Preparando-se para as festas de fim de ano com conteúdo de marketing mais personalizado

Nesta primeira parte de uma série de blogs de duas partes, demonstramos como a AI generativa acoplada a dados de clientes pode ajudar as equipes de marketing a gerar conteúdo de marketing personalizado.

A temporada de festas de fim de ano é um momento crucial para varejistas e marcas de consumo dos US, com muitas empresas faturando 25% de sua receita anual apenas em novembro e dezembro. Para marcas especializadas em brinquedos, jogos e hobbies, esse valor pode chegar a até 34,5%. Isso torna essencial capturar a atenção do consumidor bem antes do período crítico de compras. Mas com tantas organizações competindo por essa atenção, como se destacar e conquistar clientes bombardeados de opções?

Cada vez mais, a resposta é apostar na personalização. O conteúdo de marketing personalizado, adaptado às necessidades, interesses e preferências de consumidores individuais, é amplamente reconhecido como uma forma eficaz de superar o ruído e chamar a atenção dos compradores. Mas embora possa melhorar os resultados em comparação com outras abordagens de marketing de massa, o custo em tempo e esforço para desenvolver conteúdo frequentemente limita o quão personalizado ele realmente pode ser.

As pessoas costumam falar sobre marketing um para um, mas a verdade é que a maior parte do conteúdo ainda é direcionada a segmentos de centenas de milhares ou até vários milhões de consumidores semelhantes. Isso ocorre simplesmente porque as equipes de marketing têm uma capacidade limitada para desenvolver conteúdo para uma campanha.

No entanto, a AI generativa alimentada por dados abrangentes de clientes pode ajudar as equipes de marketing a alcançar grupos de consumidores menores e mais específicos com mensagens altamente personalizadas, mantendo o alinhamento com os objetivos mais amplos da campanha. Embora o custo e a necessidade de revisar os resultados das tecnologias generativas possam ainda não permitir um marketing um para um real, eles têm o potencial de desbloquear o próximo nível no marketing personalizado, ajudando as organizações a se destacarem melhor da concorrência com conteúdos mais sob medida.

Demonstrando a criação de conteúdo orientada por AI

Voltando ao tema da temporada de festas de fim de ano, queremos demonstrar como usar a AI generativa para criar um guia personalizado de presentes de fim de ano. Esses guias, que há muito tempo são um elemento essencial do marketing de fim de ano, costumam abranger uma ampla gama de interesses dos consumidores, de modo que os clientes em potencial precisam procurar as seções de seu interesse. Isso nos dá uma excelente oportunidade de estreitar o foco do conteúdo para as necessidades e interesses de quem vai presentear, tornando muito mais provável que o guia repercuta neles.

Nesta série de blogs, vamos reimaginar a criação e a entrega de um guia digital para um varejista fictício de artigos esportivos. Em vez de um único guia monolítico entregue a clientes considerados propensos a comprar itens de fim de ano dessa empresa, usaremos informações sobre as categorias de presentes preferidas de cada destinatário e a sensibilidade ao preço com base em seu histórico anterior de navegação e compra para produzir guias personalizados para cada uma das 21 interseções de 7 categorias reconhecidas e 3 níveis de sensibilidade ao preço.

Nesta primeira publicação da nossa série, abordaremos o desafio de fazer com que um modelo de AI generativa produza resultados confiáveis e de alta qualidade. No segundo blog, desenvolveremos um fluxo de trabalho de ponta a ponta para automatizar a criação de conteúdo e o envio de e-mails.

Como usar o AI Playground

O desenvolvimento de um conjunto de instruções que fará com que um modelo de AI generativa produza o conteúdo de que precisamos é conhecido como engenharia de prompt. A engenharia de prompt é um processo altamente iterativo, que exige muita — e queremos dizer muita mesmo! — tentativa e erro. Devido ao investimento de tempo considerável que a maioria das organizações fará nessa atividade, o Databricks lançou uma interface de usuário interativa conhecida como AI Playground para simplificar o processo (Figura 1).

No momento em que escrevemos este texto, o AI Playground está pré-configurado para usar o modelo Meta Llama 3.1 70B Instruct. Usando o menu suspenso no centro superior da tela do playground, você pode selecionar outros modelos pré-instalados no ambiente Databricks ou até mesmo modelos pré-configurados pelos administradores do Databricks. Você também pode escolher vários modelos para executar lado a lado, permitindo comparar os resultados de um prompt compartilhado. Mas para este exercício, vamos nos concentrar no modo padrão único (Figura 2).

