ABM 2.0 ແມ່ນຫຍັງ? ກົນລະຍຸດການໃຊ້ AI ເພື່ອລະບຸຕົວຕົນຜູ້ມີສ່ວນຮ່ວມໃນການຊື້ແບບລາຍບຸກຄົນ ແລະ ເພີ່ມປະສິດທິພາບການເຂົ້າຫາແບບ B2B

ABM 2.0 ແມ່ນຍຸດທະສາດການຕະຫຼາດທີ່ນຳໃຊ້ AI ເຂົ້າມາຊ່ວຍໃນການລະບຸຕົວຕົນຂອງຜູ້ມີສ່ວນກ່ຽວຂ້ອງໃນການຊື້ຂາຍໃນລະດັບບຸກຄົນ, ເພື່ອເພີ່ມອັດຕາການປິດການຂາຍ B2B ດ້ວຍວິທີການທີ່ເໝາະສົມທີ່ສຸດສຳລັບແຕ່ລະຄົນ.

ABM (Account-Based Marketing) ແບບດັ້ງເດີມແມ່ນການກຳນົດເປົ້າໝາຍໂດຍອີງໃສ່ບໍລິສັດ ຫຼື "Account" ເປັນຫຼັກ. ແຕ່ໃນຄວາມເປັນຈິງແລ້ວ, ການຕັດສິນໃຈຊື້ຈະເກີດຂຶ້ນຈາກການປຶກສາຫາລືຂອງພະນັກງານຫຼາຍຄົນທີ່ມີຕຳແໜ່ງ ແລະ ຄວາມສົນໃຈທີ່ແຕກຕ່າງກັນ. ຈຸດໃໝ່ຂອງ ABM 2.0 ແມ່ນການໃຊ້ AI ເພື່ອເພີ່ມຄວາມລະອຽດໃນການລະບຸວ່າ "ໃຜມີສ່ວນຮ່ວມໃນການຕັດສິນໃຈ" ລົງໄປເຖິງລະດັບບຸກຄົນ, ພ້ອມທັງສົ່ງຂໍ້ຄວາມທີ່ຕອບໂຈດຂອງແຕ່ລະຄົນໄດ້ຢ່າງຖືກຕ້ອງ. ບົດຄວາມນີ້ຈະອະທິບາຍຕາມລຳດັບຂັ້ນຕອນຕັ້ງແຕ່ການກະກຽມ, 3 ຂັ້ນຕອນໃນການປະຕິບັດຕົວຈິງ, ຈົນເຖິງຂໍ້ຜິດພາດທີ່ມັກພົບເລື້ອຍ ສຳລັບນັກການຕະຫຼາດ ແລະ ພະນັກງານຂາຍທີ່ຕ້ອງການເຂົ້າຫາຜູ້ມີສ່ວນກ່ຽວຂ້ອງໃນການຕັດສິນໃຈຫຼາຍໆຄົນຢ່າງມີປະສິດທິພາບ.

ກ່ອນອື່ນໝົດ, ມາທຳຄວາມເຂົ້າໃຈກັນວ່າ ABM 2.0 ມີຄວາມແຕກຕ່າງຈາກ ABM ແບບດັ້ງເດີມແນວໃດ. ບໍ່ແມ່ນພຽງແຕ່ຄຳສັບໃໝ່ເທົ່ານັ້ນ, ແຕ່ຫົວໜ່ວຍຂອງການກຳນົດເປົ້າໝາຍ (Targeting) ແລະ ບົດບາດທີ່ AI ຮັບຜິດຊອບນັ້ນ ໄດ້ປ່ຽນແປງໄປຈາກພື້ນຖານເດີມຢ່າງສິ້ນເຊີງ. ໂດຍຈະຂໍສະຫຼຸບອອກເປັນ 3 ມຸມມອງດັ່ງນີ້:

ABM ແບບດັ້ງເດີມແມ່ນວິທີການໃນ "ລະດັບບັນຊີ" ທີ່ເລືອກບໍລິສັດເປົ້າໝາຍ ແລະ ສົ່ງໂຄສະນາ ຫຼື ເນື້ອຫາໄປໃຫ້ບໍລິສັດເຫຼົ່ານັ້ນ. ແຕ່ເຖິງແມ່ນວ່າຈະສົ່ງຂໍ້ຄວາມໄປຫາບໍລິສັດ, ຜູ້ທີ່ອ່ານແທ້ໆກໍຄືບຸກຄົນທີ່ຢູ່ພາຍໃນ. ສຳລັບຜະລິດຕະພັນດຽວກັນ, ຜູ້ບໍລິຫານ ແລະ ພະນັກງານທີ່ປະຕິບັດງານຕົວຈິງຈະມີຈຸດທີ່ສົນໃຈແຕກຕ່າງກັນຢ່າງສິ້ນເຊີງ.

ການກຳນົດເປົ້າໝາຍໃນລະດັບຜູ້ຕິດຕໍ່ (Contact-level targeting) ຈະຊ່ວຍຫຼຸດລະດັບຄວາມລະອຽດລົງໄປຫາ "ບຸກຄົນທີ່ຢູ່ພາຍໃນ" ເຫຼົ່ານີ້. ເຖິງແມ່ນວ່າຈະຢູ່ໃນບໍລິສັດດຽວກັນ, ແຕ່ເຮົາສາມາດປ່ຽນວິທີການນຳສະເໜີໄດ້ ເຊັ່ນ: ເນັ້ນເລື່ອງຄວາມຄຸ້ມຄ່າຂອງການລົງທຶນໃຫ້ກັບຜູ້ບໍລິຫານທີ່ກຳກັບງົບປະມານ, ເນັ້ນເລື່ອງການປ່ຽນແປງຂອງວຽກງານໃຫ້ກັບຫົວໜ້າພະແນກທີ່ເປັນຜູ້ນຳພາການນຳໃຊ້, ແລະ ເນັ້ນເລື່ອງຄວາມສະດວກໃນການໃຊ້ງານໃຫ້ກັບພະນັກງານທີ່ເປັນຜູ້ໃຊ້ງານຕົວຈິງ.

ຄວາມແຕກຕ່າງນີ້ສົ່ງຜົນໂດຍກົງຕໍ່ປະສິດທິພາບຂອງຂໍ້ຄວາມ. ໃນລະດັບບັນຊີ, ຂໍ້ຄວາມມັກຈະກາຍເປັນ "ຂໍ້ຄວາມທົ່ວໄປທີ່ບໍ່ຊັດເຈນວ່າສົ່ງເຖິງໃຜ", ແຕ່ໃນລະດັບບຸກຄົນ, ເຮົາສາມາດປັບໃຫ້ເຂົ້າກັບຄວາມສົນໃຈຂອງຜູ້ຮັບໄດ້. AI ຖືກນຳມາໃຊ້ເພື່ອສະໜັບສະໜູນການແຍກນຳສະເໜີຂໍ້ມູນໃຫ້ແຕ່ລະບຸກຄົນໃນຂະໜາດທີ່ມະນຸດບໍ່ສາມາດເຮັດໄດ້ທັນ.

ການຊື້-ຂາຍໃນຮູບແບບ B2B ໂດຍສະເພາະການຕັດສິນໃຈທີ່ມີມູນຄ່າສູງນັ້ນ ບໍ່ໄດ້ຈົບລົງດ້ວຍຄົນພຽງຄົນດຽວ. ບໍ່ວ່າຈະເປັນຜູ້ສະເໜີການນຳໃຊ້, ຜູ້ອະນຸມັດງົບປະມານ, ຜູ້ໃຊ້ງານຕົວຈິງໃນໜ້າວຽກ, ຫຼື ຜູ້ກວດສອບລະບົບຂໍ້ມູນຂ່າວສານ ແລະ ຄວາມປອດໄພ — ຫຼາຍພາກສ່ວນທີ່ກ່ຽວຂ້ອງກັບການຊື້-ຂາຍຈະຮ່ວມກັນຕັດສິນໃຈ. ໃນພາສາອັງກິດ ເອີ້ນກຸ່ມຄົນເຫຼົ່ານີ້ວ່າ Buying Committee.

