Entrega de conteúdo de marketing generativo aos clientes

Os profissionais de marketing há muito sonham com o engajamento individualizado com o cliente, mas criar o volume de mensagens necessário para um engajamento personalizado nesse nível tem sido um grande desafio. Embora muitas organizações busquem um marketing mais personalizado, elas geralmente segmentam grandes grupos de milhares ou milhões de clientes, nos quais ainda existe uma grande diversidade. Embora isso seja melhor do que uma abordagem genérica e de tamanho único, as organizações prefeririam ser mais precisas, se tivessem a capacidade de se engajar em um nível mais granular.

Como mencionado em nosso blog anterior, a AI generativa pode ajudar a mitigar o desafio de criar conteúdo de marketing altamente personalizado. Embora alcançar um engajamento individual real ainda possa ser difícil devido a algumas limitações da tecnologia em seu estado atual, combinar detalhes do cliente com exemplos de conteúdo e engenharia de prompt inteligente pode ser usado para criar, de forma econômica, um volume gerenciável de variantes personalizadas. A aplicação de modelos independentes para avaliar o conteúdo gerado antes que ele siga para uma revisão final com um profissional de marketing experiente pode ajudar muito a garantir que esse conteúdo mais granular atenda aos padrões organizacionais, ao mesmo tempo em que se alinha de forma mais precisa às necessidades e preferências de um subsegmento específico.

Mas como transformar isso em um workflow confiável? E, fundamentalmente, como realmente enviamos todas essas variantes de conteúdo para os clientes pretendidos usando nossas tecnologias de marketing existentes? Neste post, continuamos a desenvolver o cenário do guia de presentes de fim de ano apresentado no blog anterior e demonstramos um workflow de ponta a ponta para entrega de conteúdo por e-mail com a Amperity e a Braze, duas plataformas amplamente adotadas na stack de MarTech corporativa.

Gerando o conteúdo

Em nosso blog anterior, mostramos como criar um prompt capaz de acionar um modelo de AI generativa para criar uma mensagem de e-mail de marketing adaptada aos interesses de um subsegmento de público. O prompt utilizou um exemplo de mensagem de e-mail para servir como guia e, em seguida, encarregou o modelo de alterar o conteúdo para ressoar melhor com um público com sensibilidades de preço e preferências de atividade específicas (Figura 1).

Figura 1. O prompt desenvolvido para a criação de um guia de presentes de fim de ano personalizado

Para aplicar esse prompt em escala, precisamos remover elementos específicos do cliente (como subcategoria de produto e preferências de preço neste exemplo) e inserir placeholders onde esses elements possam ser inseridos conforme necessário, criando um template de prompt. Os detalhes específicos do cliente podem então ser inseridos no prompt com template (hospedado no ambiente Databricks) com detalhes do cliente hospedados na plataforma de dados do cliente (CDP).

Como estamos usando a Amperity para nossa demonstração de CDP, a integração é um processo bastante simples. Usando o recurso Amperity Bridge, desenvolvido com o protocolo de código aberto Delta Sharing suportado pelo ambiente Databricks, basta criar uma conexão entre as duas plataformas e expor as informações apropriadas (Figura 2). (As etapas detalhadas sobre como configurar a conexão de ponte são encontradas aqui.)

Figura 2. Um passo a passo em vídeo de como se conectar ao Databricks por meio do Amperity Bridge

Nossa próxima etapa é consultar os dados armazenados na CDP, acessíveis no Databricks, para coletar detalhes de cada subsegmento. Uma vez definidos, podemos passar as informações associadas a cada um em nosso prompt para gerar mensagens personalizadas. Uma vez persistidos, podemos iterar sobre a saída, avaliando cada mensagem gerada em relação a vários critérios antes que esse conteúdo e os resultados da avaliação sejam apresentados a um profissional de marketing para revisão final e aprovação (Figura 3).

O resultado final desse processo é uma tabela de variantes de conteúdo, uma para cada combinação de faixa de preço preferida e subcategoria de produto, juntamente com uma tabela de saídas de avaliação para cada etapa de avaliação. Os dados agora estão prontos para a revisão do profissional de marketing.

OBSERVAÇÃO Para uma implementação técnica detalhada do workflow na Figura 3, confira este notebook.

Entregando o conteúdo

Com nossas variantes de conteúdo criadas, podemos voltar nossa atenção para a entrega. Os detalhes exatos de como proceder nesta etapa dependem da plataforma de entrega específica que você está usando. Para nossa demonstração, daremos uma olhada em como esse conteúdo pode ser entregue usando a Braze, uma plataforma líder de engajamento do cliente (Customer Engagement Platform) amplamente adotada em organizações de marketing.

Em um nível geral, as etapas envolvidas na entrega desse conteúdo via Braze são as seguintes:

1. Enviar variantes de conteúdo para a Braze
2. Identificar os membros do público que receberão o conteúdo
3. Conectar os membros do público a variantes de conteúdo específicas

Enviar variantes de conteúdo para a Braze

Na Braze, o conteúdo empregado como parte de uma campanha é definido como um Braze Catalog.

Usando a Braze Cloud Data Ingestion, esse conteúdo pode ser lido do Databricks, desde que o conteúdo seja apresentado em uma tabela ou view contendo um identificador exclusivo (ID), um campo datetime indicando quando o conteúdo foi atualizado pela última vez (UPDATED_AT) e um payload JSON (PAYLOAD) com elementos de título e corpo que serão usados para construir o conteúdo entregue.

