ABM 2.0 คืออะไร? กลยุทธ์เพิ่มประสิทธิภาพ B2B ด้วย AI ระบุตัวตนผู้มีอำนาจตัดสินใจแบบรายบุคคล

ABM 2.0 คือกลยุทธ์การตลาดที่ใช้ AI เข้ามาช่วยระบุตัวตนของผู้ที่มีส่วนเกี่ยวข้องในการตัดสินใจซื้อแบบรายบุคคล เพื่อเพิ่มอัตราการได้มาซึ่งโอกาสในการขาย (Sales Opportunity) ในธุรกิจ B2B ด้วยวิธีการเข้าถึงที่เหมาะสมที่สุดสำหรับแต่ละบุคคล

ABM (Account-Based Marketing) แบบดั้งเดิมนั้น จะเน้นการกำหนดกลุ่มเป้าหมายโดยใช้ "องค์กร" หรือ "บัญชีลูกค้า" เป็นหน่วยหลัก แต่ในความเป็นจริง การตัดสินใจซื้อเกิดขึ้นจากการประชุมร่วมกันของบุคคลหลายฝ่ายที่มีตำแหน่งและความสนใจแตกต่างกัน จุดเด่นของ ABM 2.0 คือการใช้ AI ยกระดับความละเอียดในการวิเคราะห์ไปจนถึงระดับบุคคลว่า "ใครบ้างที่มีส่วนร่วมในการตัดสินใจ" และส่งข้อความที่ตรงใจไปยังแต่ละคน บทความนี้จะอธิบายขั้นตอนตั้งแต่การเตรียมตัว การปฏิบัติจริง 3 ขั้นตอน ไปจนถึงข้อผิดพลาดที่พบบ่อย เพื่อเป็นแนวทางสำหรับนักการตลาดและพนักงานขายที่ต้องการเข้าถึงผู้มีส่วนเกี่ยวข้องในการตัดสินใจหลายฝ่ายได้อย่างแม่นยำ

ก่อนอื่น เรามาทำความเข้าใจกันว่า ABM 2.0 แตกต่างจาก ABM แบบเดิมอย่างไร ไม่ใช่แค่ชื่อที่เปลี่ยนไปใหม่ แต่หน่วยของการทำ Targeting และบทบาทของ AI ได้เปลี่ยนไปจากรากฐาน โดยจะขอสรุปผ่าน 3 มุมมองดังนี้

ABM（アカウントベースドマーケティング）は従来、ターゲットとする企業を選定し、その企業に向けて広告やコンテンツを配信する「アカウント単位」のアプローチでした。しかし、企業にメッセージを送っても、実際にそれを読むのは社内の個人です。経営層と現場担当者では、同じ製品であっても関心を持つポイントが全く異なります。

コンタクトレベルターゲティングは、この「社内の個人」にまで解像度を下げます。同じ企業内であっても、予算を握る役員には投資対効果を、導入を主導する部門長には業務の変化を、実際に使う担当者には操作の手間を、といった具合に訴求内容を変えるのです。

この違いは、メッセージの刺さり方に直結します。アカウント単位では「誰に向けたのか曖昧な平均的なメッセージ」になりがちですが、個人単位であれば受け手の関心に合わせることができます。AIは、この個人ごとの出し分けを、人手では追いきれない規模で支えるために活用されます。

การจัดซื้อแบบ B2B โดยเฉพาะการตัดสินใจที่มีมูลค่าสูง ไม่ได้จบลงที่คนเพียงคนเดียว แต่เป็นการตัดสินใจร่วมกันจากหลายฝ่ายที่มีส่วนเกี่ยวข้องกับการจัดซื้อ ไม่ว่าจะเป็นผู้เสนอการใช้งาน, ผู้อนุมัติงบประมาณ, ผู้ใช้งานจริงในหน้างาน ไปจนถึงผู้ตรวจสอบระบบสารสนเทศและความปลอดภัย ซึ่งในภาษาอังกฤษเรียกกลุ่มคนเหล่านี้ว่า "Buying Committee"

ความผิดพลาดที่มักเกิดขึ้นคือ การมุ่งเน้นไปที่บุคคลเพียงคนเดียวที่ติดต่อด้วยเป็นคนแรก ต่อให้ผู้รับผิดชอบคนนั้นจะกระตือรือร้นเพียงใด แต่หากไม่สามารถขออนุมัติจากภายในองค์กรได้ การเจรจาธุรกิจก็ไม่สามารถเดินหน้าต่อไปได้ ในทางกลับกัน หากมุ่งเน้นไปที่ผู้มีอำนาจตัดสินใจเพียงอย่างเดียว แต่ขาดความเข้าใจจากหน้างาน ก็อาจนำไปสู่สถานการณ์ที่ไม่มีการใช้งานจริงหลังจากติดตั้งระบบไปแล้ว

