Grab tiết lộ: Công cụ AI giúp tăng 117% tỷ lệ phản hồi từ đối tác và 50% tỷ lệ click-through
- Người tiêu dùng hiện đại đòi hỏi trải nghiệm cá nhân hóa từ thương hiệu, trong khi việc cung cấp trải nghiệm này ở quy mô lớn là thách thức lớn với mọi tổ chức.
- Theo nghiên cứu của McKinsey, cá nhân hóa có thể tăng doanh thu từ 10% đến 15%, với 71% người tiêu dùng kỳ vọng các công ty cung cấp trải nghiệm tùy chỉnh.
- Grab đã phát triển Mystique - công cụ viết nội dung dựa trên AI giúp tạo ra thông điệp marketing cá nhân hóa theo quy mô lớn.
- Công cụ này kết hợp nhiều công nghệ AI: machine learning để phân loại người dùng, large language models (LLMs) để tạo nội dung phù hợp, và tạo sinh được tăng cường bởi truy xuất dữ liệu ngoài (RAG) để đảm bảo nội dung phù hợp với hướng dẫn thương hiệu.
- Quy trình hoạt động của Mystique gồm: cấu hình đầu vào, truy xuất dữ liệu ngữ cảnh, tạo nội dung bằng AI, đảm bảo chất lượng, triển khai tự động và phân tích hiệu suất.
- Kết quả ấn tượng: nội dung do Mystique tạo ra có tỷ lệ mở cao hơn 25% và tỷ lệ click-through cao hơn 50% so với mẫu tiêu chuẩn.
- Đặc biệt, tỷ lệ phản hồi từ đối tác thương mại tăng hơn 117%.
- Công cụ này giúp tiết kiệm thời gian cho nhóm marketing, copywriter và dịch giả, cho phép họ tập trung vào các nhiệm vụ chiến lược lớn hơn.
- Thách thức chính khi triển khai AI trong marketing: sắc thái ngôn ngữ và văn hóa (đặc biệt ở Đông Nam Á), và việc áp dụng trong tổ chức.
- Grab khuyến nghị các doanh nghiệp bắt đầu với AI marketing bằng cách: sử dụng dữ liệu khách hàng hiện có, bắt đầu với một trường hợp sử dụng, xây dựng vòng phản hồi, sử dụng mẫu và hướng dẫn giọng điệu, và mở rộng với sự giám sát.
- AI không thay thế đội ngũ sáng tạo mà nên được xây dựng như một công cụ hợp tác, với con người vẫn đóng vai trò trung tâm trong quá trình.
📌 Grab đã phát triển công cụ AI Mystique giúp tăng tỷ lệ mở email 25%, tỷ lệ click-through 50% và phản hồi từ đối tác tăng 117%. Công cụ này kết hợp machine learning, LLMs và RAG để cá nhân hóa thông điệp marketing theo quy mô lớn, đồng thời tiết kiệm thời gian cho đội ngũ sáng tạo.
https://www.techinasia.com/ai-tackle-marketing-personalization-challenge
#TechninAsia
Bài học thực tế từ chiến lược tiếp thị AI của Grab
Alson Ang là đồng tác giả của bài viết này.
Người tiêu dùng ngày nay đòi hỏi trải nghiệm cá nhân hóa trong tương tác với thương hiệu hơn bao giờ hết, nhưng việc cung cấp trải nghiệm tùy chỉnh ở quy mô lớn là thách thức lớn đối với các tổ chức, dù lớn hay nhỏ. Điều này không ngoại lệ đối với Grab.
Thú vị là, trí tuệ nhân tạo tạo sinh (generative AI) có thể giúp giải quyết vấn đề này. Công nghệ này có thể hỗ trợ truyền tải thông điệp tiếp thị hiệu quả đồng thời duy trì sự nhất quán của thương hiệu.
Tại Grab, chúng tôi đã tạo ra công cụ nội bộ để tận dụng AI. Nhưng các công ty với mọi mức độ nguồn lực vẫn có thể đạt được kết quả tốt với cách tiếp cận tương tự.