ຂໍ້ຜິດພາດທີ່ມັກເກີດຂຶ້ນໃນຈຸດນີ້ຄື ການຕິດຕາມພຽງແຕ່ຄົນທຳອິດທີ່ເຮົາໄດ້ຕິດຕໍ່ນຳເທົ່ານັ້ນ. ເຖິງແມ່ນວ່າຜູ້ຮັບຜິດຊອບຄົນນັ້ນຈະມີຄວາມກະຕືລືລົ້ນຫຼາຍພຽງໃດ ແຕ່ຖ້າບໍ່ໄດ້ຮັບການອະນຸມັດພາຍໃນບໍລິສັດ ການເຈລະຈາທາງການຄ້າກໍບໍ່ສາມາດກ້າວໜ້າໄປໄດ້. ໃນທາງກັບກັນ, ຖ້າຫາກເນັ້ນໄປທີ່ຜູ້ຕັດສິນໃຈພຽງຢ່າງດຽວ ແຕ່ຂາດຄວາມເຂົ້າໃຈຈາກຜູ້ໃຊ້ງານຕົວຈິງ ກໍຈະສົ່ງຜົນໃຫ້ບໍ່ມີການນຳໃຊ້ຫຼັງຈາກການຕິດຕັ້ງ.

ເມື່ອ ABM 2.0 ກ່າວເຖິງ "ການລະບຸຕົວຕົນຂອງບຸກຄົນ" ເປົ້າໝາຍກໍຄືການເບິ່ງພາບລວມຂອງຜູ້ທີ່ມີສ່ວນຮ່ວມໃນການຊື້-ຂາຍນີ້. ຖ້າສາມາດເຂົ້າໃຈໄດ້ວ່າໃຜມີສ່ວນກ່ຽວຂ້ອງ ແລະ ແຕ່ລະຄົນມີຄວາມກັງວົນໃນເລື່ອງໃດ, ເຮົາກໍຈະບໍ່ຕ້ອງເພິ່ງພາພຽງແຕ່ຄວາມກະຕືລືລົ້ນຂອງຄົນໃດຄົນໜຶ່ງ, ແຕ່ສາມາດສົ່ງຂໍ້ມູນທີ່ຈຳເປັນເພື່ອໃຫ້ຜູ້ທີ່ມີສ່ວນກ່ຽວຂ້ອງທັງໝົດບັນລຸຂໍ້ຕົກລົງຮ່ວມກັນໄດ້.

ການເຂົ້າໃຈຜູ້ມີສ່ວນຮ່ວມໃນການຊື້ແຕ່ລະຄົນ ແລະ ດຳເນີນການໃຫ້ເໝາະສົມກັບແຕ່ລະບຸກຄົນ — ເຫດຜົນນີ້ມີມາແຕ່ດົນແລ້ວ ແຕ່ໃນຄວາມເປັນຈິງແລ້ວການເຮັດດ້ວຍແຮງງານຄົນນັ້ນບໍ່ສາມາດເປັນໄປໄດ້. ຖ້າບໍລິສັດໜຶ່ງມີຜູ້ກ່ຽວຂ້ອງສອງ-ສາມຄົນ ແລະ ມີເປົ້າໝາຍຫຼາຍຮ້ອຍບໍລິສັດ, ຈຳນວນບຸກຄົນທີ່ຕ້ອງຕິດຕາມກໍຈະເພີ່ມຂຶ້ນເປັນຫຼາຍພັນຄົນຢ່າງງ່າຍດາຍ.

ສິ່ງທີ່ປ່ຽນແປງສະຖານະການນີ້ຄື ເທັກໂນໂລຊີ AI ເຊິ່ງລວມເຖິງ Generative AI. ມັນສາມາດຊ່ວຍໃນຂະບວນການທີ່ຜ່ານມາຕ້ອງເຮັດດ້ວຍມື ເຊັ່ນ: ການຄາດຄະເນຈາກຂໍ້ມູນວ່າໃຜມີແນວໂນ້ມຈະມີສ່ວນຮ່ວມໃນການຊື້, ການວິເຄາະຄວາມສົນໃຈຂອງແຕ່ລະຄົນ, ແລະ ແມ່ນແຕ່ການຮ່າງຂໍ້ຄວາມທີ່ປັບແຕ່ງໃຫ້ເໝາະສົມກັບແຕ່ລະບຸກຄົນ.

ຢ່າງໃດກໍຕາມ, AI ບໍ່ໄດ້ເຮັດໜ້າທີ່ຕັດສິນໃຈແທນຄົນ. ສິ່ງທີ່ AI ຮັບຜິດຊອບຄືການແກ້ໄຂ "ບັນຫາດ້ານຂະໜາດ" ເມື່ອຕ້ອງຮັບມືກັບບຸກຄົນຈຳນວນມະຫາສານ. ໃນທີ່ສຸດ, ການຕັດສິນໃຈວ່າຈະສົ່ງຂໍ້ຄວາມໃດ ແລະ ຈະໃຫ້ຄົນເຂົ້າໄປມີສ່ວນຮ່ວມໃນຂັ້ນຕອນໃດນັ້ນ ຍັງຄົງເປັນໜ້າທີ່ຂອງນັກກາລະຕະຫຼາດ ແລະ ຝ່າຍຂາຍ. ການເບິ່ງ AI ວ່າເປັນ "ເຄື່ອງມືທີ່ຊ່ວຍໃຫ້ສາມາດເຂົ້າເຖິງຄວາມລະອຽດທີ່ແຮງງານຄົນບໍ່ສາມາດເຮັດໄດ້" ແທນທີ່ຈະເບິ່ງວ່າເປັນ "ເວດມົນແຫ່ງການອັດຕະໂນມັດ" ຄືຈຸດເລີ່ມຕົ້ນໃນການຫຼີກລ່ຽງຄວາມຄາດຫວັງທີ່ເກີນຈິງ.

ABM 2.0 ບໍ່ແມ່ນສິ່ງທີ່ຈະເຮັດວຽກໄດ້ທັນທີພຽງແຕ່ຕິດຕັ້ງເຄື່ອງມືເທົ່ານັ້ນ. ຄວາມແມ່ນຍໍາຂອງ AI ແລະ ການປະສານງານພາຍໃນອົງກອນ ລ້ວນແຕ່ຂຶ້ນຢູ່ກັບຄຸນນະພາບຂອງການກະກຽມພື້ນຖານ. ກ່ອນທີ່ຈະເຂົ້າສູ່ຂັ້ນຕອນການປະຕິບັດຕົວຈິງ, ໃຫ້ກວດສອບ 3 ເງື່ອນໄຂເບື້ອງຕົ້ນທີ່ຄວນກະກຽມໃຫ້ພ້ອມ.

ຄວາມແມ່ນຍຳຂອງ ABM 2.0 ແມ່ນຂຶ້ນກັບຄຸນນະພາບ ແລະ ປະລິມານຂອງຂໍ້ມູນທີ່ປ້ອນເຂົ້າ. ກ່ອນອື່ນໝົດ, ຕ້ອງກວດສອບວ່າຂໍ້ມູນລູກຄ້າທີ່ບໍລິສັດມີຢູ່ ເຊັ່ນ: ປະຫວັດການເຈລະຈາທຸລະກິດ, ການສອບຖາມ, ພຶດຕິກຳໃນເວັບໄຊ, ແລະ ປະຫວັດການຊື້-ຂາຍ ໄດ້ຖືກຈັດລະບຽບ ແລະ ສະສົມໄວ້ໃນ CRM ຫຼື ເຄື່ອງມື MA ແລ້ວຫຼືບໍ່.

ສິ່ງທີ່ມັກພົບເລື້ອຍຄື ສະພາບທີ່ຂໍ້ມູນກະແຈກກະຈາຍຢູ່ໃນສະເປຣດຊີດຂອງແຕ່ລະພະແນກ ຫຼື ຢູ່ໃນຄວາມຈຳຂອງບຸກຄົນ. ໃນສະພາບນີ້, ຂໍ້ມູນຍັງບໍ່ຢູ່ໃນຮູບແບບທີ່ສາມາດສົ່ງຂໍ້ມູນຕໍ່ໃຫ້ AI ໄດ້, ເຮັດໃຫ້ບໍ່ສາມາດເລີ່ມຕົ້ນການວິເຄາະໄດ້. ການເຮັດໃຫ້ຂໍ້ມູນກ່ຽວກັບລູກຄ້າເປັນສູນກາງດຽວ, ລວມ ຫຼື Merge ຂໍ້ມູນທີ່ຊ້ຳຊ້ອນ ແລະ ແກ້ໄຂຄວາມບໍ່ສອດຄ່ອງຂອງຮູບແບບການຂຽນ ແມ່ນການກະກຽມທີ່ເບິ່ງຄືວ່າທຳມະດາແຕ່ຂາດບໍ່ໄດ້.

