مجموعه Nestlé México که در بیش از ۹۰ درصد از خانوا‌ده‌های مکزیکی حضور دارد، در جریان همایش Agentic World شرکت Treasure AI در میامی، راهکارهای خود را برای غلبه بر پیچیدگی‌های مدیریت داده در برندهای متعدد تشریح کرد. این غول صنعت محصولات مصرفی با مالکیت بیش از ۷۰ برند مختلف از جمله قهوه، شکلات و غذای کودک، تا پیش از این با چالش بزرگ تحلیل کامل تجربه مشتریان خود مواجه بود. به گفته Elsa Vences، مدیر داده و شخصی‌سازی Nestlé México، مقیاس عظیم این شرکت با وجود ایجاد فرصت‌های گسترده، «بزرگ‌ترین چالش» آن نیز محسوب می‌شد.

شکستن سیلوهای اطلاعاتی با ساختار یکپارچه داده

تعدد برندها و عدم تبادل اطلاعات میان آن‌ها سبب شده بود Nestlé México در گذشته داده‌ها و هدف‌گیری مخاطبان را به صورت جداگانه برای هر برند بررسی کند، بدون آنکه از یافته‌های یک برند برای جذب مخاطبان برند دیگر استفاده نماید. این شرکت از سه سال پیش همکاری خود را با Treasure AI آغاز کرد؛ پلتفرم داده‌های مشتریان (CDP) که اخیراً برند خود را به «پلتفرم تجربه عاملیت‌محور» تغییر داده و عامل‌های هوش مصنوعی (AI Agents) را در تمامی مراحل تحلیل داده و برنامه‌ریزی کمپین‌ها ادغام کرده است.

در حال حاضر، Nestlé México مخزن داده‌های خود شامل نام، نشانی ایمیل و اطلاعات جمعیت‌شناختی مشتریان را به Treasure AI متصل کرده است. به گفته Vences، این پلتفرم قادر است مشتریان تکراری را که از چند برند مختلف Nestlé México خرید می‌کنند شناسایی کرده و درک دقیق‌تری از علایق گسترده‌تر آن‌ها ارائه دهد. علاوه بر سیگنال‌های تعاملی در سیستم مدیریت ارتباط با مشتری (CRM) نظیر لینک‌های کلیک‌شده، این شرکت به داده‌های درهم‌سازی‌شده (Hashed) در اتاق تمیز داده (Data Clean Room) شرکت Amazon نیز دسترسی دارد که امکان بررسی روندهای خرید بر اساس رده‌های سنی را بدون افشای اطلاعات شخصی فراهم می‌سازد.

دسته‌بندی مخاطبان و جهش نرخ تعامل در برند La Lechera

شرکت Nestlé México با استفاده از داده‌های تعاملی کمپین‌های گذشته و اطلاعات جمعیت‌شناختی، مخاطبان برند شیر غلیظ‌شده شیرین خود یعنی La Lechera را به سه دسته اصلی تقسیم کرد: سنت‌گرایان که از این محصول در دستورهای غذایی کلاسیک مانند دسر فلان (Flan) استفاده می‌کنند، متخصصان یا شیرینی‌پزانی که به دنبال امتحان روش‌های جدید هستند، و کاوشگران که اغلب شامل مصرف‌کنندگان جوان‌تر بوده و به دنبال راهی سریع برای شیرین کردن خوراکی‌ها نظیر چاشنی پنکیک می‌گردند.

از آنجا که برندهای مختلف می‌توانند با «لحظات مصرف یکسان» ارتباط برقرار کنند، تصمیم‌گیری درباره یک برند اغلب بر اساس داده‌های چند برند دیگر انجام می‌شود. Norma Martín، مدیر بازاریابی برند La Lechera در این خصوص توضیح داد که برندهای La Lechera، Coffee-Mate و KitKat همگی در لحظات لذت‌جویی و شیرینی‌خواری (Indulgence) مصرف می‌شوند؛ از این رو شرکت توانست با درک اشتراکات میان کاربران این سه برند، مخاطبان جدیدی را به پایگاه مشتریان La Lechera هدایت کند. بر اساس اظهارات Martín، کمپین اخیر La Lechera به دلیل هدف‌گیری دقیق‌تر توسط هوش مصنوعی، نرخ باز شدن (Open Rate) ایمیل‌هایی تقریباً دو برابر خط پایه کمپین‌های قبلی به دست آورد.

استفاده از داده برندهای بزرگ برای توسعه برندهای کوچک‌تر

دست‌یابی به داده‌های غنی در برندهای بزرگ آسان‌تر است، اما هدف‌گیری مخاطبان برندهای کوچک‌تر Nestlé México به دلیل محدودیت داده‌های اولیه همواره با پیچیدگی همراه بود. اکنون با ارائه دستورهای مشخص (Prompts) به عامل‌های هوش مصنوعی Treasure AI، این پلتفرم می‌تواند بر اساس داده‌های برندهای مرتبط، بهترین راهکارهای دسترسی به مخاطب را پیشنهاد دهد.

به عنوان مثال، Vences اشاره کرد که می‌تواند از عامل هوش مصنوعی بخواهد مخاطبانی از نسل Z را که به شکلات علاقه‌مندند استخراج کند؛ سیستم برای این منظور از داده‌های برندهای بزرگ‌تری مانند KitKat یا تعاملات کاربران با دستورهای پخت دسر در سایر کمپین‌ها استفاده می‌کند. همچنین برندها می‌توانند نشانی اینترنتی (URL) وب‌سایت خود را وارد کرده و از هوش مصنوعی بخواهند بهترین دستورهای غذایی متناسب با آن مخاطبان را شناسایی کند. به گفته Vences، برخلاف سال‌ها تلاش دستی آژانس‌های خلاقیت که بر حدس و شهود متکی بود، اکنون فرایند هدف‌گیری بسیار دقیق‌تر، متکی بر داده‌های محکم‌تر و به صورت جامع انجام می‌شود.