Những khó khăn trong tạo nội dung truyền thống
Một nghiên cứu của McKinsey phát hiện rằng cá nhân hóa có thể thúc đẩy doanh thu tăng từ 10% đến 15%, với 71% người tiêu dùng kỳ vọng các công ty cung cấp trải nghiệm được cá nhân hóa.
Các đội tiếp thị truyền thống thường dựa vào các chuyên viên viết nội dung để phát triển thông điệp cho chiến dịch và điều chỉnh nội dung cho các đối tượng và nền tảng khác nhau.
Trong trường hợp của Grab, nhiều loại thông điệp được gửi đến người dùng để giữ họ tương tác: thông báo đẩy về khuyến mãi có thời hạn, lời nhắc về các bữa ăn thường xuyên được đặt, email cá nhân hóa với các ưu đãi độc quyền, và thậm chí các cập nhật trong ứng dụng đề xuất dịch vụ phù hợp dựa trên hành vi trước đây.
Mỗi thông điệp đều có sắc thái riêng, và việc tạo ra chúng thủ công ở quy mô lớn gặp nhiều trở ngại:
-
Cá nhân hóa thông điệp rất khó khăn: Viết nội dung độc đáo cho từng loại người dùng tốn thời gian và khó thực hiện thủ công. Thông thường, thông điệp được giữ chung chung để có thể gửi đi nhanh hơn.
-
Duy trì giọng điệu thương hiệu thống nhất là thách thức: Các tổ chức hoạt động ở nhiều khu vực và thuê nhiều chuyên viên viết nội dung thường gặp khó khăn trong việc đảm bảo sự nhất quán của thương hiệu qua các ngôn ngữ, bối cảnh văn hóa và phong cách viết của con người.
AI giúp gì được
Sự kết hợp của một số công nghệ AI khác nhau cung cấp giải pháp cho những thách thức này khi được sử dụng hiệu quả.
-
Học máy (ML): Để phân loại người dùng thành các nhóm đối tượng dựa trên dữ liệu hành vi, lịch sử tương tác và mô hình giao dịch
-
Mô hình ngôn ngữ lớn (LLM): Để tạo ra thông điệp có liên quan về ngữ cảnh, nghe tự nhiên cho bất kỳ chiến dịch tiếp thị nào được điều chỉnh theo nhu cầu của từng nhóm đối tượng
-
Tạo sinh tăng cường bằng truy vấn (RAG): Để làm cho nội dung phù hợp bằng cách tích hợp hướng dẫn thương hiệu, tài liệu tham khảo về giọng điệu và bản sao hiệu quả cao trước đây vào văn bản do AI tạo ra
Cách thực hiện
Các công ty thuộc mọi lĩnh vực đã bắt đầu tích hợp AI tạo sinh vào cách họ giao tiếp với khách hàng.
Có những ví dụ đơn giản như việc Amazon sử dụng AI để tạo ra tóm tắt đánh giá sản phẩm. Cũng có những nỗ lực phức tạp hơn như động thái của Starbucks cung cấp phần thưởng được cá nhân hóa.
Tại Grab, cá nhân hóa giúp chúng tôi kết nối tốt hơn với người dùng. Mọi thứ - từ thông báo đẩy về các khuyến mãi mới đến email nổi bật các ưu đãi liên quan - đều được tùy chỉnh để gửi đúng thông điệp vào đúng thời điểm.
Để giúp chúng tôi mở rộng nỗ lực này, chúng tôi đã phát triển Mystique, một công cụ viết nội dung được hỗ trợ bởi AI giúp chúng tôi tạo ra thông điệp tiếp thị được cá nhân hóa.
Đây là cách công cụ hoạt động:
-
Cấu hình đầu vào: Các chuyên gia tiếp thị xác định đối tượng mục tiêu, kênh truyền thông và giọng điệu mong muốn.
-
Truy xuất dữ liệu theo ngữ cảnh: Công cụ trích xuất dữ liệu lịch sử liên quan và thông tin chi tiết về người dùng.
-
Tạo nội dung được hỗ trợ bởi AI: LLM tạo ra nhiều biến thể của thông điệp được điều chỉnh.
