مشخص متوقف میکند، و اگر کاربر در همین فاصله خریدش را کامل کند، Exit Trigger او را از Journey خارج میکند .
مارکتینگ اتومیشن زمانی بیشترین ارزش را ایجاد میکند که از یک ابزار صرفاً اجرایی به بخشی از استراتژی پرفورمنس مارکتینگ تبدیل شود؛ جایی که هدف فقط ارسال بیشتر نیست، بلکه بهینهکردن هر تعامل براساس رفتار کاربر و نتیجهای است که برای کسبوکار ایجاد میکند.
FC، DND و Personalization
حتی اگر کاربر واجد شرایط دریافت پیام باشد، باید پرسید: آیا همین الان باید پیام دیگری بگیرد؟ Frequency Cap (FC) سقف تعداد پیام در یک بازه را تعیین میکند و در زبلاین هم در سطح Workspace و هم هر Automation قابل تنظیم است. DND (Do Not Disturb) بازههایی را مشخص میکند که پیام در آنها ارسال نشود و بعد از پایان بازه ادامه یابد. اینها فقط تنظیمات فنی نیستند؛ بخشی از Communication Strategyاند.
قدم بعدی این است: اگر پیام ارسال میشود، چه چیزی برای این کاربر مناسبتر است؟ زبلاین امکان استفاده از Attributeها و دادههای Product Catalogue را در Personalization و سگمنتبندی Journey فراهم میکند تا کاملا متناسب با نیاز و رفتار کاربر پیام ارسال شود. در نتیجه یک Journey خوب با چند سؤال ساده طراحی میشود: برای چه کسی؟ چه چیزی؟ چه زمانی؟ و آیا اصلاً باید ارسال شود؟
آیا این پیام واقعاً Conversion ساخته؟
فرض کنید ۱۰۰ هزار کاربر وارد یک Automation شدهاند و ۱۰ هزار Conversion داشتهاند. آیا Automation باعث همه این نتیجه بوده؟ نه لزوماً — بخشی از کاربران شاید بدون دریافت پیام هم خرید میکردند. اینجا Control Group اهمیت پیدا میکند. در زبلاین میتوان درصدی از کاربران را از دریافت پیام یا کل Journey کنار گذاشت و Conversion آنها را با گروه دریافتکننده مقایسه کرد؛ حتی در سطح یک پیام مشخص (Message-Level) یا کل Journey (Entry-Level). سؤال دقیق دیگر این نیست که «این کمپین چند Conversion داشته»، بلکه «چند Conversion اضافه ایجاد کرده که بدون آن اتفاق نمیافتاد؟» همین تفاوت، Marketing Automation را از ابزار اجرایی به سیستم آزمایش و یادگیری گروه های مختلف تبدیل میکند.
از Campaign Thinking به Journey Thinking
به نظرم یکی از مهمترین تغییرات مارکتینگ اتومیشن، عبور از Campaign Thinking («این پیام را برای چه کسانی بفرستیم؟») به Journey Thinking است: «این کاربر الان کجاست و بهترین اقدام بعدی چیست؟» گاهی پاسخ Push یا SMS است، گاهی باید منتظر Event ماند، گاهی کاربر باید خارج شود، گاهی FC اجازه ارتباط بیشتر نمیدهد و گاهی Control Group عمداً پیامی دریافت نمیکند تا اثر واقعی کمپین سنجیده شود.
تجربه اوبر از CCG نشان میدهد کیفیت ارتباط فقط با بهتر نوشتن پیام حل نمیشود؛ خودِ تصمیم برای ارسال باید بهینه شود، و این تصمیم هر سال دادهمحورتر و پویاتر میشود.
زبلاین طرز فکر سکوت هوشمند را از طریق Journeyهای قاعدهمحور و ابزارهایی مانند Event، Personalization، Wait for Event، Exit Trigger، FC، DND و Control Group در اختیار تیمهای مارکتینگ قرار میدهد.
شاید بلوغ واقعی Marketing Automation از جایی شروع شود که سیستم فقط نداند چه زمانی پیام بفرستد، بلکه بداند چه زمانی بهتر است سکوت کند چه این تصمیم را یک مدل یادگیری ماشین بگیرد، چه یک قاعده ساده که یک تیم کوچک از پیش تعریف کرده است.