ນອກຈາກຂໍ້ມູນຂອງບໍລິສັດເອງ (First-party data) ແລ້ວ, ຄວນພິຈາລະນາການນຳໃຊ້ຂໍ້ມູນພາຍນອກ ເຊັ່ນ: Intent data ທີ່ຊ່ວຍຈັບສັນຍານຄວາມຕ້ອງການຊື້. ຢ່າງໃດກໍຕາມ, ກ່ອນຈະເພີ່ມຂໍ້ມູນພາຍນອກ, ຄວນໃຫ້ຄວາມສຳຄັນກັບການປັບປຸງຂໍ້ມູນຂອງບໍລິສັດເອງກ່ອນ. ຖ້າພື້ນຖານບໍ່ໝັ້ນຄົງ, ການເພີ່ມພຽງແຕ່ເຄື່ອງມືເຂົ້າໄປ ກໍຈະເຮັດໃຫ້ AI ຜະລິດຜົນການວິເຄາະທີ່ມີຄວາມແມ່ນຍຳຕ່ຳອອກມາເທົ່ານັ້ນ. ເຄື່ອງມືທີ່ຈະນຳມາໃຊ້ ຄວນເລືອກໂດຍອີງໃສ່ຄວາມສາມາດໃນການເຊື່ອມໂຍງ ແລະ ປະສານຂໍ້ມູນເຫຼົ່ານີ້ເຂົ້າກັນໄດ້.

ຕໍ່ໄປ, ໃຫ້ທົບທວນຄືນການກຳນົດວ່າໃຜຄືລູກຄ້າໃນອຸດົມຄະຕິ. ໂປຣໄຟລ໌ລູກຄ້າໃນອຸດົມຄະຕິ (ICP) ແມ່ນການລະບຸເງື່ອນໄຂຂອງບໍລິສັດທີ່ຜະລິດຕະພັນຂອງບໍລິສັດເຮົາຈະສ້າງມູນຄ່າໄດ້ຫຼາຍທີ່ສຸດ ເຊັ່ນ: ປະເພດທຸລະກິດ, ຂະໜາດ, ບັນຫາທີ່ກຳລັງປະເຊີນ ແລະ ອື່ນໆ ໃຫ້ເປັນຮູບປະທຳ. ຖ້າສິ່ງນີ້ບໍ່ຊັດເຈນ, ກໍຈະບໍ່ສາມາດສັ່ງ AI ໄດ້ວ່າ "ຄວນຊອກຫາໃຜ".

ໃນ ABM 2.0, ນອກເໜືອໄປຈາກ ICP ໃນລະດັບບໍລິສັດແລ້ວ, ຈຳເປັນຕ້ອງເຮັດໃຫ້ບຸກຄະລິກລັກສະນະ (Persona) ຂອງຜູ້ມີສ່ວນກ່ຽວຂ້ອງແຕ່ລະຄົນໃນການຊື້ມີຄວາມລະອຽດຊັດເຈນ. ຜູ້ຕັດສິນໃຈ, ຜູ້ຊຸກຍູ້, ຜູ້ປະຕິບັດງານຕົວຈິງ ແລະ ຜູ້ກວດສອບແຕ່ລະຄົນ ມີຈຸດຢືນແນວໃດ, ຕ້ອງການບັນລຸຫຍັງ ແລະ ມີຄວາມກັງວົນເລື່ອງໃດ. ການສ້າງ Persona ຕາມບົດບາດຈະກາຍເປັນແກນຫຼັກ ຫຼື ຈຸດສຳຄັນ ໃນການອອກແບບຂໍ້ຄວາມໃນພາຍຫຼັງ.

ສິ່ງທີ່ຄວນລະວັງຄື ຢ່າສ້າງ Persona ຈາກການຄາດເດົາ. ໃຫ້ຫວນຄືນເບິ່ງຂະບວນການຊື້ຕົວຈິງຂອງລູກຄ້າຊັ້ນດີທີ່ມີຢູ່ແລ້ວ, ສັງເກດເບິ່ງວ່າໃຜມີສ່ວນກ່ຽວຂ້ອງ, ເລື່ອງດຳເນີນໄປບ່ອນໃດ ແລະ ໄປຕິດຂັດຢູ່ບ່ອນໃດ. Persona ທີ່ອີງໃສ່ຂໍ້ມູນຈິງເທົ່າໃດ ກໍຍິ່ງຈະຊ່ວຍຍົກລະດັບຄວາມຖືກຕ້ອງໃນການລະບຸຕົວຕົນ ແລະ ການວິເຄາະຄວາມສົນໃຈໂດຍ AI ໃຫ້ສູງຂຶ້ນເທົ່ານັ້ນ.

ABM 2.0 ບໍ່ໄດ້ຈົບລົງພຽງແຕ່ໃນພະແນກການຕະຫຼາດເທົ່ານັ້ນ. ໂດຍສ່ວນຫຼາຍແລ້ວ, ຝ່າຍຂາຍຈະເປັນຜູ້ເຂົ້າຫາຜູ້ທີ່ມີສ່ວນຮ່ວມໃນການຊື້ແຕ່ລະຄົນທີ່ AI ໄດ້ລະບຸໄວ້. ຖ້າທັງສອງຝ່າຍບໍ່ມີການປະສານງານກັນ, ການວິເຄາະທີ່ອຸປະສັກອຸດສາຫະກຳອາດຈະບໍ່ຖືກນຳໄປໃຊ້ໃນພາກປະຕິບັດຕົວຈິງ.

ສິ່ງທີ່ມັກພົບເຫັນເລື້ອຍໆຄື ຄວາມເຂົ້າໃຈຜິດລະຫວ່າງສອງຝ່າຍ ໂດຍທີ່ຝ່າຍການຕະຫຼາດຄິດວ່າ "ໄດ້ສົ່ງລາຍຊື່ຜູ້ມີໂອກາດເປັນລູກຄ້າໃຫ້ແລ້ວ" ໃນຂະນະທີ່ຝ່າຍຂາຍຮູ້ສຶກວ່າ "ເປັນລາຍຊື່ທີ່ມີຄຸນນະພາບຕ່ຳ". ໃນ ABM 2.0, ເນື່ອງຈາກຂໍ້ມູນທີ່ນຳມາໃຊ້ມີຄວາມລະອຽດເຖິງລະດັບບຸກຄົນ, ທັງສອງພະແນກຈຶ່ງຈຳເປັນຕ້ອງໄດ້ຕົກລົງກັນລ່ວງໜ້າກ່ຽວກັບມາດຕະຖານໃນການພິຈາລະນາວ່າໃຜຄື "ຜູ້ທີ່ຄວນເຂົ້າຫາ".

ໂດຍສະເພາະແມ່ນ ການກຳນົດຂະບວນການໄປ-ກັບ ໃຫ້ຊັດເຈນວ່າ ຕ້ອງຢູ່ໃນສະຖານະໃດຝ່າຍຂາຍຈຶ່ງຈະເລີ່ມເຄື່ອນໄຫວ ແລະ ຜົນການເຂົ້າຫາຈະຖືກບັນທຶກແລ້ວສົ່ງຂໍ້ມູນຕໍ່ໃຫ້ຝ່າຍການຕະຫຼາດແນວໃດ. ການສ້າງສະພາວະທີ່ທັງສອງພະແນກເບິ່ງເປົ້າໝາຍດຽວກັນໂດຍໃຊ້ຜົນການວິເຄາະຂອງ AI ເປັນພື້ນຖານຮ່ວມກັນນັ້ນ ຄືການກຽມຄວາມພ້ອມທີ່ຄວນເຮັດກ່ອນການນຳເຄື່ອງມືຕ່າງໆເຂົ້າມາໃຊ້.