-
Đảm bảo chất lượng: Với sự giám sát của con người, nội dung do AI tạo ra được đánh giá theo hướng dẫn thương hiệu.
-
Triển khai tự động: Thông điệp đã được phê duyệt được phân phối qua các kênh tiếp thị của công ty.
-
Phân tích hiệu suất và lặp lại: Các chỉ số tương tác được theo dõi, với thông tin chi tiết được đưa trở lại hệ thống để tinh chỉnh đầu ra trong tương lai.
Chúng tôi đã thấy kết quả tốt. Nội dung do Mystique tạo ra có tỷ lệ mở cao hơn 25% và tỷ lệ nhấp chuột cao hơn 50% so với nội dung được tạo bằng mẫu tiêu chuẩn, tùy thuộc vào chiến dịch.
Giao tiếp với đối tác thương mại có sự gia tăng thậm chí lớn hơn, với tỷ lệ phản hồi tăng hơn 117%.
Công cụ này cũng đã tối ưu hóa việc tạo nội dung tiếp thị, tiết kiệm thời gian cho các chuyên gia tiếp thị, chuyên viên viết nội dung và biên dịch viên. Sự thay đổi này đã cho đội ngũ của chúng tôi nhiều thời gian hơn để tập trung vào các nhiệm vụ lớn hơn như phát triển chiến lược sáng tạo.
Vì các công cụ được hỗ trợ bởi AI học hỏi nhiều hơn khi được sử dụng, chúng tôi kỳ vọng Mystique sẽ trở nên hiệu quả hơn theo thời gian.
Thách thức và hạn chế
Mặc dù có nhiều lợi thế, việc tạo nội dung được hỗ trợ bởi AI không phải không có thách thức. Các tổ chức triển khai các giải pháp tương tự nên nhận thức được những hạn chế sau:
Sắc thái ngôn ngữ và văn hóa
Phương ngữ địa phương và độ nhạy cảm văn hóa thường đòi hỏi sự tinh chỉnh bổ sung bởi các đội địa phương, đặc biệt là ở Đông Nam Á, nơi các LLM như GPT có xu hướng hoạt động kém chính xác hơn trong các ngôn ngữ như Bahasa Indonesia, tiếng Việt và tiếng Thái.
LLM có thể được tinh chỉnh dựa trên bản sao tiếp thị lịch sử và các chỉnh sửa thực tế được thực hiện bởi các đội sáng tạo để giúp hệ thống học hỏi từ điều chỉnh của con người và tạo ra nội dung phù hợp hơn, phù hợp với thương hiệu theo thời gian.
Áp dụng tổ chức
Để giảm bớt lo ngại về việc AI có thể thay thế các đội sáng tạo, các công cụ AI nên được xây dựng như người cộng tác, không phải là người kế nhiệm. Đầu vào của con người vẫn nên là trung tâm của quy trình - các chuyên gia tiếp thị xác định brief sáng tạo, xem xét đầu ra do AI tạo ra và thực hiện chỉnh sửa cuối cùng.
Bắt đầu nhỏ
Dưới đây là một số bước cụ thể mà các doanh nghiệp, lớn và nhỏ, có thể thực hiện để bắt đầu cá nhân hóa nội dung hiệu quả hơn bằng cách sử dụng AI:
Sử dụng dữ liệu khách hàng hiện có
Ngay cả dữ liệu người dùng cơ bản như tần suất sử dụng, vị trí hoặc lịch sử mua hàng cũng có thể được sử dụng để tạo ra các phân khúc người dùng đơn giản nhưng hiệu quả.
Bạn không cần các đường ống khoa học dữ liệu phức tạp để bắt đầu; hãy bắt đầu bằng cách xác định các phân khúc có ý nghĩa với bất kỳ dữ liệu nào bạn có và bằng cách mô tả cho AI cách thức thông điệp cho mỗi phân khúc nên được điều chỉnh (ví dụ, tập trung thông điệp cho nhóm đối tượng là phụ huynh vào vấn đề an toàn).
Bắt đầu với một trường hợp sử dụng, sau đó mở rộng
Chọn một kênh giao tiếp có tác động cao - như email hoặc thông báo đẩy - và thử nghiệm nội dung do AI tạo ra ở đó trước.