เมื่อ ABM 2.0 กล่าวถึงการ "ระบุตัวบุคคล" (Identifying individuals) เป้าหมายที่แท้จริงคือการจับภาพรวมของผู้ที่มีส่วนเกี่ยวข้องกับการจัดซื้อทั้งหมด หากสามารถเข้าใจได้ว่ามีใครเกี่ยวข้องบ้างและแต่ละคนมีความกังวลในเรื่องใด ก็จะสามารถนำเสนอข้อมูลที่จำเป็นเพื่อให้ผู้เกี่ยวข้องทั้งหมดบรรลุข้อตกลงร่วมกันได้ โดยไม่ต้องพึ่งพาความกระตือรือร้นของบุคคลเพียงคนเดียวอีกต่อไป

การทำความเข้าใจผู้มีส่วนร่วมในการตัดสินใจซื้อทีละคนและเข้าหาอย่างเหมาะสมเป็นสิ่งที่เข้าใจกันมานานแล้ว แต่ในทางปฏิบัติถือเป็นเรื่องยากหากใช้แรงงานคน หากบริษัทหนึ่งมีผู้เกี่ยวข้องหลายคน และมีกลุ่มเป้าหมายหลายร้อยบริษัท จำนวนบุคคลที่ต้องติดตามก็จะพุ่งสูงถึงหลายพันคนได้อย่างง่ายดาย

สิ่งที่เข้ามาเปลี่ยนสถานการณ์นี้คือเทคโนโลยี AI ซึ่งรวมถึง Generative AI ที่สามารถช่วยในกระบวนการที่เคยต้องทำด้วยมือ ไม่ว่าจะเป็นการคาดการณ์จากข้อมูลว่าใครมีแนวโน้มจะเกี่ยวข้องกับการตัดสินใจซื้อ การวิเคราะห์ความสนใจของแต่ละบุคคล ไปจนถึงการร่างข้อความที่ปรับให้เหมาะกับแต่ละคน

อย่างไรก็ตาม AI ไม่ได้ทำหน้าที่ตัดสินใจแทนมนุษย์ สิ่งที่ AI เข้ามาช่วยคือการแก้ปัญหาเรื่อง "ขนาด (Scale)" เมื่อต้องรับมือกับบุคคลจำนวนมหาศาล การตัดสินใจขั้นสุดท้ายว่าจะส่งข้อความใดหรือจะให้คนเข้ามามีส่วนร่วมในขั้นตอนไหน ยังคงเป็นหน้าที่ของนักการตลาดและฝ่ายขาย การมองว่า AI เป็น "เครื่องมือที่ช่วยให้เราเข้าถึงรายละเอียดในระดับที่แรงงานคนทำไม่ได้" แทนที่จะมองว่าเป็น "เวทมนตร์แห่งการทำงานอัตโนมัติ" คือจุดเริ่มต้นของการหลีกเลี่ยงความคาดหวังที่เกินจริง

ABM 2.0 はツールを導入すればすぐに機能するものではない。AI の精度も社内の連携も、土台となる準備の質に左右される。実践のステップに入る前に、整えておくべき 3 つの前提を確認する。

ความแม่นยำของ ABM 2.0 ขึ้นอยู่กับคุณภาพและปริมาณของข้อมูลที่นำเข้า ขั้นแรกให้ตรวจสอบว่าข้อมูลลูกค้าที่บริษัทมีอยู่ ไม่ว่าจะเป็นประวัติการเจรจาธุรกิจ, การสอบถามข้อมูล, พฤติกรรมบนเว็บไซต์ และประวัติการทำธุรกรรมในอดีต ได้รับการจัดระเบียบและจัดเก็บไว้ใน CRM หรือเครื่องมือ MA แล้วหรือไม่

สิ่งที่มักพบเห็นได้บ่อยคือ ข้อมูลกระจัดกระจายอยู่ในสเปรดชีตของแต่ละแผนกหรืออยู่ในความทรงจำของพนักงานแต่ละคน ซึ่งในสภาพนี้ข้อมูลยังไม่อยู่ในรูปแบบที่สามารถส่งต่อให้ AI ได้ และไม่สามารถเริ่มต้นการวิเคราะห์ได้ ดังนั้น การรวมศูนย์ข้อมูลเกี่ยวกับลูกค้าให้เป็นหนึ่งเดียว รวมถึงการจัดการข้อมูลที่ซ้ำซ้อนหรือความไม่สอดคล้องของรูปแบบการเขียน จึงเป็นขั้นตอนการเตรียมการที่เรียบง่ายแต่ขาดไม่ได้

นอกเหนือจากข้อมูลของบริษัทเอง (First-party data) ควรพิจารณาใช้ข้อมูลภายนอก เช่น Intent data ที่ช่วยจับสัญญาณความต้องการซื้อ อย่างไรก็ตาม ก่อนที่จะเพิ่มข้อมูลภายนอก ควรให้ความสำคัญกับการปรับปรุงข้อมูลภายในบริษัทก่อน หากรากฐานยังไม่มั่นคง การเพิ่มเพียงแค่เครื่องมือก็มีแต่จะทำให้ AI ผลิตผลการวิเคราะห์ที่มีความแม่นยำต่ำออกมาเท่านั้น การเลือกเครื่องมือที่จะนำมาใช้จึงควรยึดเกณฑ์ที่ว่าเครื่องมือนั้นสามารถบูรณาการและเชื่อมโยงข้อมูลเหล่านี้เข้าด้วยกันได้หรือไม่

