Wat AI verandert aan het werk van campaign managers
Tien jaar geleden schreef ik een artikel met de titel De vijf prioriteiten van succesvolle marketing managers. Het was geen theoretisch verhaal, maar een observatie uit de praktijk. In veel organisaties zag ik marketingteams die ontzettend druk waren met campagnes, acties, nieuwsbrieven en websites. Er gebeurde van alles. Maar als je iets verder keek, bleek dat een groot deel van die activiteit weinig structureel effect had.
De marketing managers die wél succesvol waren, deden iets anders. Zij hadden een paar duidelijke prioriteiten. Ze investeerden tijd in het bouwen van een goed klantbeeld, in het analyseren van gedrag van klanten en in het consequent verbeteren van campagnes. Minder focus op activiteit, meer focus op inzicht.
Toen ik dat artikel onlangs teruglas, viel me iets op. Veel van die prioriteiten zijn nog steeds relevant. Sterker nog, sommige zijn vandaag misschien nog wel belangrijker dan tien jaar geleden. Alleen de context is veranderd.
In die tien jaar zijn marketingkanalen explosief gegroeid, is personalisatie de norm geworden en produceren organisaties veel meer content dan ooit. En inmiddels is daar nog een factor bij gekomen waar veel over wordt gesproken: AI.
De vraag is alleen of AI het werk van marketing managers werkelijk verandert op de plekken waar dat er het meest toe doet.
Wat verrassend genoeg niet veranderd is
Een van de belangrijkste punten uit dat artikel van tien jaar geleden was dat succesvolle marketing begint met betrouwbare data. Als je niet weet wie je klanten zijn en hoe ze zich gedragen, kun je wel campagnes blijven verzenden, maar leer je weinig.
Die observatie is vandaag misschien nog wel relevanter.
Vrijwel alle onderzoeken naar AI in marketing komen tot dezelfde conclusie. McKinsey schrijft in zijn State of AI rapport dat organisaties die het meeste rendement uit AI halen bijna altijd eerst hun datafundament op orde hebben. Salesforce concludeert in zijn jaarlijkse State of Marketing onderzoek hetzelfde: het grootste obstakel voor effectieve personalisatie is nog steeds versnipperde klantdata.
Dat herkennen we ook bij mediabedrijven.
Veel uitgevers beschikken over enorme hoeveelheden data. Denk aan abonnementsgegevens, websitegedrag, nieuwsbriefinteracties, eventregistraties en webshopaankopen. Alleen staat die data vaak in verschillende systemen. Abonnementssystemen, CMS’en, analytics, e-mailtools en CRM-systemen vormen samen een landschap dat niet altijd eenvoudig te overzien is.
AI verandert daar weinig aan. Als de onderliggende data niet betrouwbaar of compleet is, helpt AI je niet verder. Het maakt het belang van een goed datamodel alleen maar groter.
Waar het werk wél verandert
Wat wel verandert, is waar campaign managers hun tijd aan besteden.
Tien jaar geleden lag veel nadruk op het opzetten van campagnes en het beheren van kanalen. Tegenwoordig zien we dat het echte werk steeds vaker ergens anders zit.
Campagnes zijn complexer geworden. Mediabedrijven hebben meerdere merken, verschillende doelgroepen, meerdere nieuwsbrieven, marketingflows voor abonnementen, retentiecampagnes, events en webshopaanbiedingen. Daar komen vaak ook nog social media, pushberichten en advertenties bij.
Voor een campaign manager betekent dat dat één campagne al snel uit tientallen varianten kan bestaan.
In de praktijk betekent dit dat een groot deel van het werk niet bestaat uit het bedenken van campagnes, maar uit het monitoren en analyseren ervan.
Bij veel uitgevers zien we bijvoorbeeld dat campaign managers wekelijks rapportages maken voor redacties, marketingteams of management. Hoe presteren de nieuwsbrieven? Welke campagnes leveren nieuwe abonnementen op? Welke doelgroep reageert beter op een bepaalde aanbieding? Welke onderwerpen zorgen voor meer engagement?
Dat zijn waardevolle vragen. Alleen kost het beantwoorden ervan vaak veel tijd.
De AI-discussie gaat vaak over de verkeerde dingen
Als je kijkt naar hoe AI vandaag in marketing wordt gebruikt, lijkt het alsof alles om content draait. AI schrijft teksten, maakt afbeeldingen, helpt bij social posts en ondersteunt redacties bij het maken van artikelen.
Voor mediabedrijven is dat uiteraard interessant. Redacties experimenteren volop met AI om sneller content te produceren of artikelen te structureren.
Maar als je kijkt naar het werk van campaign managers, is content meestal niet het grootste probleem.
Het grootste deel van hun tijd gaat naar analyse en rapportage.
Campagneresultaten moeten worden verzameld, cijfers moeten worden vergeleken met eerdere campagnes en inzichten moeten worden samengevat voor collega’s. Zeker in organisaties met veel merken en kanalen kan dat behoorlijk tijdrovend zijn.