Theo dõi hiệu suất và lặp lại trước khi mở rộng quy mô trên các nền tảng khác. Điều này giảm độ phức tạp đồng thời cung cấp thông tin chi tiết có thể đo lường sớm.
Xây dựng vòng phản hồi, ngay cả khi thủ công
Theo dõi hiệu suất của nội dung do AI tạo ra và ghi lại phản hồi từ đội của bạn. Bạn không cần hệ thống tự động lúc đầu vì chỉ cần ghi lại những gì hoạt động và những gì không sẽ giúp bạn tinh chỉnh các lời nhắc và đầu ra trong tương lai.
Tuy nhiên, mục tiêu cuối cùng của bạn nên là xây dựng một hệ thống tinh chỉnh AI dựa trên các thông điệp hoạt động tốt.
Sử dụng mẫu và hướng dẫn giọng điệu
Để có kết quả nhất quán hơn, hãy cung cấp bản sao tham khảo, hướng dẫn về giọng điệu hoặc thông điệp hiệu quả cao trước đây khi nhắc các công cụ AI. Cách tiếp cận "RAG nhẹ" này giúp định hướng đầu ra gần với thương hiệu của bạn hơn mà không cần xây dựng cơ sở hạ tầng phức tạp.
Mở rộng với sự giám sát
Khi được triển khai đúng cách, LLM có thể cách mạng hóa việc tạo nội dung bằng cách làm cho cá nhân hóa quy mô lớn khả thi.
Cũng đáng lưu ý rằng viết nội dung được hỗ trợ bởi AI không chỉ dành riêng cho các tập đoàn lớn - các doanh nghiệp thuộc mọi quy mô có thể tận dụng tự động hóa do AI điều khiển để nâng cao tương tác và hiệu quả.
Cuối cùng, chìa khóa thành công nằm ở việc cân bằng khả năng mở rộng của AI với sự giám sát của con người.
Thay vì thay thế các nhà văn con người, AI nên hoạt động như một thành phần nhân lực. AI nên cho các đội tiếp thị nhiều thời gian hơn cho sự sáng tạo và lập kế hoạch chiến lược trong khi tự động hóa quy trình cá nhân hóa tốn nhiều công sức ở quy mô lớn.
Shreyas Parbat là quản lý sản phẩm cấp cao tại Grab. Anh sử dụng nền tảng khoa học dữ liệu và kỹ thuật phần mềm để xây dựng công cụ cho cộng đồng dữ liệu và kỹ thuật của công ty.
The practical lessons in Grab’s AI marketing playbook
Alson Ang co-authored this article.
Today’s consumers demand a more personal touch in brand interactions than ever, but providing tailored experiences at scale is a huge challenge for organizations, big and small. This is no less true for us at Grab. Interestingly, it’s something generative AI can help with. This tech can assist in delivering marketing messages efficiently while maintaining brand consistency. At Grab, for instance, we created an in-house tool to take advantage of AI. But companies with all levels of resources can still achieve solid results with a similar approach. Traditional content creation struggles A McKinsey study found that personalization can drive a 10% to 15% revenue lift, with 71% of consumers expecting companies to deliver customized experiences. Marketing teams traditionally rely on human copywriters to develop messages for campaigns and tailor content for different audiences and platforms. In Grab’s case, a variety of messages are sent to users to keep them engaged: push notifications about time-sensitive promotions, reminders for frequently ordered meals, personalized emails with exclusive discounts, and even in-app updates suggesting relevant services based on past behavior. Each of these are nuanced, and manually crafting them at scale presents several obstacles:
* Personalizing messages is difficult: Writing unique content for each type of user is time-consuming and hard to pull off manually. More often than not, messages are left generic so they can be sent out faster.
* Maintaining a unified brand voice is challenging: Organizations that operate in different regions and employ multiple individual copywriters often struggle to ensure brand coherence across languages, cultural contexts, and human writing styles. How AI helps A combination of several different AI technologies offers a solution to these challenges when used effectively.