ถัดมา คือการทบทวนนิยามว่าใครคือลูกค้าในอุดมคติ Ideal Customer Profile (ICP) คือการระบุเงื่อนไขของบริษัทที่ผลิตภัณฑ์ของบริษัทเราจะสร้างมูลค่าได้สูงสุดออกมาเป็นคำพูด เช่น ประเภทธุรกิจ ขนาดองค์กร และปัญหาที่เผชิญอยู่ หากสิ่งนี้ยังคลุมเครือ เราก็จะไม่สามารถสั่ง AI ได้ว่า "ต้องมองหาใคร"

ใน ABM 2.0 นอกจาก ICP ในระดับองค์กรแล้ว จำเป็นต้องระบุตัวตน (Persona) ของผู้ที่มีส่วนเกี่ยวข้องในการตัดสินใจซื้อแต่ละคนให้ชัดเจน ไม่ว่าจะเป็นผู้ตัดสินใจ (Decision Maker), ผู้ผลักดัน (Champion), ผู้ปฏิบัติงาน (User) และผู้ตรวจสอบ (Influencer) ว่าแต่ละคนอยู่ในสถานะใด ต้องการบรรลุเป้าหมายอะไร และมีความกังวลเรื่องใด การสร้าง Persona แยกตามบทบาทจะกลายเป็นแกนหลักในการออกแบบข้อความในลำดับถัดไป

สิ่งที่ควรระวังคือ อย่าสร้าง Persona จากการคาดเดาไปเอง ให้ย้อนกลับไปดูขั้นตอนการซื้อจริงของลูกค้าชั้นดีที่มีอยู่เดิม สังเกตว่าใครเข้ามาเกี่ยวข้องบ้าง เรื่องดำเนินไปที่จุดไหน และไปติดขัดที่จุดใด Persona ที่อ้างอิงจากข้อมูลจริงจะช่วยเพิ่มความแม่นยำให้กับการระบุตัวบุคคลและการวิเคราะห์ความสนใจโดย AI ได้มากยิ่งขึ้น

ABM 2.0 はマーケティング部門だけで完結するものではない。AI が特定した購買関与者一人ひとりに対して、最終的にアプローチするのは営業であることが多いためだ。両者の連携が取れていなければ、せっかくの分析も現場で使われないまま終わってしまう。

よくあるのは、マーケティング側は「見込み客を渡した」と考え、営業側は「質の低いリストだ」と感じるという、両者のすれ違いである。ABM 2.0 では扱う情報が個人レベルまで細かくなる分、何を「アプローチすべき相手」とみなすかの基準を、両部門で事前にすり合わせておく必要がある。

具体的には、どのような状態になったら営業が動くのか、アプローチの結果をどう記録してマーケティング部門へフィードバックするのか、といった往復の流れを決めておくことだ。AI の分析結果を共通の土台として、両部門が同じ相手を見ている状態を作ることこそが、ツール導入よりも先に取り組むべき準備となる。

เมื่อเตรียมตัวพร้อมแล้ว ก้าวแรกของการลงมือปฏิบัติคือการระบุให้ชัดเจนว่า "จะเข้าหาใคร" โดยเราจะมาดูขั้นตอนการระบุตัวผู้มีส่วนเกี่ยวข้องในการตัดสินใจซื้อจากข้อมูล ผ่าน 3 วิธีการดังนี้

จุดเริ่มต้นในการระบุตัวผู้มีส่วนร่วมในการตัดสินใจซื้อ คือการนำข้อมูลสองประเภทมาวิเคราะห์ร่วมกัน อย่างแรกคือ First-party data ของบริษัทเอง เช่น พฤติกรรมของบุคคลที่มีการติดต่อกับบริษัทอยู่แล้ว ไม่ว่าจะเป็นการเข้าชมเว็บไซต์ การดาวน์โหลดเอกสาร หรือการสอบถามข้อมูลในอดีต อย่างที่สองคือ Intent data ซึ่งเป็นสัญญาณที่บ่งบอกจากภายนอกว่าองค์กรนั้นๆ กำลังให้ความสนใจในหัวข้อใด

หากใช้เพียง First-party data ก็อาจพลาดผู้มีส่วนเกี่ยวข้องที่ยังไม่เคยมีการติดต่อกันมาก่อน แต่หากใช้เพียง Intent data ก็จะทราบเพียงความสนใจขององค์กร แต่ไม่สามารถระบุได้ว่า "ใครในองค์กร" เป็นผู้ดำเนินการ การนำข้อมูลทั้งสองส่วนมาผสมผสานกันจะช่วยให้เห็นภาพที่ชัดเจนขึ้นว่า "องค์กรนี้มีแนวโน้มกำลังพิจารณาการใช้งาน และมีบุคคลนี้ภายในองค์กรกำลังเคลื่อนไหวอยู่"