Além de selecionar um modelo, também podemos configurar várias opções que controlam o comportamento de cada modelo (Figura 3). Sugerimos deixar esses valores nos padrões durante o desenvolvimento inicial do prompt e, mais tarde, testar esses valores para ver como eles afetam seus resultados.

Passando para os prompts, observe que existem dois tipos de prompts normalmente empregados durante a criação de conteúdo. Você pode ver as opções para esses dois prompts, conhecidos como prompt de sistema e prompt de usuário, na parte inferior da tela do AI Playground (Figura 4).

O prompt de sistema é normalmente a instrução geral sobre como o LLM deve se comportar. Ele define o tom, o contexto e as restrições para as tarefas que o modelo de AI generativa deve realizar, como a estrutura do nosso guia de fim de ano. Isso difere do prompt de usuário, no qual frequentemente fornecemos os detalhes específicos de uma solicitação específica, como o público-alvo do guia de fim de ano específico que precisamos que o modelo produza. Se esta for a sua primeira vez fazendo engenharia de prompt e ainda não estiver claro como esses dois tipos de prompts diferem (e como interagem), deve ser mais fácil entender à medida que avançamos em alguns exemplos.

Definindo os prompts

Com a introdução ao AI Playground concluída, vamos usá-lo agora para desenvolver nossos prompts. Para o prompt de sistema, vamos especificar o seguinte, clicando no botão Salvar para persistir a instrução:

Write a piece of creative with a title and a body that uses the user’s preferred price point and preferred holiday gifting subcategory. The focus should be on gifting during the holidays.

Para o prompt de usuário, podemos fornecer instruções específicas para uma de nossas variantes:

Create content for a low price point shopper with a holiday preferred subcategory of Ski.

Quando enviamos essa instrução ao modelo, recebemos de volta um resultado bastante interessante (Figura 5).

Para tornar o conteúdo mais fácil de ler, aqui está o resultado em texto simples, truncado para fins de brevidade:

Ski into the Holiday Season without Breaking the Bank

Are you a ski enthusiast on a budget? Do you want to show your loved ones that you care about their winter adventures without overspending? Look no further! We've got you covered with our top picks for affordable ski-themed gifts that won't break the bank.

Under $20:

* A warm and cozy beanie to keep their head and ears toasty on the slopes ($15)
* A set of ski-themed stickers or decals to decorate their water bottle or laptop ($10)
* A gift card to their favorite ski resort or coffee shop, so they can treat themselves to a hot chocolate or a lift ticket ($20) ....

Embora a resposta pareça coerente, ela apresenta alguns problemas. Primeiro, ela é longa demais. Não definimos nenhuma restrição de comprimento de conteúdo no prompt do sistema, mas claramente precisamos fazer isso. Segundo, o modelo sugeriu vários produtos (com preços!), sendo que, na verdade, ele não tem conhecimento dos itens do nosso catálogo de produtos real. Precisamos fornecer informações sobre produtos específicos ou pedir para ele elevar o nível do conteúdo para abordar categorias relevantes de itens que oferecemos.

Com isso em mente, atualizamos nosso prompt do sistema para o seguinte:

Write a piece of creative with a title and a body that uses the user’s preferred price point and preferred holiday gifting subcategory. The focus should be on gifting during the holidays. Focus on product categories in the output. Never include specific products in the output. Also, never include prices. Outputs should be brief and concise, no more than approximately 150 words.

O prompt do usuário continua o mesmo:

Create content for a low price point shopper with a holiday preferred subcategory of Ski.

Nota: O AI Playground foi projetado para ser conversacional e manterá o histórico dos prompts anteriores na sessão. Para limpar a sessão, recomendamos atualizar a página antes de enviar esses dois novos prompts.

Com esses dois novos prompts, temos uma resposta de modelo bem diferente:

"Ski-tastic Stocking Stuffers"

Hit the slopes with a smile this holiday season! If you're looking for affordable gifts for the skier in your life, we've got you covered. Our collection of ski-themed treasures is sure to delight, without breaking the bank.

Browse our selection of cozy accessories, such as soft hats, warm gloves, and colorful scarves, perfect for adding a pop of personality to their ski gear. Or, opt for functional favorites like ski-themed water bottles, phone cases, and luggage tags. We also offer a range of fun and quirky ski-inspired decorations, like snowflake ornaments and mountain-themed magnets.

Whatever you choose, it's sure to be a gift that's "peak" perfection!