ເມື່ອມີຄວາມພ້ອມແລ້ວ, ກ້າວທຳອິດຂອງການປະຕິບັດຕົວຈິງຄືການກຳນົດໃຫ້ໄດ້ວ່າ "ຈະເຂົ້າຫາໃຜ". ພວກເຮົາຈະມາເບິ່ງຂັ້ນຕອນການລະບຸຕົວຕົນຂອງຜູ້ມີສ່ວນກ່ຽວຂ້ອງໃນການຊື້ໂດຍອີງຈາກຂໍ້ມູນ, ເຊິ່ງແບ່ງອອກເປັນ 3 ວິທີການດັ່ງນີ້.

ຈຸດເລີ່ມຕົ້ນໃນການລະບຸຕົວຕົນຂອງຜູ້ມີສ່ວນຮ່ວມໃນການຊື້ ແມ່ນການນຳຂໍ້ມູນສອງປະເພດມາປະສົມປະສານກັນ. ຢ່າງທຳອິດຄື First-party data ທີ່ບໍລິສັດມີຢູ່ ເຊັ່ນ: ການເຂົ້າຊົມເວັບໄຊຂອງບໍລິສັດ, ການດາວໂຫຼດເອກະສານ, ການສອບຖາມຂໍ້ມູນໃນອະດີດ ແລະ ພຶດຕິກຳຂອງບຸກຄົນທີ່ມີການຕິດຕໍ່ພົວພັນກັນແລ້ວ. ຢ່າງທີສອງຄື Intent data ເຊິ່ງເປັນສັນຍານທີ່ບົ່ງບອກຈາກພາຍນອກວ່າບໍລິສັດນັ້ນໆກຳລັງສົນໃຈໃນຫົວຂໍ້ໃດ.

ຖ້າໃຊ້ພຽງແຕ່ First-party data ຢ່າງດຽວ ຈະເຮັດໃຫ້ພາດຜູ້ມີສ່ວນກ່ຽວຂ້ອງທີ່ຍັງບໍ່ທັນໄດ້ຕິດຕໍ່ກັນ. ຖ້າໃຊ້ພຽງແຕ່ Intent data ຢ່າງດຽວ ເຖິງຈະຮູ້ວ່າບໍລິສັດສົນໃຈຫຍັງ ແຕ່ກໍບໍ່ສາມາດລະບຸໄດ້ວ່າ "ແມ່ນໃຜໃນບໍລິສັດນັ້ນ". ການນຳທັງສອງຢ່າງມາປະສົມປະສານກັນ ຈະຊ່ວຍໃຫ້ເຂົ້າໃກ້ຄວາມຊັດເຈນທີ່ວ່າ "ບໍລິສັດນີ້ມີທ່າທີຈະພິຈາລະນານຳໃຊ້ ແລະ ບຸກຄົນນີ້ພາຍໃນບໍລິສັດກຳລັງເຄື່ອນໄຫວຢູ່".

AI ຈະຊ່ວຍສະໜັບສະໜູນການປະສົມປະສານນີ້. ໂດຍການເຊື່ອມໂຍງບຸກຄົນທີ່ກ່ຽວຂ້ອງພາຍໃນບໍລິສັດດຽວກັນຈາກຂໍ້ມູນພຶດຕິກຳທີ່ກະຈັດກະຈາຍ ເພື່ອຄາດຄະເນຂອບເຂດຂອງຜູ້ມີສ່ວນຮ່ວມໃນການຊື້. ຢ່າງໃດກໍຕາມ, ເນື່ອງຈາກການຄາດຄະເນບໍ່ມີຄວາມແນ່ນອນ 100%, ດັ່ງນັ້ນຈຶ່ງຄວນມີຂະບວນການໃຫ້ຄົນກວດສອບລາຍຊື່ຜູ້ສະໝັກທີ່ປາກົດຂຶ້ນມາ ແລະ ຄັດເອົາບຸກຄົນທີ່ບໍ່ກ່ຽວຂ້ອງອອກ ເພື່ອຄວາມປອດໄພ.

ເມື່ອເກັບກຳຂໍ້ຄຶດສະເພາະເຈາະຈົງໄດ້ແລ້ວ, ໃຫ້ນຳໄປບັນຈຸລົງໃນ "ລາຍຊື່ຜູ້ຕິດຕໍ່" (Contact List) ທີ່ສາມາດນຳໄປໃຊ້ງານໄດ້ຈິງ. ໃນຂັ້ນຕອນນີ້, Generative AI ຈະຊ່ວຍເພີ່ມປະສິດທິພາບໃນການຈັດລະບຽບຜູ້ສະໝັກຈາກຂໍ້ມູນທີ່ກະຈັດກະຈາຍ, ພ້ອມທັງຕື່ມຂໍ້ມູນບົດບາດໜ້າທີ່ ແລະ ສັງກັດໃຫ້ຄົບຖ້ວນເພື່ອສ້າງເປັນລາຍຊື່.

ໃນເມື່ອກ່ອນ, ຂະບວນການນີ້ເປັນວຽກທີ່ໜັກໜ່ວງ ເນື່ອງຈາກຜູ້ຮັບຜິດຊອບຕ້ອງສືບຄົ້ນ ແລະ ປ້ອນຂໍ້ມູນດ້ວຍຕົນເອງເທື່ອລະລາຍການ. ຫາກໃຊ້ AI, ທ່ານສາມາດຄັດກອງບຸກຄົນທີ່ມີຄວາມກ່ຽວຂ້ອງກັບແຕ່ລະບໍລິສັດເປົ້າໝາຍ ແລະ ກຽມຮ່າງລາຍຊື່ເບື້ອງຕົ້ນໄດ້ໃນເວລາອັນສັ້ນ. ດັ່ງນັ້ນ, ມະນຸດຈຶ່ງສາມາດສຸມໃສ່ການພິຈາລະນາ ກວດສອບຄວາມຖືກຕ້ອງ ແລະ ຕັດສິນໃຈຈັດລຳດັບຄວາມສຳຄັນຂອງລາຍຊື່ເຫຼົ່ານັ້ນໄດ້.

ກຸນແຈສຳຄັນໃນການເພີ່ມຄວາມແມ່ນຍຳຄື ການໝູນວຽນຂອງການໃຫ້ຄຳຕິຊົມ (Feedback loop). ໃຫ້ບັນທຶກຜົນລັດຈາກລາຍຊື່ທີ່ AI ສ້າງຂຶ້ນວ່າ ຜູ້ໃດທີ່ສາມາດນຳໄປສູ່ການເຈລະຈາທຸລະກິດໄດ້ຈິງ ແລະ ຜູ້ໃດທີ່ບໍ່ໄດ້, ຈາກນັ້ນນຳຂໍ້ມູນດັ່ງກ່າວກັບໄປເປັນຂໍ້ຄຶດໃຫ້ກັບການສ້າງລາຍຊື່ໃນຄັ້ງຕໍ່ໄປ. ການບໍ່ "ນຳໃຊ້ລາຍຊື່ທີ່ AI ສ້າງຂຶ້ນໂດຍກົງ" ແຕ່ຫາກນຳຜົນລັດມາເປັນບົດຮຽນເພື່ອປັບປຸງຢ່າງຕໍ່ເນື່ອງ ຈະເຮັດໃຫ້ຄຸນນະພາບຂອງລາຍຊື່ເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ ໄປພ້ອມກັບການດຳເນີນງານ. ເນື່ອງຈາກອາດມີຂໍ້ມູນຕິດຕໍ່ທີ່ບໍ່ມີຕົວຕົນປົນຢູ່, ການກວດສອບກ່ອນການສົ່ງຂໍ້ມູນຈຶ່ງເປັນສິ່ງທີ່ຂາດບໍ່ໄດ້.

ພຽງແຕ່ຂໍ້ມູນຂອງບໍລິສັດເອງອາດບໍ່ພຽງພໍທີ່ຈະເຫັນພາບລວມຂອງຜູ້ມີສ່ວນຮ່ວມໃນການຊື້. ເພື່ອເສີມຂໍ້ມູນດ້ານຕຳແໜ່ງ, ຂອບເຂດຄວາມຮັບຜິດຊອບ ແລະ ໂຄງສ້າງຂອງອົງກອນ, ຈຶ່ງຕ້ອງນຳຂໍ້ມູນທີ່ໄດ້ຈາກສື່ສັງຄົມອອນລາຍສຳລັບທຸລະກິດ ແລະ ຜູ້ໃຫ້ບໍລິການຂໍ້ມູນພາກສ່ວນທີສາມມາປະສົມປະສານກັນ.

ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ຂອງການລວມຂໍ້ມູນຄືການເຊື່ອມໂຍງບຸກຄົນດຽວກັນທີ່ມາຈາກຫຼາຍແຫຼ່ງຂໍ້ມູນໃຫ້ຖືກຕ້ອງ. ເນື່ອງຈາກຄວາມແຕກຕ່າງໃນການຂຽນຊື່ ຫຼື ຊື່ບໍລິສັດ, ລວມເຖິງການປ່ຽນແປງສັງກັດຍ້ອນການຍ້າຍວຽກ, ອາດເຮັດໃຫ້ຄົນດຽວກັນຖືກລົງທະບຽນເປັນຄົນລະຄົນ ຫຼື ຄົນລະຄົນຖືກເບິ່ງວ່າເປັນຄົນດຽວກັນ. ຖ້າຈັດການສ່ວນນີ້ບໍ່ລະອຽດ, ອາດສົ່ງຜົນໃຫ້ການສົ່ງຂໍ້ຄວາມໄປຫາຜູ້ຮັບບໍ່ຖືກຕ້ອງ ຫຼື ບໍ່ກົງກັບຄວາມຕ້ອງການ.

ເມື່ອໃຊ້ຂໍ້ມູນຈາກພາຍນອກ, ຕ້ອງກວດສອບໃຫ້ແນ່ໃຈວ່າການໄດ້ມາ ແລະ ການນຳໃຊ້ຂໍ້ມູນນັ້ນສອດຄ່ອງກັບຂໍ້ກຳນົດຂອງແຕ່ລະບໍລິການ ແລະ ກອບກົດໝາຍວ່າດ້ວຍການປົກປ້ອງຂໍ້ມູນສ່ວນບຸກຄົນຂອງແຕ່ລະປະເທດ. ການເພີ່ມຂໍ້ມູນຈະຊ່ວຍໃຫ້ການວິເຄາະມີຄວາມລະອຽດຫຼາຍຂຶ້ນ, ແຕ່ຖ້າບໍ່ຮັບປະກັນຄວາມຖືກຕ້ອງຂອງແຫຼ່ງທີ່ມາ ແລະ ວິທີການນຳໃຊ້, ມັນອາດກາຍເປັນຄວາມສ່ຽງໃຫຍ່ໃນພາຍຫຼັງ. ຄວນໃຫ້ຄວາມສຳຄັນກັບຄວາມຖືກຕ້ອງໃນການລວມຂໍ້ມູນ ແລະ ຄວາມຖືກຕ້ອງຕາມກົດໝາຍໃນການຈັດການຂໍ້ມູນ ຫຼາຍກວ່າປະລິມານ.

ເມື່ອເຫັນກຸ່ມເປົ້າໝາຍທີ່ຄວນເຂົ້າຫາແລ້ວ, ຕໍ່ໄປແມ່ນເວລາທີ່ຈະທຳຄວາມເຂົ້າໃຈກັບແຕ່ລະບຸກຄົນ. ພວກຂ້າພະເຈົ້າຈະນຳສະເໜີ 3 ວິທີການວິເຄາະດ້ວຍ AI ເພື່ອເບິ່ງວ່າຜູ້ມີສ່ວນຮ່ວມໃນການຊື້ແຕ່ລະຄົນມີບົດບາດແນວໃດໃນການຊື້ ແລະ ພວກເຂົາສົນໃຈໃນເລື່ອງໃດ.

ຜູ້ມີສ່ວນຮ່ວມໃນການຊື້ບໍ່ຄວນຖືກປະຕິບັດດ້ວຍນ້ຳໜັກທີ່ເທົ່າກັນ. ບໍ່ວ່າຈະເປັນຜູ້ຕັດສິນໃຈຂັ້ນສຸດທ້າຍ, ຜູ້ມີອິດທິພົນທີ່ຊຸກຍູ້ການນຳໃຊ້, ຜູ້ປະຕິບັດງານຕົວຈິງທີ່ນຳໃຊ້ວຽກ, ຫຼື ຜູ້ກວດສອບດ້ານເຕັກໂນໂລຊີ ແລະ ຄວາມປອດໄພ — ປະເດັນທີ່ໜ້າສົນໃຈ ແລະ ຈັງຫວະເວລາທີ່ຄວນເຂົ້າຫາແມ່ນແຕກຕ່າງກັນໄປຕາມບົດບາດ.

AI ຊ່ວຍໃນການຄາດຄະເນວ່າແຕ່ລະຄົນມີບົດບາດໃກ້ຄຽງກັບບົດບາດໃດ ໂດຍອີງໃສ່ຂໍ້ຄຶດຈາກຕຳແໜ່ງ, ພຶດຕິກຳໃນອະດີດ, ແລະ ວິທີການພົວພັນພາຍໃນບໍລິສັດ. ຕົວຢ່າງເຊັ່ນ: ບຸກຄົນທີ່ມັກເບິ່ງເອກະສານກ່ຽວກັບຜົນຕອບແທນຈາກການລົງທຶນ (ROI) ມັກຈະມີບົດບາດໃກ້ຄຽງກັບການຕັດສິນໃຈ, ໃນຂະນະທີ່ບຸກຄົນທີ່ກວດສອບຂັ້ນຕອນການປະຕິບັດງານແມ່ນຢູ່ໃນຝ່າຍປະຕິບັດງານ, ເປັນການຄາດເດົາບົດບາດຈາກແນວໂນ້ມຂອງພຶດຕິກຳ.

ຢ່າງໃດກໍຕາມ, ຕຳແໜ່ງ ແລະ ອິດທິພົນຕົວຈິງມັກຈະບໍ່ກົງກັນ. ມີບາງຄົນທີ່ມີຕຳແໜ່ງສູງແຕ່ມອບໝາຍການຕັດສິນໃຈໃຫ້ໜ້າວຽກ, ໃນຂະນະທີ່ບາງຄົນມີຕຳແໜ່ງບໍ່ສູງຫຼາຍແຕ່ເປັນຜູ້ຂັບເຄື່ອນຕົວຈິງ. ການຈັດປະເພດຂອງ AI ເປັນພຽງສົມມຸດຕິຖານເບື້ອງຕົ້ນເທົ່ານັ້ນ, ສະນັ້ນ ຈຶ່ງຈຳເປັນຕ້ອງມີທັດສະນະຄະຕິໃນການທົບທວນຄືນວ່າໃຜຄືຜູ້ມີບົດບາດສຳຄັນ (Key Person) ທີ່ແທ້ຈິງ ຜ່ານການພົວພັນຕົວຈິງ.

ເມື່ອເຫັນບົດບາດທີ່ຊັດເຈນແລ້ວ, ຂັ້ນຕອນຕໍ່ໄປແມ່ນການຈັບປະເດັນວ່າ "ແຕ່ລະສະມາຊິກກຳລັງສົນໃຈຫຍັງໃນຕອນນີ້". ການອ່ານໜ້າເວັບໃດ, ດາວໂຫຼດເອກະສານໃດ, ແລະ ຕອບສະໜອງຕໍ່ອີເມວຫົວຂໍ້ໃດ—ການສະສົມພຶດຕິກຳເຫຼົ່ານີ້ຈະກາຍເປັນຂໍ້ຄຶດທີ່ສະທ້ອນເຖິງຄວາມສົນໃຈຂອງບຸກຄົນນັ້ນ.