AI จะเข้ามาช่วยสนับสนุนการวิเคราะห์ข้อมูลนี้ โดยการเชื่อมโยงเศษเสี้ยวของพฤติกรรมเข้ากับบุคคลที่เกี่ยวข้องภายในองค์กรเดียวกัน เพื่อคาดการณ์ขอบเขตของผู้มีส่วนร่วมในการตัดสินใจซื้อ อย่างไรก็ตาม เนื่องจากการคาดการณ์ยังไม่มีความแม่นยำ 100% จึงควรมีขั้นตอนให้คนเข้ามาตรวจสอบรายชื่อผู้ที่ถูกคัดเลือกมา เพื่อคัดกรองบุคคลที่ไม่เกี่ยวข้องออกไปอย่างชัดเจน เพื่อความปลอดภัยในการดำเนินงาน

เมื่อรวบรวมเบาะแสเฉพาะเจาะจงได้แล้ว ให้นำข้อมูลเหล่านั้นมาจัดทำเป็น "Contact List" ที่สามารถนำไปใช้งานจริงได้ ในขั้นตอนนี้ Generative AI จะช่วยเพิ่มประสิทธิภาพในการจัดระเบียบผู้สมัครจากข้อมูลที่กระจัดกระจาย พร้อมทั้งช่วยเติมเต็มข้อมูลบทบาทและสังกัดเพื่อสร้างเป็นรายการ

แต่เดิมกระบวนการนี้เป็นงานที่หนักสำหรับผู้รับผิดชอบ เนื่องจากต้องตรวจสอบและกรอกข้อมูลด้วยตนเองทีละรายการ หากใช้ AI จะสามารถคัดกรองบุคคลที่น่าจะมีส่วนเกี่ยวข้องกับบริษัทเป้าหมายแต่ละแห่ง และเตรียมร่างรายการเบื้องต้นได้ในเวลาอันสั้น ทำให้คนสามารถมุ่งเน้นไปที่การตรวจสอบความถูกต้องและการตัดสินใจจัดลำดับความสำคัญของรายชื่อเหล่านั้นได้

กุญแจสำคัญในการเพิ่มความแม่นยำคือวงจรการตอบกลับ (Feedback Loop) โดยการบันทึกผลลัพธ์ว่ารายชื่อใดที่สร้างขึ้นมานั้นนำไปสู่การเจรจาธุรกิจจริงและรายชื่อใดที่ไม่ใช่ แล้วนำข้อมูลดังกล่าวกลับไปเป็นเบาะแสสำหรับการสร้างรายการในครั้งถัดไป คุณภาพของรายการจะสูงขึ้นเรื่อยๆ ตามการใช้งาน โดยไม่ใช่การ "ใช้รายการที่ AI สร้างขึ้นมาทันที" แต่เป็นการนำผลลัพธ์มาเรียนรู้และปรับปรุงอย่างต่อเนื่อง ทั้งนี้ เนื่องจากอาจมีข้อมูลการติดต่อที่ไม่ถูกต้องปะปนอยู่ การตรวจสอบก่อนนำไปใช้งานจริงจึงเป็นสิ่งที่ขาดไม่ได้

ข้อมูลภายในบริษัทเพียงอย่างเดียวอาจทำให้มองเห็นภาพรวมของผู้มีส่วนร่วมในการตัดสินใจซื้อได้ยาก เพื่อเสริมข้อมูลด้านตำแหน่งงาน ขอบเขตความรับผิดชอบ และโครงสร้างองค์กร จึงจำเป็นต้องนำข้อมูลที่ได้จากโซเชียลมีเดียเชิงธุรกิจและผู้ให้บริการข้อมูลภายนอกมาผสมผสานกัน

หัวใจสำคัญของการบูรณาการข้อมูลคือการเชื่อมโยงบุคคลเดียวกันที่อยู่ต่างแหล่งข้อมูลเข้าด้วยกันอย่างถูกต้อง เนื่องจากความแตกต่างในการสะกดชื่อบุคคลหรือชื่อบริษัท รวมถึงการเปลี่ยนสังกัดจากการย้ายงาน อาจทำให้บุคคลเดียวกันถูกบันทึกเป็นคนละคน หรือบุคคลที่ต่างกันถูกมองว่าเป็นคนเดียวกัน หากจัดการส่วนนี้ไม่ดี อาจนำไปสู่การส่งข้อความที่ไม่ตรงกลุ่มเป้าหมายไปยังบุคคลที่ผิดได้