Embora o resultado tenha sido melhor, ele foi um pouco genérico demais e parecia sugerir coisas aleatórias, como capas de celular. Para resolver isso, atualizamos o prompt para enfatizar que o guia de presentes se refere a uma loja de artigos esportivos e, portanto, o foco deve ser em produtos esportivos:

Prompt do sistema:

You are writing copy for a sporting goods retailer. Outputs should focus on sporting good products. Write a piece of creative with a title and a body that uses the user's preferred price point and preferred holiday gifting subcategory. The focus should be on gifting during the holidays. Focus on product categories in the output. Never include specific products in the output. Also, never include prices. Outputs should be brief and concise, no more than approximately 150 words.

Prompt do usuário:

Create content for a low price point shopper with a holiday preferred subcategory of Ski.

Com isso, a resposta está começando a parecer melhor, embora ainda haja algumas peculiaridades, como começar com “Ei, caçador de aventuras!” sugerindo que o leitor estaria fazendo compras para si mesmo:

Hey thrill-seeker! Are you looking for affordable gifts for the skier in your life? Look no further! Our selection of ski accessories is the perfect way to show you care without breaking the bank. From warm and cozy hats and gloves to functional ski socks and goggles, we've got everything you need to keep your loved one on the slopes all season long. Plus, our ski bags and backpacks are perfect for carrying all their gear in style. Give the gift of a great ski season without sacrificing your holiday budget. Shop our affordable ski accessories today and make this winter one to remember!

E assim continuamos refinando o prompt do sistema, informando ao modelo que os presentes eram para outra pessoa, e não para o destinatário do e-mail. Também descobrimos que fornecer um exemplo de e-mail para o modelo estruturar seu conteúdo ajudou bastante, e fornecer esse e-mail com formatação HTML nos ajudou a produzir um resultado que poderia ser facilmente transformado para atender às nossas necessidades de entrega. Assim, após mais algumas rodadas de iteração, finalmente chegamos a estes prompts:

Prompt do sistema:

You are writing copy for a sporting goods retailer. Outputs should focus on sporting good products. Write a piece of creative with a title and a body that uses the user's preferred price point and preferred holiday gifting subcategory. The focus should be on gifting during the holidays. The person receiving the content is the gifter. They might not be personally interested in the featured subcategory. Focus on product categories in the output. Never include specific products in the output. Also, never include prices. Outputs should be brief and concise, no more than approximately 150 words. Reference the examples when crafting content.

Example low price point with a holiday preferred subcategory of ski
<title>
Gift Guide for Skiers this Holiday Season
</title>
<body>
Planning gifts for the skiers in your family? We've hand picked new gloves, goggles, and all the other ski essentials to stuff your stocking this holiday season.

**Ski Goggles**
Designed for clarity and protection, these goggles shield against snow glare and offer a snug fit for all-day comfort.

**Ski Gloves**
Stay warm with insulated gloves that provide excellent grip and waterproof protection for those chilly mountain runs.
...

</body>
Example high price point with a holiday preferred subcategory of hiking
<title>
Gift Guide for Hikers this Holiday Season
</title>
<body>

Planning gifts for the high-performance hikers in your family? We've hand picked the top-tier backpacks, hiking shoes, and all the other hiking gear to stuff your stocking this holiday season.

**Backpacks**
Durable and spacious, these backpacks are designed to carry all the essentials, featuring ergonomic straps for long treks.

**Hiking Shoes**
Engineered for challenging terrains, these shoes combine superior traction with weather-resistant materials for unmatched performance.
...
</body>

Prompt do usuário:

Create content for a low price point shopper with a holiday preferred subcategory of Ski.

Resposta:

<title> Stocking Stuffers for Skiers on a Budget</title> <body> Give the gift of warmth and comfort to the skiers in your life without breaking the bank. Our affordable ski accessories are perfect for stuffing stockings this holiday season.

Ski Socks Keep toes warm and dry with moisture-wicking ski socks that provide a snug fit and excellent arch support.

Ski Hats and Headbands Stay warm and stylish with our collection of ski hats and headbands, designed to keep the cold out and the warmth in.

Hand and Toe Warmers Keep hands and toes toasty on the slopes with our convenient and portable hand and toe warmers, perfect for a quick pick-me-up.