AI ຈະອ່ານຮູບແບບຈາກປະຫວັດພຶດຕິກຳເຫຼົ່ານີ້ ເພື່ອຄາດຄະເນຫົວຂໍ້ທີ່ມີຄວາມສົນໃຈສູງ. ຜູ້ທີ່ເບິ່ງແຕ່ເນື້ອຫາທີ່ກ່ຽວກັບການຫຼຸດຜ່ອນຕົ້ນທຶນ ກັບຜູ້ທີ່ຕິດຕາມກໍລະນີສຶກສາການນຳໃຊ້, ຂໍ້ມູນທີ່ຄວນສົ່ງໃຫ້ໃນຂັ້ນຕໍ່ໄປແມ່ນຈະແຕກຕ່າງກັນ. ຖ້າສາມາດສົ່ງເນື້ອຫາທີ່ກົງກັບຄວາມສົນໃຈໄດ້, ອັດຕາການຕອບສະໜອງກໍຈະເພີ່ມຂຶ້ນ.

ສິ່ງທີ່ຄວນລະວັງຄື ຢ່າຟ້າວຕັດສິນຈາກພຶດຕິກຳພຽງຄັ້ງດຽວ. ບາງຄັ້ງອາດມີການເປີດອ່ານແບບບັງເອີນ ຫຼື ການເບິ່ງຂໍ້ມູນທີ່ບໍ່ກ່ຽວຂ້ອງກັບວຽກງານປົນຢູ່. ພຶດຕິກຳຫຼາຍຢ່າງທີ່ຊີ້ໄປໃນທິດທາງດຽວກັນເທົ່ານັ້ນ ຈຶ່ງຈະສາມາດເຊື່ອຖືໄດ້ວ່າເປັນຄວາມສົນໃຈແທ້. ການຈັບປະເດັນຄວາມສົນໃຈໂດຍເບິ່ງເປັນທ່າອ່ຽງໃນໄລຍະເວລາໃດໜຶ່ງ ແທນທີ່ຈະເບິ່ງເປັນຈຸດໃນໄລຍະສັ້ນໆ ຄືເຄັດລັບໃນການຫຼີກລ່ຽງການສົ່ງຂໍ້ມູນທີ່ບໍ່ກົງຈຸດ.

ເມື່ອວິເຄາະຄວາມສົນໃຈໃຫ້ເລິກເຊິ່ງຂຶ້ນ, ການໃຊ້ພຽງແຕ່ຄຳສຳຄັນ (Keyword) ທີ່ກົງກັນຕາມຕົວອັກສອນນັ້ນຍັງມີຂີດຈຳກັດ. "ການຫຼຸດຕົ້ນທຶນ" ແລະ "ການບີບອັດລາຍຈ່າຍ" ເປັນຄຳທີ່ຕ່າງກັນ ແຕ່ໃນດ້ານຄວາມສົນໃຈແລ້ວຖືວ່າໃກ້ຄຽງກັນຫຼາຍ. ເພື່ອໃຫ້ເຂົ້າໃຈການປ່ຽນຄຳເວົ້າເຫຼົ່ານີ້ ຈຶ່ງມີການນຳໃຊ້ເຕັກໂນໂລຊີ Semantic Search ແລະ Embedding ເຂົ້າມາຊ່ວຍ.

Embedding ແມ່ນກົນໄກທີ່ປ່ຽນບົດຄວາມ ຫຼື ຫົວຂໍ້ຄວາມສົນໃຈໃຫ້ກາຍເປັນ Vector ຕົວເລກ ເພື່ອໃຫ້ສາມາດຈັດການກັບຄວາມໃກ້ຄຽງຂອງຄວາມໝາຍໃນຮູບແບບຂອງໄລຍະຫ່າງໄດ້. ດ້ວຍເຫດນີ້, ເຖິງວ່າການສະແດງອອກຈະຕ່າງກັນ ແຕ່ກໍສາມາດເຊື່ອມໂຍງຄວາມສົນໃຈທີ່ມີຄວາມໝາຍໃກ້ຄຽງກັນເຂົ້າຫາກັນໄດ້. ມັນຈະລວບລວມເນື້ອຫາຫຼາຍຢ່າງທີ່ສະມາຊິກຄົນໜຶ່ງໄດ້ອ່ານເຂົ້າໄວ້ດ້ວຍກັນໃນລະດັບຄວາມໝາຍ, ເຮັດໃຫ້ເຫັນໄດ້ວ່າ ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ຂອງຄວາມສົນໃຈຂອງບຸກຄົນນັ້ນຢູ່ບ່ອນໃດ.

ໃນການປະຕິບັດງານຕົວຈິງ, ເຕັກໂນໂລຊີນີ້ຖືກນຳໃຊ້ເພື່ອຈຸດປະສົງເຊັ່ນ: "ການຈັດກຸ່ມສະມາຊິກທີ່ມີຄວາມສົນໃຈຄ້າຍຄືກັນ" ຫຼື "ການຊອກຫາເນື້ອຫາທີ່ຄວນແນະນຳໃຫ້ສະມາຊິກຄົນນັ້ນໃນລຳດັບຕໍ່ໄປ". ເຖິງວ່າບໍ່ຈຳເປັນຕ້ອງເຂົ້າໃຈລາຍລະອຽດຂອງກົນໄກຢ່າງເລິກເຊິ່ງ, ແຕ່ການຮັບຮູ້ວ່າພວກເຮົາມີວິທີການທີ່ສາມາດເຂົ້າເຖິງຄວາມສົນໃຈໄດ້ເລິກເຊິ່ງກວ່າການໃຊ້ຄຳສຳຄັນທີ່ກົງກັນນັ້ນ ຈະເປັນຂໍ້ມູນປະກອບການຕັດສິນໃຈທີ່ສຳຄັນໃນເວລາເລືອກໃຊ້ເຄື່ອງມືຕ່າງໆ.

ເມື່ອຮູ້ຈັກກັບຄູ່ສົນທະນາ ແລະ ຄວາມສົນໃຈຂອງເຂົາເຈົ້າແລ້ວ, ກໍເຖິງຂັ້ນຕອນການສ້າງຂໍ້ຄວາມເພື່ອສົ່ງໃຫ້ແຕ່ລະຄົນ. ຕໍ່ໄປນີ້, ພວກເຮົາຈະມາເບິ່ງວິທີການຜະລິດເນື້ອຫາທີ່ປັບແຕ່ງສະເພາະບຸກຄົນ (Personalized content) ໃນລະດັບການຕິດຕໍ່ ໂດຍທີ່ຍັງຮັກສາຄຸນນະພາບໄວ້ໄດ້.

ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ຂອງການປັບແຕ່ງໃຫ້ເປັນສ່ວນຕົວ (Personalization) ແມ່ນການປັບແຕ່ງເນື້ອຫາໃຫ້ເໝາະສົມກັບບຸກຄົນໂດຍໃຊ້ LLM. ຖ້າເຮົາປ້ອນຂໍ້ມູນກ່ຽວກັບບົດບາດ, ຫົວຂໍ້ທີ່ສົນໃຈ ແລະ ປະຫວັດການຕິດຕໍ່ພົວພັນທີ່ຜ່ານມາຂອງຜູ້ຮັບເຂົ້າໄປ, ເຮົາກໍສາມາດສ້າງຮ່າງເນື້ອຫາອີເມວ, ຂໍ້ຄວາມໂຄສະນາ ຫຼື ໂຄງຮ່າງການສະເໜີງານທີ່ແຕກຕ່າງກັນໄປຕາມແຕ່ລະບຸກຄົນໄດ້.

ໃນອະດີດ, ການໃຫ້ຄົນມາຂຽນເນື້ອຫາແຍກກັນສຳລັບຄົນຫຼາຍຮ້ອຍຄົນແມ່ນເປັນເລື່ອງທີ່ບໍ່ສາມາດເຮັດໄດ້ໃນຄວາມເປັນຈິງ. ການປັບແຕ່ງແບບຜິວເຜີນໂດຍການໃສ່ຊື່ລົງໃນແມ່ແບບ (Template) ແມ່ນຂີດຈຳກັດ ແລະ ຜູ້ຮັບເອງກໍສາມາດເບິ່ງອອກໄດ້. LLM ເຮັດໃຫ້ການກຽມເນື້ອຫາທີ່ອີງຕາມບໍລິບົດຂອງຜູ້ຮັບແຕ່ລະຄົນນັ້ນກາຍເປັນເລື່ອງທີ່ເປັນໄປໄດ້ດ້ວຍປະລິມານງານທີ່ເໝາະສົມ.