เมื่อใช้ข้อมูลจากภายนอก ต้องตรวจสอบด้วยว่าการจัดหาและการนำไปใช้เป็นไปตามข้อกำหนดของแต่ละบริการและกรอบการคุ้มครองข้อมูลส่วนบุคคลของแต่ละประเทศหรือไม่ แม้การเพิ่มปริมาณข้อมูลจะช่วยให้การวิเคราะห์มีความสมบูรณ์ยิ่งขึ้น แต่หากไม่สามารถรับรองความถูกต้องของแหล่งที่มาและความชอบธรรมในการใช้งานได้ ก็อาจกลายเป็นความเสี่ยงครั้งใหญ่ในภายหลัง ดังนั้น ควรให้ความสำคัญกับความแม่นยำในการเชื่อมโยงข้อมูลและความถูกต้องตามกฎหมายในการจัดการข้อมูล ก่อนที่จะเน้นไปที่ปริมาณ

เมื่อมองเห็นกลุ่มเป้าหมายที่ควรเข้าหาแล้ว ขั้นตอนต่อไปคือการทำความเข้าใจบุคคลแต่ละคน ต่อไปนี้คือ 3 วิธีการวิเคราะห์ด้วย AI เพื่อทำความเข้าใจว่าผู้มีส่วนร่วมในการตัดสินใจซื้อแต่ละคนมีบทบาทอย่างไรในกระบวนการซื้อ และพวกเขาสนใจในเรื่องใดบ้าง

ผู้มีส่วนร่วมในการตัดสินใจซื้อไม่ควรได้รับการปฏิบัติด้วยน้ำหนักที่เท่ากัน ไม่ว่าจะเป็นผู้ตัดสินใจขั้นสุดท้าย ผู้มีอิทธิพลที่ช่วยผลักดันการนำไปใช้ ผู้ปฏิบัติงานที่ใช้งานจริง หรือผู้ตรวจสอบด้านเทคนิคและความปลอดภัย ประเด็นที่ให้ความสำคัญและจังหวะเวลาที่ควรเข้าถึงนั้นแตกต่างกันไปตามบทบาท

AI จะเข้ามาช่วยคาดการณ์ว่าแต่ละบุคคลมีบทบาทใกล้เคียงกับกลุ่มใด โดยอาศัยเบาะแสจากตำแหน่งงาน พฤติกรรมในอดีต และวิธีการมีปฏิสัมพันธ์ภายในองค์กร ตัวอย่างเช่น หากบุคคลนั้นมักดูเอกสารเกี่ยวกับความคุ้มค่าในการลงทุน (ROI) ก็มีแนวโน้มที่จะเป็นผู้ตัดสินใจ หรือหากตรวจสอบขั้นตอนการใช้งาน ก็มีแนวโน้มที่จะเป็นฝ่ายปฏิบัติงาน โดยใช้แนวโน้มพฤติกรรมเหล่านี้ในการประเมินบทบาทเบื้องต้น

อย่างไรก็ตาม ตำแหน่งงานกับอิทธิพลที่แท้จริงมักไม่ตรงกันเสมอไป บางคนแม้ตำแหน่งสูงแต่ก็มอบหมายการตัดสินใจให้หน้างาน ในขณะที่บางคนแม้ตำแหน่งไม่สูงนักแต่กลับเป็นผู้ผลักดันตัวจริง ดังนั้น การจัดกลุ่มโดย AI จึงเป็นเพียงสมมติฐานเบื้องต้นเท่านั้น สิ่งสำคัญคือต้องปรับเปลี่ยนมุมมองว่าใครคือบุคคลสำคัญที่แท้จริงผ่านการปฏิสัมพันธ์ในสถานการณ์จริงอยู่เสมอ

เมื่อเห็นบทบาทหน้าที่ชัดเจนแล้ว ขั้นตอนถัดไปคือการทำความเข้าใจว่า "ขณะนี้สมาชิกแต่ละคนกำลังสนใจสิ่งใด" ไม่ว่าจะเป็นการดูหน้าเว็บเพจไหน ดาวน์โหลดเอกสารอะไร หรือตอบสนองต่ออีเมลในหัวข้อใด พฤติกรรมเหล่านี้ที่สะสมรวมกันจะเป็นเบาะแสที่สะท้อนถึงความสนใจของบุคคลนั้น

AI จะอ่านรูปแบบจากประวัติพฤติกรรมเหล่านี้เพื่อคาดการณ์หัวข้อที่พวกเขาสนใจ ข้อมูลที่ควรส่งมอบให้ย่อมแตกต่างกันระหว่างคนที่ดูแต่เนื้อหาเกี่ยวกับการลดต้นทุน กับคนที่ติดตามกรณีศึกษาการใช้งานจริง หากสามารถนำเสนอเนื้อหาที่ตรงกับความสนใจได้ อัตราการตอบสนองก็จะสูงขึ้น