</body>

Ficamos muito satisfeitos com esse resultado. Ele é claramente voltado para a escolha de presentes de fim de ano e atende às preferências de presentes do nosso comprador. Para fazer o modelo retornar esse resultado, tivemos que fornecer muitos detalhes na instrução, mas o elemento mais importante parece ser dar ao modelo um exemplo de texto para ele modificar. Isso parece ter limitado o comportamento dele de forma excelente, nos fornecendo um conteúdo que está quase pronto para ser enviado. Em seguida, testamos o prompt com as outras 20 variações de preço e preferência de atividade e vimos que obtivemos resultados razoavelmente bons, o que nos permitiu finalizar nossos esforços de engenharia de prompt.

Avaliando os resultados

Como mencionado anteriormente, a engenharia de prompt exige muita tentativa e erro. Com o tempo, você começa a se sentir confortável com diferentes modelos, entendendo os tipos de detalhes necessários nas instruções para entregar os resultados desejados, mas a necessidade de experimentação nunca desaparece por completo.

Uma pergunta fundamental que costuma surgir: existe uma maneira de avaliar os resultados do modelo para que possamos reconhecer resultados bons e ruins de forma mais confiável e consistente? Embora existam algumas métricas usadas por profissionais da área de AI generativa para avaliar os resultados dos modelos, essas métricas geralmente não atendem às nossas necessidades quando estamos colocando modelos em uso para aplicações práticas.

Portanto, podemos refletir sobre o processo de criação manual de conteúdo que nossas organizações vêm utilizando até agora e tirar algumas lições daí. Quando criamos textos de marketing manualmente, geralmente há um processo longo em que o autor lida com a linguagem e as restrições da campanha. Isso geralmente é seguido por revisões, edições, etc., que garantem que o texto atenda às necessidades da organização. Embora seja um processo essencialmente humano, o fato de que tanto tempo e tantas pessoas foram dedicados a ele significa que temos uma confiança relativa de que o resultado final está alinhado com nossas necessidades.

Se adotarmos esse processo, ainda poderemos direcionar nossos resultados gerativos para um processo de revisão com supervisão humana (human-in-the-loop). Se mantivermos o número de variações dentro do razoável, como as 21 variações analisadas aqui, não há razão para não termos pessoas da equipe revisando e editando cada uma delas, ainda alcançando ganhos significativos em termos de eficiência. Se dermos o passo adicional de alimentar os resultados corrigidos de volta em nosso modelo (por meio de um processo conhecido como ajuste fino ou fine-tuning, ou simplesmente incluindo exemplos de resultados bons e ruins no prompt do sistema), poderemos chegar a um modelo personalizado mais capaz, ao longo do tempo, de atender aos nossos requisitos com cada vez menos esforço adicional.

Também podemos tornar explícitos os critérios que usamos frequentemente para avaliar o conteúdo de marketing. Ao incorporar em nosso fluxo de trabalho verificações baseadas em código para erros de ortografia, linguagem inadequada, sentimento, tom, etc., usando bibliotecas e técnicas populares de processamento de linguagem natural (NLP), podemos poupar nossos profissionais de marketing de muitos dos elementos mais rotineiros do processo de revisão. Mas podemos ir ainda mais longe.

Se você olhar para a parte inferior do resultado gerado no AI Playground, notará um conjunto de avaliações realizadas por um AI Judge (Figura 6).

Um AI Judge nada mais é do que um modelo independente, frequentemente tão ou mais poderoso, que é solicitado a examinar o conteúdo para ver se ele atende a requisitos que, às vezes, são sutis. Por exemplo, no AI Playground, no momento em que este texto foi escrito, existem duas perguntas sobre a segurança e a relevância da resposta. Você poderia facilmente criar diversos outros critérios para o seu próprio AI Judge avaliar como parte do seu fluxo de trabalho de criação de conteúdo, garantindo melhor que o conteúdo que atende aos seus critérios exija o mínimo de intervenção humana antes de ser enviado aos clientes.

Próximos passos: Construindo o fluxo de trabalho de criação e entrega

Com nossos prompts definidos, agora podemos explorar como construir um fluxo de trabalho automatizado para criar textos em escala e, em seguida, conectar esse texto a um mecanismo de entrega. No próximo blog desta série, mostraremos como isso é feito, conectando o Databricks a uma CDP para acessar detalhes dos clientes, gerando e avaliando textos com base em prompts definidos como fizemos aqui e, em seguida, enviando o texto aprovado para um serviço de entrega de e-mail para alcançar nossos clientes-alvo. Enquanto isso, convidamos você a explorar o Databricks AI Playground e experimentar a engenharia de prompts para criação de conteúdo.

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