ຢ່າງໃດກໍຕາມ, ຄວນຫຼີກລ່ຽງການສົ່ງເນື້ອຫາທີ່ສ້າງຂຶ້ນໂດຍ AI ອອກໄປທັນທີ. ເນື່ອງຈາກອາດມີຄວາມຜິດພາດທາງດ້ານຂໍ້ເທັດຈິງ, ໂທນສຽງທີ່ບໍ່ເໝາະສົມ ຫຼື ເນື້ອຫາທີ່ບໍ່ສອດຄ່ອງກັບສະຖານະການຂອງຜູ້ຮັບ. ການມອບໝາຍໃຫ້ AI ເປັນຜູ້ຮ່າງເນື້ອຫາ ແລະ ໃຫ້ຄົນເປັນຜູ້ກວດສອບຂໍ້ເທັດຈິງ ແລະ ປັບສຳນວນໃຫ້ສົມບູນ—ການແບ່ງໜ້າທີ່ແບບນີ້ຄືວິທີການດຳເນີນງານທີ່ແທ້ຈິງເພື່ອໃຫ້ໄດ້ທັງປະລິມານ ແລະ ຄຸນນະພາບ.

ຄຸນນະພາບຂອງເນື້ອຫາທີ່ມອບໝາຍໃຫ້ LLM ແມ່ນຂຶ້ນຢູ່ກັບວິທີການໃຫ້ຄຳສັ່ງຢ່າງຫຼວງຫຼາຍ. ການປັບແຕ່ງເພື່ອໃຫ້ໄດ້ຄຸນນະພາບ ແລະ ຄວາມສອດຄ່ອງຕາມທີ່ຕັ້ງເປົ້າໄວ້ນັ້ນ ເອີ້ນວ່າ Prompt Engineering. ເຖິງແມ່ນວ່າຈະເປັນໂມເດວ (Model) ດຽວກັນ ແຕ່ຖ້າຄຳສັ່ງບໍ່ຊັດເຈນ ຜົນລັພທີ່ອອກມາກໍຈະບໍ່ຄົງທີ່, ແຕ່ຖ້າຄຳສັ່ງມີຄວາມຖືກຕ້ອງຊັດເຈນ ຜົນລັພກໍຈະມີຄວາມສະຖຽນ.

ກຸນແຈສຳຄັນໃນການຮັກສາຄວາມສອດຄ່ອງ ຄືການລະບຸຮູບແບບການໃຊ້ພາສາຂອງແບຣນ ແລະ ກົດລະບຽບທີ່ຕ້ອງປະຕິບັດຕາມໃຫ້ຊັດເຈນໃນຄຳສັ່ງ. ການກຳນົດຂອບເຂດຕ່າງໆ ເຊັ່ນ: ສຳນວນທີ່ອະນຸຍາດໃຫ້ໃຊ້ ແລະ ຄຳທີ່ຫ້າມໃຊ້ (NG words), ຄວາມຍາວຂອງບົດຄວາມ, ອົງປະກອບທີ່ຕ້ອງມີ, ແລະ ການຫຼີກລ່ຽງການຕັດສິນໃຈທີ່ເດັດຂາດເກີນໄປ—ຫາກນຳເອົາສິ່ງເຫຼົ່ານີ້ເຂົ້າໄປໃນຄຳສັ່ງທຸກຄັ້ງ ບໍ່ວ່າໃຜເປັນຜູ້ສ້າງກໍຈະໄດ້ຄຸນນະພາບທີ່ໃກ້ຄຽງກັນ. ການນຳເອົາຄຳສັ່ງທີ່ໃຫ້ຜົນລັພດີມາເປັນແມ່ແບບ (Template) ແບ່ງປັນກັນໃນທີມ ຈະຊ່ວຍໃຫ້ຜົນລັພຂອງທັງທີມມີຄວາມສະຖຽນ.

ນອກຈາກນີ້, ການແຍກສ່ວນຂໍ້ມູນທີ່ປ່ຽນແປງໄປຕາມແຕ່ລະກໍລະນີ (ບົດບາດ ຫຼື ຄວາມສົນໃຈ) ອອກຈາກກອບທີ່ຕ້ອງຮັກສາໄວ້ສະເໝີ (ນະໂຍບາຍຂອງແບຣນ) ໃນຄຳສັ່ງ ຈະເຮັດໃຫ້ການຈັດການງ່າຍຂຶ້ນ. ການອອກແບບໃຫ້ສາມາດປ່ຽນແທນສະເພາະສ່ວນທີ່ປ່ຽນແປງໄດ້ນັ້ນ ຈະຊ່ວຍຮັກສາອິດສະຫຼະໃນການປັບແຕ່ງໃຫ້ເໝາະສົມກັບແຕ່ລະບຸກຄົນ ພ້ອມທັງປ້ອງກັນບໍ່ໃຫ້ຄວາມສອດຄ່ອງເສຍໄປ.

ຊ່ອງທາງໃນການສົ່ງຂໍ້ມູນຫາລູກຄ້າບໍ່ໄດ້ມີພຽງຊ່ອງທາງດຽວ. ບໍ່ວ່າຈະເປັນອີເມວ, ໂຄສະນາເທິງເວັບ, ເວັບໄຊຂອງບໍລິສັດ, ຫຼື ການຕິດຕໍ່ໂດຍກົງຈາກຝ່າຍຂາຍ ເຮົາຈະຕ້ອງໄດ້ພົວພັນກັບລູກຄ້າຄົນດຽວກັນຜ່ານຫຼາຍຊ່ອງທາງ. ຖ້າຫາກແຕ່ລະຊ່ອງທາງສົ່ງຂໍ້ຄວາມທີ່ແຕກຕ່າງກັນອອກໄປ, ຜູ້ຮັບກໍຈະຮູ້ສຶກເຖິງຄວາມບໍ່ສອດຄ່ອງກັນ.

ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ຂອງການເຮັດໃຫ້ເປັນເອກະພາບກັນ ຄືການບໍລິຫານຈັດການແບບລວມສູນວ່າ "ໃນຕອນນີ້ ຄວນຈະສື່ສານຫຍັງ" ໃຫ້ກັບລູກຄ້າແຕ່ລະຄົນ. ບໍ່ວ່າລູກຄ້າຈະຢູ່ໃນຂັ້ນຕອນການພິຈາລະນາເບື້ອງຕົ້ນ ຫຼື ຂັ້ນຕອນການປຽບທຽບ, ເນື້ອໃນຫຼັກທີ່ຕ້ອງການສື່ສານຈະຕ້ອງມີຄວາມສອດຄ່ອງກັນໃນທຸກຊ່ອງທາງ. ເຖິງແມ່ນວ່າການສະແດງອອກໃນແຕ່ລະຊ່ອງທາງຈະແຕກຕ່າງກັນ, ແຕ່ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ທີ່ຕ້ອງການສື່ສານນັ້ນຕ້ອງຮັກສາໄວ້ໃຫ້ເປັນອັນໜຶ່ງອັນດຽວກັນ.

ສິ່ງທີ່ຄວນລະວັງຄື ການບໍລິຫານຈັດການຄວາມຖີ່. ເມື່ອມີຊ່ອງທາງເພີ່ມຂຶ້ນ, ຄວາມສ່ຽງທີ່ຈະຕິດຕໍ່ຫາລູກຄ້າຄົນດຽວກັນຫຼາຍເກີນໄປກໍຈະ ເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ. ຄວນມີການກວດສອບປະລິມານການຕິດຕໍ່ຕໍ່ຄົນໂດຍລວມຜ່ານຫຼາຍຊ່ອງທາງ ແລະ ຄວບຄຸມໃຫ້ຢູ່ໃນລະດັບທີ່ບໍ່ເຮັດໃຫ້ລູກຄ້າຮູ້ສຶກເບື່ອໜ່າຍ. ຈຸດປະສົງຂອງການເພີ່ມຊ່ອງທາງບໍ່ແມ່ນເພື່ອເພີ່ມຈຳນວນຄັ້ງໃນການຕິດຕໍ່, ແຕ່ເພື່ອສົ່ງຂໍ້ມູນໃຫ້ເໝາະສົມຜ່ານຊ່ອງທາງທີ່ຕອບໂຈດສະຖານະການຂອງລູກຄ້າ.