สิ่งที่ควรระวังคือ อย่าเพิ่งด่วนสรุปจากพฤติกรรมเพียงครั้งเดียว เพราะอาจมีการเปิดอ่านโดยบังเอิญหรือการเข้าชมที่ไม่เกี่ยวข้องกับงานปะปนอยู่ ความสนใจจะเชื่อถือได้ก็ต่อเมื่อพฤติกรรมหลายอย่างชี้ไปในทิศทางเดียวกัน เคล็ดลับในการหลีกเลี่ยงการนำเสนอข้อมูลที่ไม่ตรงจุด คือการมองความสนใจเป็นแนวโน้มในช่วงเวลาหนึ่ง ไม่ใช่แค่จุดใดจุดหนึ่งในระยะสั้น

ในการวิเคราะห์ความสนใจให้ลึกซึ้งยิ่งขึ้น การใช้เพียงการจับคู่คำสำคัญ (Keyword) ตามตัวอักษรนั้นมีข้อจำกัด เช่น "การลดต้นทุน" (コスト削減) และ "การบีบอัดค่าใช้จ่าย" (経費圧縮) เป็นคำที่ต่างกัน แต่ในแง่ของความสนใจนั้นแทบจะเป็นเรื่องเดียวกัน เพื่อให้สามารถจับใจความของการใช้คำที่แตกต่างกันเหล่านี้ได้ จึงมีการนำเทคโนโลยีอย่าง Semantic Search และ Embedding มาใช้

Embedding คือกลไกที่แปลงข้อความหรือหัวข้อความสนใจให้กลายเป็นเวกเตอร์ตัวเลข เพื่อให้สามารถจัดการกับความใกล้เคียงของความหมายในรูปแบบของระยะทางได้ ด้วยวิธีนี้ เราจึงสามารถเชื่อมโยงความสนใจที่มีความหมายใกล้เคียงกันเข้าด้วยกันได้แม้จะใช้คำที่ต่างกัน โดยการรวบรวมเนื้อหาหลายชิ้นที่สมาชิกคนหนึ่งเคยอ่านเข้าด้วยกันในระดับความหมาย เพื่อให้เห็นภาพชัดเจนว่าศูนย์กลางความสนใจของบุคคลนั้นอยู่ที่ใด

ในทางปฏิบัติ เทคโนโลยีนี้ถูกนำไปใช้ในวัตถุประสงค์ต่างๆ เช่น "การจัดกลุ่มสมาชิกที่มีความสนใจคล้ายกัน" หรือ "การค้นหาเนื้อหาที่ควรแนะนำให้สมาชิกคนนั้นในลำดับถัดไป" แม้ไม่จำเป็นต้องเข้าใจรายละเอียดเชิงลึกของกลไก แต่การทราบว่ามีวิธีการที่สามารถจับความสนใจได้ลึกซึ้งกว่าการจับคู่คำสำคัญ จะช่วยเป็นข้อมูลประกอบการตัดสินใจในการเลือกเครื่องมือได้เป็นอย่างดี

เมื่อทราบถึงความสนใจของกลุ่มเป้าหมายแล้ว ก็ถึงขั้นตอนการสร้างข้อความเพื่อส่งถึงแต่ละบุคคล เรามาดูวิธีการผลิตคอนเทนต์ที่ปรับให้เหมาะสมกับระดับการติดต่อ (Contact level) ในปริมาณมากโดยที่ยังคงรักษาคุณภาพไว้ได้กัน

หัวใจสำคัญของการทำ Personalization คือการปรับเนื้อหาให้เหมาะสมกับแต่ละบุคคลโดยใช้ LLM หากเราป้อนข้อมูลบทบาทหน้าที่ หัวข้อที่สนใจ และประวัติการติดต่อที่ผ่านมาเข้าไป เราจะสามารถสร้างร่างเนื้อหาอีเมล ข้อความโฆษณา หรือโครงร่างข้อเสนอที่ปรับแต่งให้เหมาะกับผู้รับแต่ละคนได้อย่างเฉพาะเจาะจง

ในอดีต การที่มนุษย์จะมานั่งเขียนเนื้อหาแยกตามรายบุคคลสำหรับคนหลายร้อยคนนั้นเป็นเรื่องที่ไม่สมเหตุสมผล การทำ Personalization แบบผิวเผินอย่างการใส่ชื่อลงในเทมเพลตจึงเป็นขีดจำกัดสูงสุด ซึ่งผู้รับเองก็ดูออกว่านั่นไม่ใช่การปรับแต่งที่แท้จริง แต่ LLM ทำให้การสร้างเนื้อหาที่คำนึงถึงบริบทของผู้รับแต่ละคนเป็นจำนวนมากนั้นกลายเป็นเรื่องที่ทำได้จริงโดยใช้ทรัพยากรที่เหมาะสม

อย่างไรก็ตาม ควรหลีกเลี่ยงการส่งเนื้อหาที่สร้างโดย AI ออกไปทันทีโดยไม่ตรวจสอบ เนื่องจากอาจมีความผิดพลาดทางข้อเท็จจริง โทนเสียงที่ไม่เหมาะสม หรือเนื้อหาที่ไม่สอดคล้องกับสถานการณ์ของผู้รับ การแบ่งหน้าที่โดยให้ AI รับผิดชอบการร่างเนื้อหา และให้มนุษย์เป็นผู้ตรวจสอบข้อเท็จจริงและปรับสำนวนให้สมบูรณ์ คือแนวทางที่สมจริงที่สุดในการสร้างสมดุลระหว่าง "ปริมาณ" และ "คุณภาพ"