Para ilustrar como poderíamos construir esse conjunto de dados, vamos supor que a saída do nosso workflow de geração de conteúdo (conforme ilustrado na Figura 4) resultou em uma tabela de conteúdo com a seguinte estrutura, onde preferred_price_point e holiday_preferred_subcategory representam os detalhes do subsegmento exclusivos de cada registro na tabela:

Podemos definir uma view em relação a essa tabela para estruturá-la para implantação como um Braze Catalog da seguinte forma:

No Braze, agora podemos definir um catálogo para esse conteúdo (Figura 3).

Figura 3. O Braze Catalog destinado a hospedar nosso conteúdo gerado

Em seguida, configuramos uma sincronização de Cloud Data Ingestion (CDI), conectando a view do Databricks à estrutura do Braze Catalog e a configuramos para sincronização, garantindo que ela permaneça atualizada (Figura 4).

Figura 4. A sincronização de Cloud Data Ingestion (CDI) mapeando o Braze Catalog para a view de conteúdo do Databricks

Identificar os membros do público

Agora precisamos dos detalhes das pessoas para as quais pretendemos enviar esse conteúdo. Como nossa meta é entregar esse conteúdo por e-mail, precisaremos dos endereços de e-mail do público-alvo. Elementos como nome e sobrenome também podem ser necessários para que o conteúdo possa ser direcionado ao destinatário de forma mais personalizada. E precisaremos de detalhes sobre como as pessoas estão alinhadas com as preferências de subcategoria de produto e preço. Esse último elemento será essencial para conectar os membros do público às variações de conteúdo específicas hospedadas no Braze Catalog.

Como estamos usando o Amperity como nossa CDP, enviar essas informações para o Braze é uma questão simples de definir o grupo de destinatários como um público e usar o conector do Amperity para enviar esses detalhes (Figura 5).

Conectar membros do público com variantes de conteúdo

Com todos os elementos definidos no Braze, agora podemos conectar os membros do público a variantes de conteúdo específicas e agendar o envio. Isso é feito no Braze usando modelos Liquid, uma linguagem de modelo de código aberto desenvolvida pela Shopify e escrita em Ruby. Essa linguagem é altamente acessível para profissionais de marketing e permite que eles definam conteúdo personalizável para distribuição em grande escala.

Primeiros passos

O Databricks está sendo cada vez mais usado nas empresas como o hub central para recursos de dados e analytics. Com recursos de IA generativa integrados e altamente extensíveis, bem como integração profunda com uma variedade de plataformas complementares, como a CDP Amperity e a Braze Customer Engagement Platform, as organizações estão criando uma ampla gama de aplicações, como a demonstrada neste blog, com o Databricks no centro.

Se você quiser saber mais sobre como o Databricks pode ser usado para ajudar suas equipes de marketing a criar e entregar conteúdo mais personalizado para seus clientes, entre em contato e vamos discutir as diversas opções disponíveis para desenvolver soluções usando a plataforma.

Esse processo aproveita vários componentes importantes e utiliza o seguinte fluxo de trabalho:

1. Estrutura e ingestão de conteúdo
   • Uma view é criada a partir da tabela de variantes de conteúdo, estruturada para uso pelo Braze Cloud Data Ingestion
   • Um Braze Catalog é criado como um repositório para as variantes de conteúdo
   • Uma sincronização de Cloud Data Ingestion é configurada, e o Braze sincroniza as variantes de conteúdo da view para o catálogo
2. Ativação de público do Amperity - O Amperity sincroniza o público de usuários para os quais o conteúdo foi criado com o Braze para um direcionamento preciso.
3. Construção de campanha e modelos Liquid
   • A linguagem de modelos Liquid é usada para fazer referência à linha correspondente no catálogo de variantes de conteúdo.
   • O Liquid preenche dinamicamente o assunto e o corpo do e-mail, de forma personalizada para cada usuário.

Etapa 3: Construção de campanha e modelos Liquid

A etapa final envolve a criação da campanha no Braze.

Os modelos Liquid desempenham um papel fundamental aqui, permitindo a inserção dinâmica do conteúdo gerado com base nos atributos do usuário armazenados nos perfis do Braze. Esses atributos, sincronizados por meio da ativação do Amperity, são referenciados para criar um ID de linha de catálogo correspondente. Esse ID é então usado para buscar e inserir a linha de assunto e o corpo do texto gerados no e-mail.

3a. Email Subject Line
Using Liquid filters, we combine the `preferred_price_point` and `holiday_preferred_subcategory` attributes, separated by an underscore, to create a local `identifier` variable:

Esse `identifier` gerado dinamicamente é então usado para fazer referência ao ID correspondente no catálogo HolidayGenAI:

Figura 5. Captura de tela das configurações de envio com Liquid

Para um usuário com um `preferred_price_point` de high e `holiday_preferred_subcategory` de Hiking, a saída do Liquid resultante na linha de assunto do e-mail será derivada do título do item de catálogo correspondente:

Figura 6. Item de catálogo mostrando a linha relevante

3b. Corpo do texto do e-mail
Podemos seguir a mesma abordagem para extrair o conteúdo gerado para o corpo do e-mail.

O resultado final é um e-mail que extrai dinamicamente o conteúdo de e-mail generativo, personalizado para a faixa de preço e subcategoria preferidas de cada usuário, gerando melhor engajamento e taxas de conversão mais altas.

Figura 7. Captura de tela do e-mail

Esse caso de uso pode ser expandido ainda mais para incluir a adição de imagens generativas ou até mesmo o uso de Connected Content para consultar um endpoint do Databricks diretamente no momento do envio.

Para obter uma implementação técnica detalhada do fluxo de trabalho da Figura 3, confira este notebook.

(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original