ສຸດທ້າຍ, ຂໍຍົກສອງຈຸດທີ່ມັກເກີດບັນຫາໃນ ABM 2.0. ບັນຫາບໍ່ໄດ້ຢູ່ທີ່ຕົວເທັກໂນໂລຢີ, ແຕ່ຢູ່ທີ່ຂໍ້ມູນພື້ນຖານ ແລະ ການຈັດການການປັບແຕ່ງສະເພາະບຸກຄົນ (Personalization) ທີ່ຫຼາຍເກີນໄປ.

ອຸປະສັກທີ່ພົບຫຼາຍທີ່ສຸດໃນ ABM 2.0 ຄືການຟ້າວໄປນຳໃຊ້ວິທີການຂອງ AI ໃນຂະນະທີ່ເບົາບາງຕໍ່ຄຸນນະພາບຂອງຂໍ້ມູນທີ່ນຳເຂົ້າ. ຂໍ້ມູນທີ່ບໍ່ສະອາດ ເຊັ່ນ: ລາຍຊື່ຕິດຕໍ່ເກົ່າ, ການລົງທະບຽນຊ້ຳຊ້ອນ, ການຂຽນທີ່ບໍ່ເປັນລະບົບ ຫຼື ຂໍ້ມູນທີ່ຂາດຫາຍໄປ ຈະເຮັດໃຫ້ AI ວິເຄາະຜົນອອກມາໄດ້ຢ່າງບໍ່ມີປະສິດທິພາບ.

ຕົວຢ່າງທີ່ເຫັນໄດ້ຊັດເຈນຄື ການສ້າງຂໍ້ຄວາມສົ່ງຫາຜູ້ຮັບຜິດຊອບທີ່ລາອອກໄປແລ້ວ ຫຼື ການຕິດຕາມບຸກຄົນດຽວກັນເປັນສອງຄົນ. ເນື່ອງຈາກ AI ຈະບໍ່ສົງໄສຂໍ້ມູນທີ່ໄດ້ຮັບ, ຄວາມຜິດພາດໃນການປ້ອນຂໍ້ມູນຈຶ່ງສົ່ງຜົນໃຫ້ເກີດຄວາມຜິດພາດໃນຜົນລັອກ. ສາເຫດສ່ວນໃຫຍ່ທີ່ເຮັດໃຫ້ຮູ້ສຶກວ່າ "AI ມີຄວາມແມ່ນຍຳຕ່ຳ" ນັ້ນ ບໍ່ໄດ້ມາຈາກຕົວແບບ (Model) ແຕ່ມາຈາກຝັ່ງຂໍ້ມູນ.

ວິທີແກ້ໄຂແມ່ນເຖິງຈະເບິ່ງຄືວ່າເປັນເລື່ອງທຳມະດາ ແຕ່ກໍໄດ້ຜົນແທ້ຈິງ ຄືການໝັ່ນກວດສອບຂໍ້ມູນເກົ່າ, ລວມ ຫຼື Merge ຂໍ້ມູນທີ່ຊ້ຳຊ້ອນ ແລະ ປັບປ່ຽນຮູບແບບການຂຽນໃຫ້ເປັນລະບຽບດຽວກັນ ເພື່ອບັນຈຸເຂົ້າເປັນສ່ວນໜຶ່ງຂອງ ABM 2.0. ບໍ່ແມ່ນເຮັດໃຫ້ສະອາດພຽງຄັ້ງດຽວແລ້ວຈົບໄປ, ແຕ່ຕ້ອງກຳນົດຜູ້ຮັບຜິດຊອບ ແລະ ຄວາມຖີ່ໃນການຮັກສາຄວາມສົດໃໝ່ຂອງຂໍ້ມູນໄວ້. ກ່ອນທີ່ຈະຄິດວ່າຈະໃຫ້ AI ຮຽນຮູ້ຫຍັງ, ການຈັດການກັບສິ່ງທີ່ກຳລັງປ້ອນເຂົ້າໄປນັ້ນຄືຮາກຖານຂອງຄວາມແມ່ນຍຳ.

ການປັບແຕ່ງໃຫ້ເປັນສ່ວນຕົວ (Personalization) ຫຼາຍເກີນໄປອາດສົ່ງຜົນກົງກັນຂ້າມ. ຂໍ້ຄວາມທີ່ລະບຸພຶດຕິກຳຂອງຜູ້ຮັບຢ່າງລະອຽດເກີນໄປ ອາດເຮັດໃຫ້ເກີດຄວາມຮູ້ສຶກບໍ່ສະບາຍໃຈວ່າ "ເປັນຫຍັງຈຶ່ງຮູ້ເລື່ອງເຫຼົ່ານີ້ຫຼາຍຂະໜາດນັ້ນ" ຫຼາຍກວ່າຄວາມສະດວກສະບາຍ ເຊິ່ງຈະເຮັດໃຫ້ຄວາມເຊື່ອໝັ້ນຫຼຸດລົງ. ຄວນເຂົ້າໃຈວ່າການຮູ້ຈັກບຸກຄົນຢ່າງເລິກເຊິ່ງ ກັບການສະແດງອອກໃຫ້ເຫັນຢ່າງຈະແຈ້ງນັ້ນແມ່ນຄົນລະເລື່ອງກັນ.

ການພິຈາລະນາດ້ານກົດໝາຍກໍເປັນສິ່ງທີ່ຂາດບໍ່ໄດ້. ໃນກໍລະນີທີ່ດຳເນີນທຸລະກິດໃນປະເທດໄທ, PDPA (ກົດໝາຍຄຸ້ມຄອງຂໍ້ມູນສ່ວນບຸກຄົນ) ຈະກຳນົດໃຫ້ມີການຂໍຄວາມຍິນຍອມ ຫຼື ມີພື້ນຖານທີ່ເໝາະສົມໃນການເກັບກຳ, ນຳໃຊ້ ແລະ ເປີດເຜີຍຂໍ້ມູນສ່ວນບຸກຄົນໃຫ້ແກ່ບຸກຄົນທີສາມ. ຫາກດຳເນີນການປັບແຕ່ງໃຫ້ເປັນສ່ວນຕົວໂດຍບໍ່ມີການຈັດລະບຽບວ່າຂໍ້ມູນໃດ, ເພື່ອຈຸດປະສົງໃດ ແລະ ສາມາດນຳໃຊ້ໄດ້ເຖິງຂັ້ນໃດ, ຈະເຮັດໃຫ້ເກີດຄວາມສ່ຽງດ້ານການປະຕິບັດຕາມກົດລະບຽບ (Compliance). ຈຳເປັນຕ້ອງກວດສອບຂອບເຂດຂອງແຕ່ລະປະເທດ ຫຼື ພາກພື້ນທີ່ກ່ຽວຂ້ອງ.

ແນວທາງໃນການປະຕິບັດຕົວຈິງນັ້ນງ່າຍດາຍ. ໃຫ້ກຳນົດຂອບເຂດຂອງຂໍ້ມູນທີ່ສາມາດເກັບກຳໄດ້ ແລະ ຈຸດປະສົງໃນການນຳໃຊ້ໃຫ້ຊັດເຈນຕັ້ງແຕ່ຕົ້ນ, ແລ້ວຈຶ່ງດຳເນີນການປັບແຕ່ງໃຫ້ເປັນສ່ວນຕົວພາຍໃນຂອບເຂດດັ່ງກ່າວ. ຄວນຈຳກັດການໃຫ້ຂໍ້ມູນທີ່ເປັນປະໂຫຍດຕໍ່ຜູ້ຮັບເທົ່ານັ້ນ ແລະ ບໍ່ເຮັດໃຫ້ພວກເຂົາຮູ້ສຶກວ່າກຳລັງຖືກຕິດຕາມ. ການຮັກສາຄວາມຖືກຕ້ອງຕາມກົດໝາຍ ຄວບຄູ່ໄປກັບການຮັກສາໄລຍະຫ່າງທີ່ເຮັດໃຫ້ຜູ້ຮັບຮູ້ສຶກສະບາຍໃຈ ຄືສິ່ງທີ່ຈະນຳໄປສູ່ການສ້າງຄວາມສຳພັນທີ່ໄດ້ຮັບຄວາມເຊື່ອໝັ້ນໃນໄລຍະຍາວ.