คุณภาพของข้อความที่มอบหมายให้ LLM จัดการนั้น ขึ้นอยู่กับวิธีการให้คำสั่งเป็นอย่างมาก เทคนิคในการดึงคุณภาพและความสม่ำเสมอที่ต้องการออกมานั้นเรียกว่า Prompt Engineering แม้จะเป็นโมเดลเดียวกัน หากคำสั่งคลุมเครือ ผลลัพธ์ก็จะขาดความแน่นอน แต่หากคำสั่งชัดเจน ผลลัพธ์ก็จะมีความเสถียร

กุญแจสำคัญในการรักษาความสม่ำเสมอคือการระบุโทนเสียงของแบรนด์และกฎที่ต้องปฏิบัติตามให้ชัดเจนในคำสั่ง การกำหนดกรอบเหล่านี้ไว้ในทุกคำสั่ง เช่น สำนวนที่ใช้ได้และคำต้องห้าม, ความยาวของข้อความ, องค์ประกอบที่ต้องมี, และการหลีกเลี่ยงการฟันธง จะช่วยให้ผลลัพธ์มีคุณภาพใกล้เคียงกันไม่ว่าใครจะเป็นผู้สร้างก็ตาม การแชร์คำสั่งที่เคยสร้างข้อความคุณภาพดีไว้เป็นเทมเพลต จะช่วยให้ผลลัพธ์ของทั้งทีมมีความเสถียรยิ่งขึ้น

นอกจากนี้ การแยกส่วนข้อมูลที่เปลี่ยนไปตามกลุ่มเป้าหมาย (บทบาทและความสนใจ) ออกจากกรอบที่ต้องรักษาไว้เสมอ (นโยบายของแบรนด์) ในคำสั่ง จะช่วยให้จัดการได้ง่ายขึ้น การออกแบบให้สามารถสลับเปลี่ยนเฉพาะส่วนที่เปลี่ยนแปลงได้ จะช่วยรักษาความสม่ำเสมอเอาไว้ได้ ในขณะที่ยังคงความยืดหยุ่นในการปรับให้เหมาะสมกับแต่ละบุคคล

ช่องทางในการเข้าถึงกลุ่มเป้าหมายไม่ได้มีเพียงช่องทางเดียว ไม่ว่าจะเป็นอีเมล, โฆษณาบนเว็บ, เว็บไซต์ของบริษัท หรือการติดต่อโดยตรงจากฝ่ายขาย เราต่างต้องเข้าถึงกลุ่มเป้าหมายเดียวกันผ่านหลายช่องทาง หากแต่ละช่องทางส่งข้อความที่แตกต่างกันออกไป ผู้รับจะรู้สึกถึงความไม่สอดคล้องและเกิดความรู้สึกขัดแย้งได้

กุญแจสำคัญของการสร้างความเป็นเอกภาพ คือการบริหารจัดการแบบรวมศูนย์ว่า "ในขณะนี้ควรสื่อสารอะไร" กับกลุ่มเป้าหมายแต่ละราย โดยต้องกำหนดแกนกลางของเนื้อหาที่จะสื่อสารให้ตรงกันในทุกช่องทาง ไม่ว่ากลุ่มเป้าหมายจะอยู่ในช่วงเริ่มต้นของการพิจารณาหรืออยู่ในขั้นตอนการเปรียบเทียบก็ตาม แม้จะปรับเปลี่ยนรูปแบบการนำเสนอให้เหมาะสมกับแต่ละช่องทาง แต่ใจความสำคัญที่ต้องการสื่อสารต้องคงไว้เป็นหนึ่งเดียว

สิ่งที่ต้องระวังคือการบริหารจัดการความถี่ ยิ่งมีช่องทางมากเท่าไร ความเสี่ยงที่จะเข้าถึงกลุ่มเป้าหมายเดิมมากเกินไปก็ยิ่งสูงขึ้น เราจึงต้องติดตามปริมาณการเข้าถึงต่อบุคคลโดยครอบคลุมทุกช่องทาง เพื่อรักษาให้อยู่ในระดับที่ไม่ทำให้กลุ่มเป้าหมายรู้สึกรำคาญ เป้าหมายของการเพิ่มช่องทางไม่ใช่เพื่อเพิ่มจำนวนครั้งในการเข้าถึง แต่เพื่อให้สามารถส่งสารได้อย่างเหมาะสมผ่านช่องทางที่ตรงกับสถานการณ์ของกลุ่มเป้าหมายนั้นๆ