* Machine learning (ML): To classify users into personas based on behavioral data, engagement history, and transaction patterns
* Large language models (LLMs): To generate contextually relevant, human-sounding messages for any marketing campaign tailored to each persona’s needs * Retrieval-augmented generation (RAG): To make content relevant by integrating brand guidelines, tone-of-voice references, and previous high-performing copy into the AI-generated text How it’s done Companies of all stripes have started integrating generative AI into how they communicate with customers. There are straightforward examples like Amazon’s use of AI to generate summaries of product reviews. There are also more complex efforts like Starbucks’ move to offer personalized rewards. At Grab, personalization helps us connect better with users. Everything – from push notifications about new promos to emails highlighting relevant offers – is customized to send the right message at the right time. To help us scale this effort, we developed Mystique, an AI-powered copywriting tool that helps us craft tailored marketing messages. Here’s how the tool works: 1. Input configuration: Marketers define the target audience, communication channel, and desired tone. 2. Contextual data retrieval: The tool extracts relevant historical data and user insights. 3. AI-powered content generation: LLMs create multiple variations of tailored messages. 4. Quality assurance: With human supervision, AI-generated content is evaluated according to brand guidelines. 5. Automated deployment: Approved messages are distributed across the company’s marketing channels. 6. Performance analysis and iteration: Engagement metrics are tracked, with insights fed back into the system to refine future outputs. We’ve already seen good results. Copy generated by Mystique sees 25% higher open rates and 50% higher click-through rates than those created with standard templates, depending on the campaign. Communications with merchant partners have an even bigger uplift, with response rates jumping by over 117%. The tool has also streamlined marketing copy creation, saving time for marketers, copywriters, and translators. This shift has given our teams more time to focus on bigger picture tasks like developing creative strategies. Since AI-powered tools learn more as they get used, we expect Mystique to become more effective over time. Challenges and limitations Despite its advantages, AI-powered content creation is not without challenges. Organizations implementing similar solutions should be aware of the following constraints: Language and cultural nuances Regional dialects and cultural sensitivities often require additional refinement by local teams, especially in Southeast Asia where LLMs like GPT tend to perform less accurately in languages like Bahasa Indonesia, Vietnamese, and Thai. LLMs can be fine-tuned on historical marketing copy and real edits made by creative teams to help the system learn from human adjustments and produce more appropriate, brand-aligned content over time. Organizational adoption To assuage worries about whether AI can replace creative teams, AI tools should be built as collaborators, not successors. Human input should still be central to the process – marketers define the creative brief, review AI-generated outputs, and make final edits. Starting small Here are some concrete steps businesses, large and small, can take to start personalizing content more effectively using AI: Use existing customer data Even basic user data like frequency of usage, location, or purchase history can be used to create simple but effective user segments. You don’t need complex data science pipelines to get started; begin by defining meaningful segments with whatever data you have and by describing to the AI how messages for each segment should be tailored (centering messaging for the parent persona around safety, for example). Start with one use case, then expand Pick a high-impact communication channel – like email or push notifications – and experiment with AI-generated content there first. Monitor performance and iterate before scaling across other platforms. This reduces complexity while giving you measurable insights early on. Build a feedback loop, even if it’s manual Track how AI-generated content performs and capture feedback from your team. You don’t need an automated system at first as simply documenting what works and what doesn’t will help you refine future prompts and outputs. However, your eventual goal should be building a system that fine-tunes the AI based on messages that perform well. Use templates and tone guides To get more consistent results, provide a reference copy, tone-of-voice guidelines, or past high-performing messages when prompting AI tools. This “lightweight RAG” approach helps steer outputs closer to your brand without building complex infrastructure. Scale with oversight When properly implemented, LLMs can revolutionize content creation by making large-scale personalization feasible. It’s also worth noting that AI-powered copywriting is not exclusive to large corporations – businesses of all sizes can harness AI-driven automation to enhance engagement and efficiency. Finally, the key to success lies in balancing AI’s scalability with human oversight. Rather than replacing human writers, AI should function as a force multiplier. It should give marketing teams more time for creativity and strategic planning while automating the labor-intensive process of personalization at scale.
Shreyas Parbat is a lead product manager at Grab. He uses his data science and software engineering background to build tools for the firm’s data and engineering communities.