فرانس ریمرسما (Frans Riemersma) در تحلیلی جامع پیرامون وضعیت مدیریت بازاریابی تاکید می‌کند که فرصت‌های از‌دست‌رفته هرگز در ترازنامه‌های مالی شرکت‌ها ظاهر نمی‌شوند. مشتریانی که شناسایی نشده‌اند، محصولاتی که خریده نشده‌اند و قیمت‌هایی که پرداخته نشده‌اند، هیچ خط مجزایی در صورت‌های مالی ندارند و برای هیئت‌مدیره کاملاً نادیده باقی می‌مانند. این در حالی است که هزینه‌های بازاریابی کاملاً شفاف و چشمگیر هستند؛ از این رو وقتی سهم بازاریابی در ایجاد ارزش تجاری اثبات نشود، این بخش به نخستین و ساده‌ترین هدف برای کاهش بودجه تبدیل می‌شود.

آسیب‌های ناشی از این عدم اثبات ارزش، از کاهش بودجه فراتر رفته و به سلب اختیارات استراتژیک بازاریابی منجر شده است. کنترل عنصر «محصول» به بخش مدیریت محصول، «قیمت» به بخش فروش و «مکان توزیع» به تیم‌های کانال، تجارت خرد و تجارت الکترونیک واگذار شده است. در نتیجه، برای مدیر ارشد بازاریابی (CMO) تنها عنصر «ترویج» باقی مانده تا صرفاً برای تصمیماتی که در جای دیگری گرفته شده‌اند، تقاضا ایجاد کند.

داده‌های سریع در برابر داده‌های کند: تفکیک بر پایه مدل دانیل کانمن

اگرچه شناخت بازاریابی از مشتری باید هدایت‌کننده هر چهار عنصر بازاریابی (4Ps) باشد، اما داشبوردهای فعلی عمدتاً تنها عملکرد ترویجی را اندازه‌گیری می‌کنند. فرانس ریمرسما برای تبیین این شکاف از تفکیک دانیل کانمن (Daniel Kahneman)، برنده جایزه نوبل، میان تفکر سریع و خودکار با تفکر کند و متمرکز استفاده می‌کند:

  • داده‌های سریع (Fast Data): از تصمیمات آنی و تاکتیکی بازاریابی مانند بهبود نرخ تبدیل، نرخ کلیک (CTR) و نرخ بازگشت سرمایه تبلیغات (ROAS) پشتیبانی می‌کنند. واژه «سریع» بیانگر سرعت اخذ تصمیمات است، نه سرعت انتقال داده میان سیستم‌ها. داده‌های سریع باعث ایجاد جذابیت و مرتبط بودن (Relevance) می‌شوند.
  • داده‌های کند (Slow Data): از تحلیل‌های عمیق و سنجیده پشتیبانی می‌کنند و به درک نیازهای مشتری و چگونگی تبدیل پاسخگویی به این نیازها به درآمد، حاشیه سود و ارزش تجاری می‌پردازند. واژه «کند» نشان‌دهنده تفکر عمیق و مداوم در طول زمان است. داده‌های کند به اقدامات معنا (Meaning) می‌بخشند.

بدون وجود معنایی که داده‌های کند ارائه می‌دهند، تیم‌های بازاریابی می‌توانند افزایش کلیک و نرخ تبدیل را نشان دهند اما از توضیح دلایل رشد درآمد، حاشیه سود و سودآوری واقعی ناتوان بمانند.

شکاف میان داشبوردهای اجرایی و انتظارات مدیر ارشد اجرا (CEO)

مدیران ارشد اجرایی خواهان پاسخ‌هایی درباره درآمد، رشد، حاشیه سود و سودآوری هستند. اگر پاسخ بازاریابی منحصر به میزان ترافیک، لیدها، نرخ تبدیل، هزینه جذب مشتری و شاخص ROAS باشد، سوال اصلی مدیر ارشد همچنان بی‌پاسخ می‌ماند.

به عنوان نمونه، شاخص بازگشت سرمایه تبلیغات (ROAS) را در نظر بگیرید. یک کمپین تبلیغاتی ممکن است درآمد انتسابی بیشتری ایجاد کند، اما اعمال تخفیف‌ها، هزینه‌های تولید و کالاهای مرجوعی، سود کمتری بر جای بگذارند. در چنین شرایطی، داشبورد بازاریابی کمپین را موفق نشان می‌دهد، در حالی که سودآوری واقعی شرکت به ازای هر فروش کاهش یافته است. همچنین، افزایش خریدهای یک‌باره (نرخ تبدیل) مشخص نمی‌کند که آیا این مشتریان دوباره بازخواهند گشت، کالا را با قیمت کامل خواهند خرید یا هزینه خدمات‌رسانی به آن‌ها بیش از ارزش پرداختی‌شان خواهد بود.

مهندسی ارزش و تغییر رویه در هدایت هوش مصنوعی

داده‌های کند با مهندسی معکوس ارزش عمل می‌کنند؛ به این معنا که اگر شرکت به حاشیه سود بالاتری نیاز دارد، مشخص می‌کنند کدام مشتریان و محصولات در ایجاد آن نقش دارند و چرا مشتریان حاضر به پرداخت قیمت کامل هستند. این روند که «مهندسی ارزش» نامیده می‌شود، چگونگی حل مسئله مشتری و خلق ارزش همزمان برای مشتری و شرکت را ردیابی می‌کند.

با ورود هوش مصنوعی و افزایش سرعت تحلیل و اجرای کمپین‌ها، چالش اصلی از «یافتن یک تحلیل» به «یافتن تحلیلی که واقعاً اهمیت دارد» تغییر یافته است. داده‌های سریع تنها وضعیت لحظه‌ای مشتری را نشان می‌دهند، اما داده‌های کند زمینه‌های عمیق‌تر ارتباطی را روشن می‌سازند. برای نمونه، اگر یک مشتری پس از خرید محصول با قیمت کامل همچنان منتظر دریافت سفارش خود باشد، کلیک مجدد او روی یک آگهی نباید منجر به ارسال پیشنهاد تخفیف شود، بلکه باید فرآیند پشتیبانی و حل مسئله را فعال کند.

این رویکرد دستورالعمل‌های اعطایی به هوش مصنوعی (Prompts) را نیز دگرگون می‌کند. به جای دادن دستور کلی «افزایش نرخ تبدیل» به هوش مصنوعی که تبعات تجاری نامشخصی دارد، باید از آن خواست: «به مشتریان کمک کن تا ارزش محصول را درک کنند و خریدهای با قیمت کامل را افزایش دهی». بدین ترتیب، هوش مصنوعی بر اساس یک مسئله واقعی مشتری و یک هدف تجاری مشخص هدایت می‌شود.