สุดท้ายนี้ ขอกล่าวถึงสองจุดที่มักเป็นอุปสรรคใน ABM 2.0 ซึ่งกับดักไม่ได้อยู่ที่ตัวเทคโนโลยีเอง แต่อยู่ที่ข้อมูลที่เป็นรากฐานและการจัดการการทำ Personalization ที่มากเกินไป

อุปสรรคที่พบบ่อยที่สุดใน ABM 2.0 คือการที่องค์กรกระโจนเข้าหาเทคนิคด้าน AI โดยละเลยคุณภาพของข้อมูลนำเข้า หากป้อนข้อมูลที่ "สกปรก" เช่น ข้อมูลติดต่อที่ล้าสมัย, รายชื่อที่ซ้ำซ้อน, รูปแบบการเขียนที่ไม่สอดคล้องกัน หรือข้อมูลที่ขาดหายไป AI ก็จะส่งผลการวิเคราะห์ที่มีความแม่นยำต่ำกลับมาเช่นกัน

กรณีที่เป็นตัวอย่างชัดเจนคือ การสร้างข้อความส่งไปยังผู้รับผิดชอบที่ลาออกไปแล้ว หรือการติดตามบุคคลเดียวกันโดยมองว่าเป็นคนละคน เนื่องจาก AI ไม่ตั้งคำถามกับข้อมูลที่ได้รับมา ข้อผิดพลาดในข้อมูลนำเข้าจึงกลายเป็นข้อผิดพลาดในผลลัพธ์โดยตรง สาเหตุส่วนใหญ่ที่ทำให้รู้สึกว่า "AI มีความแม่นยำต่ำ" นั้น แท้จริงแล้วอยู่ที่ตัวข้อมูล ไม่ใช่ตัวโมเดล

แนวทางแก้ไขนั้นเรียบง่ายแต่ได้ผลจริง คือการผนวกการตรวจสอบข้อมูลเก่า, การรวมข้อมูลที่ซ้ำซ้อน และการจัดรูปแบบข้อมูลให้เป็นมาตรฐาน เข้าเป็นส่วนหนึ่งของการดำเนินงาน ABM 2.0 ไม่ใช่แค่ทำความสะอาดข้อมูลเพียงครั้งเดียวแล้วจบไป แต่ต้องกำหนดผู้รับผิดชอบและความถี่ในการรักษาความสดใหม่ของข้อมูลอย่างต่อเนื่อง การจัดการสิ่งที่ป้อนเข้าไปให้ดีก่อนที่จะตัดสินใจว่าจะให้ AI เรียนรู้อะไร คือรากฐานสำคัญของความแม่นยำ

การทำ Personalization ที่มากเกินไปอาจส่งผลเสียได้ ข้อความที่ระบุพฤติกรรมของอีกฝ่ายอย่างละเอียดถี่ถ้วนนั้น แทนที่จะสร้างความสะดวกสบาย กลับสร้างความรู้สึกไม่น่าไว้วางใจว่า "ทำไมถึงรู้ลึกขนาดนี้" จนทำให้ความเชื่อมั่นลดลง ควรตระหนักว่าการรู้จักตัวตนของบุคคลอย่างลึกซึ้งกับการแสดงออกให้เห็นอย่างโจ่งแจ้งนั้นเป็นคนละเรื่องกัน

การคำนึงถึงด้านกฎหมายก็เป็นสิ่งที่ขาดไม่ได้ ในกรณีที่ดำเนินธุรกิจในประเทศไทย PDPA (พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล) กำหนดให้ต้องได้รับความยินยอมหรือมีฐานทางกฎหมายที่เหมาะสมในการเก็บรวบรวม ใช้ หรือเปิดเผยข้อมูลส่วนบุคคลต่อบุคคลที่สาม หากเดินหน้าทำ Personalization โดยไม่มีการจัดระเบียบว่าข้อมูลใด เพื่อวัตถุประสงค์อะไร และสามารถใช้ได้ถึงระดับไหน จะทำให้เกิดความเสี่ยงด้านการปฏิบัติตามกฎหมาย (Compliance) จึงจำเป็นต้องตรวจสอบกรอบการทำงานของแต่ละประเทศหรือภูมิภาคที่เป็นกลุ่มเป้าหมาย

แนวทางปฏิบัติจริงนั้นเรียบง่าย คือต้องกำหนดขอบเขตของข้อมูลที่เก็บได้และวัตถุประสงค์ในการใช้งานตั้งแต่แรก แล้วจึงทำ Personalization ภายใต้กรอบนั้น โดยจำกัดอยู่เพียงการให้ข้อมูลที่มีคุณค่าต่ออีกฝ่าย และไม่ทำให้พวกเขารู้สึกว่ากำลังถูกจับตามอง การรักษาทั้งการปฏิบัติตามกฎหมายและระยะห่างที่ทำให้อีกฝ่ายรู้สึกสบายใจในการรับข้อมูล คือสิ่งที่นำไปสู่ความสัมพันธ์ที่ได้รับความไว้วางใจในระยะยาว