En juist daar ligt een interessant toepassingsgebied voor AI.
AI gaat marketinganalyse niet vervangen
Er wordt soms gesuggereerd dat AI marketinganalyse kan overnemen. Dat lijkt me onwaarschijnlijk.
Analyse blijft mensenwerk. Het herkennen van een patroon in data is één ding, maar begrijpen waarom dat patroon ontstaat is iets anders. Dat vraagt context, kennis van het product, inzicht in de doelgroep en vaak ook een beetje gezond verstand.
Wat AI wel kan doen, is helpen bij het voorbereiden van analyses.
Veel tijd die campaign managers besteden aan analyse gaat namelijk niet naar het trekken van conclusies, maar naar het verzamelen en structureren van informatie. Resultaten uit verschillende campagnes moeten bij elkaar worden gebracht, afwijkingen moeten worden opgespoord en vergelijkingen moeten worden gemaakt met eerdere campagnes.
AI kan juist bij dat voorbereidende werk helpen.
Bijvoorbeeld door automatisch afwijkingen te signaleren, trends zichtbaar te maken of rapportages samen te stellen. In plaats van zelf alle dashboards door te lopen, krijgt een campaign manager bijvoorbeeld een melding dat een bepaalde doelgroep opvallend goed reageert op een campagne, of dat een nieuwsbrief significant slechter presteert dan vergelijkbare edities.
De interpretatie blijft bij de marketeer, maar een deel van het voorbereidende werk wordt al gedaan.
Onderzoek bevestigt dit beeld
Interessant genoeg zie je dezelfde lijn terug in onderzoek.
In een analyse van Boston Consulting Group over AI in marketing wordt bijvoorbeeld gesteld dat de grootste productiviteitswinst niet zit in contentgeneratie, maar in het automatiseren van operationele marketingprocessen. Denk aan het verzamelen van inzichten, het monitoren van campagnes en het voorbereiden van analyses.
Google komt in een studie naar marketingmeasurement tot een vergelijkbare conclusie. Veel marketingteams beschikken al over voldoende data, maar hebben moeite om die data snel genoeg om te zetten in bruikbare inzichten.
Dat sluit goed aan bij wat we in de praktijk bij mediabedrijven zien. Data is er vaak genoeg. Het probleem zit meestal in de tijd die nodig is om die data te analyseren en te vertalen naar concrete acties.
De rol van de campaign manager verschuift
Als je dat allemaal bij elkaar optelt, zie je langzaam een verschuiving in het vak van campaign management.
Tien jaar geleden lag de nadruk vooral op het opzetten en uitvoeren van campagnes. Vandaag ligt de nadruk steeds meer op het begrijpen en verbeteren van campagnes.
En in de komende jaren zal daar waarschijnlijk nog een stap bijkomen. Campaign managers gaan steeds vaker werken met systemen die actief helpen bij het analyseren van campagnes.
Niet door beslissingen over te nemen, maar door inzichten voor te bereiden.
Je zou dat kunnen zien als een soort campaign assistant. Een digitale assistent die helpt om sneller te zien wat er gebeurt in campagnes en waar kansen liggen.
Wat er volgens mij concreet gaat veranderen
Als ik kijk naar de ontwikkelingen in onderzoek en naar wat we bij mediabedrijven in de praktijk zien, verwacht ik dat het werk van campaign managers op een aantal punten gaat veranderen.
1 Minder tijd naar rapportages maken
Veel rapportages zullen automatisch worden voorbereid. Campaign managers besteden minder tijd aan het verzamelen van cijfers en meer tijd aan het interpreteren ervan.
2 Sneller inzicht in afwijkingen
AI kan campagnes continu monitoren en afwijkingen signaleren. Bijvoorbeeld wanneer een nieuwsbrief opvallend slecht presteert of wanneer een bepaalde doelgroep veel beter reageert dan verwacht.
3 Betere vergelijking tussen campagnes
In plaats van losse campagnerapportages kunnen systemen patronen herkennen over meerdere campagnes en langere periodes.
4 Meer focus op experimenteren
Omdat analyse sneller gaat, ontstaat meer ruimte om campagnes te testen en te optimaliseren.
5 Meer ondersteuning bij analyse
Campaign managers krijgen steeds vaker hulpmiddelen die helpen om data te verkennen en vragen te stellen aan campagneresultaten.
Wat daarbij niet verandert, is misschien wel het belangrijkste punt.
Succesvolle marketing begint nog steeds met betrouwbare data en met marketeers die begrijpen wat er achter die data schuilgaat.
AI kan dat werk ondersteunen. Maar het blijft uiteindelijk de marketeer die bepaalt wat een campagne succesvol maakt.
In het volgende artikel wil ik daarom een stap terug doen en kijken naar een simpele vraag: waar besteden campaign managers vandaag eigenlijk hun tijd aan? Want juist als je dat goed begrijpt, wordt ook duidelijk waar AI in marketing de meeste impact kan hebben.
Wil je meer weten over dit interessante onderwerp? Schrijf je dan in op onze nieuwsbrief:
