Cách ứng dụng AI agent trong marketing

• Trong khi phần lớn các tổ chức marketing vẫn dừng ở việc dùng một công cụ duy nhất xoay quanh ChatGPT, SafetyCulture đã áp dụng AI agent trên toàn bộ GTM và tạo ra chất lượng lead tốt hơn, nhiều cơ hội hơn và mức độ tiếp nhận tính năng cao hơn
• Trong bối cảnh số người dùng đăng ký miễn phí trên toàn cầu tăng vọt, để giải quyết bài toán bổ sung thông tin lead và sàng lọc ưu tiên, công ty đã xây dựng quy trình bổ sung lead song song (workflow) dựa trên AI, đạt mức độ hoàn thiện dữ liệu gần 100%
• Công ty cấu hình để AI thực hiện outbound được cá nhân hóa (BDR tự động), kết hợp dữ liệu từ nhiều hệ thống như Salesforce, HubSpot, ZoomInfo để tạo thông điệp cá nhân hóa và tăng mạnh số cuộc hẹn được đặt cùng số cơ hội tạo ra
• Công ty xây dựng một công cụ lifecycle AI tạo gợi ý tính năng được cá nhân hóa và hơn 2.500 biến thể thông điệp bằng cách kết hợp mô hình sử dụng của khách hàng, ngành nghề và hành vi của các khách hàng tương tự, từ đó nâng tỷ lệ tiếp nhận tính năng
• Công ty tạo ra một lớp ứng dụng tùy chỉnh dựa trên AI để hợp nhất nhiều hệ thống GTM, giúp đội sales và marketing xem toàn bộ thông tin cùng ‘hành động tiếp theo’ trên một màn hình, qua đó tăng hơn 25% tỷ lệ chuyển đổi từ lead sang cơ hội
• AI agent đã chuyển từ chế độ tự động chạy ban đầu sang mô hình kết hợp với copilot; mỗi workflow mới đều bắt đầu ở chế độ copilot rồi mới dần mở rộng mức độ tự động hóa

---

AI agent 1: Bổ sung lead bằng AI

• Khách hàng của SafetyCulture đến từ nhiều ngành trên toàn cầu như sản xuất, bán lẻ, vận tải, xây dựng, khai khoáng — những lĩnh vực không phải nhóm người mua công nghệ truyền thống
  • Nếu chỉ dùng một nền tảng bổ sung lead duy nhất thì dữ liệu thường thiếu hoặc nhanh chóng lỗi thời
• Vì vậy, công ty đã xây dựng một hệ thống bổ sung lead bằng AI độc lập với nền tảng, gọi song song 5 nhà cung cấp dữ liệu (cấu trúc tương tự Clay nhưng do công ty tự phát triển)
• Workflow hoạt động theo mô hình waterfall gọi lần lượt từng nhà cung cấp; sau đó chọn giá trị đáng tin cậy nhất cho từng thuộc tính, rồi một agent riêng xác minh thực tế bằng thông tin công khai từ website, LinkedIn và các nguồn khác
• Với lead tại Mỹ, hệ thống truy vấn OSHA API để tìm các vi phạm gần đây, nắm được bối cảnh rủi ro tại nơi làm việc, rồi gửi bản tóm tắt cùng thông tin lead lên Slack
• Kết quả là tỷ lệ bổ sung dữ liệu đạt gần 100%, giúp đội GTM và AI BDR nhanh chóng xác định đúng khách hàng phù hợp để phản hồi ngay lập tức
  • Chất lượng dữ liệu là nền tảng của mọi workflow AI; chỉ khi đối chiếu chéo nhiều nguồn dữ liệu mới có thể cá nhân hóa chính xác

AI agent 2: AI Auto BDR

• Với 500.000 lượt đăng ký nhóm miễn phí mỗi năm, quy mô đã vượt quá khả năng xử lý của đội sales, dẫn đến bài toán khó phân loại khách hàng nào là high-fit
• Trước đây, đội sales phải xem xét từng lead, tự nghiên cứu rồi viết thông điệp tùy chỉnh, nhưng quy trình này quá chậm và trở thành nguyên nhân làm giảm tỷ lệ phản hồi
• Công ty đã triển khai AI inbound BDR dùng AI để xử lý outreach cá nhân hóa, phản hồi dựa trên knowledge base và đặt lịch họp
• Hệ thống kết hợp dữ liệu từ Salesforce, HubSpot, ZoomInfo và Redshift để phân tích bối cảnh, ý định và lịch sử sử dụng của lead; sau đó chọn hai case study khách hàng liên quan, tạo email cá nhân hóa và tự động đưa vào chuỗi Gong Engage
• Kết quả là tỷ lệ đặt lịch họp tăng 3 lần, số cơ hội sales tăng gấp 2; để giảm vấn đề chi phí, công ty ưu tiên gọi AI trước cho các lead high-fit
  • AI BDR không nhằm thay thế sales, mà đóng vai trò làm nóng trước để AE có thể nhanh chóng tập trung vào deal
  • Hỗ trợ đa ngôn ngữ đặc biệt hiệu quả tại châu Âu và Mỹ Latinh

AI agent 3: Cá nhân hóa lifecycle bằng AI

• Lý do khách hàng dùng SafetyCulture rất đa dạng, từ audit, checklist, inspection đến quy định an toàn, nên một thông điệp duy nhất khó có thể làm hài lòng mọi khách hàng
• Để giải quyết điều này, công ty xây dựng một recommendation engine dựa trên AI để gợi ý các tính năng liên quan dựa trên hành vi của những khách hàng tương tự
• Trên Databricks, công ty dùng RAG và agent workflow để phân tích sâu dữ liệu sử dụng sản phẩm và tự động tạo ra hơn 300 use case cốt lõi
• Dựa trên từng use case, hệ thống ghép bộ tính năng phù hợp cho từng khách hàng, đồng thời dùng AI tạo hơn 2.500 phiên bản nội dung, lưu vào Redshift và Braze để dùng cho thông điệp cá nhân hóa
• Nhờ vậy, tỷ lệ tiếp nhận tính năng mới tăng 10%, dẫn đến mức độ sử dụng sản phẩm sâu hơn và cải thiện retention
  • Việc gọi AI theo thời gian thực đôi khi gây độ trễ, nên công ty chạy theo lịch định kỳ rồi cache lại để nền tảng marketing có thể tham chiếu ngay lập tức
  • Trong nhiều trường hợp, các mô hình nhỏ thực tế hơn LLM cỡ lớn về cân bằng giữa tốc độ và chi phí

AI agent 4: Lớp ứng dụng AI tùy chỉnh cho marketing/sales

• Mỗi hệ thống GTM đều có tính năng AI riêng, nhưng chúng không được thiết kế phù hợp với sản phẩm SafetyCulture; đội sales và marketing cũng phải qua lại nhiều công cụ để đối chiếu thông tin
• Công ty dùng Retool để xây dựng một lớp ứng dụng lấy AI làm trung tâm, nơi mọi thông tin khách hàng và cả ‘hành động tiếp theo’ đều hiển thị trên một màn hình
  • Ứng dụng cung cấp hai màn hình: lead console và company viewer
• Lớp này tập hợp toàn bộ dữ liệu lead/khách hàng, thông tin bổ sung từ AI, lịch sử cuộc gọi Gong, dữ liệu sử dụng từ Amplitude, dự đoán churn, định tuyến lead và nhiều thứ khác tại một nơi
• Hệ thống phân tích lịch sử cuộc gọi Gong để tự động tạo tóm tắt SPICED và lưu vào Salesforce, qua đó tự động hóa việc handoff từ BDR sang AE
  • AE có thể dùng tính năng “hỏi bất cứ điều gì về tài khoản” để xem ngay mức sử dụng, số nhóm trả phí và cách tiếp cận outreach được khuyến nghị
• Tỷ lệ chuyển đổi từ lead sang cơ hội sales tăng hơn 25%, và nhờ tự động hóa, mỗi BDR tiết kiệm khoảng 30 phút cho mỗi cơ hội
  • Hơn 80% thành viên trong đội đang tích cực sử dụng lớp ứng dụng này, và năng suất tăng lên dẫn tới phản hồi nhanh hơn cùng mức độ tương tác khách hàng tốt hơn
  • AI không nhất thiết chỉ có giá trị khi hoạt động ở chế độ autopilot; dạng copilot cũng đủ mạnh mẽ

Bài học từ một tổ chức GTM ưu tiên AI

• SafetyCulture trước tiên xác định trên hành trình khách hàng xem AI phát huy hiệu quả nhất ở đâu trong các mảng nhận diện, cá nhân hóa, dự đoán, tư vấn, tự động hóa
• Ban đầu công ty thiên về tự động hóa, nhưng hiện nay áp dụng mô hình trộn giữa copilot và tự động hóa; mọi workflow mới đều bắt đầu ở chế độ copilot
• Phần khó nhất là truy cập dữ liệu, bảo mật, duy trì giọng điệu thương hiệu, cùng với vấn đề hallucination của AI ở giai đoạn đầu
  • Vì nhiều khách hàng phụ thuộc vào SafetyCulture trong công việc tại hiện trường, độ tin cậy và tính nhất quán là yếu tố cốt lõi
• Công ty nhấn mạnh rằng thành quả không đến từ việc chỉ đơn giản triển khai ChatGPT cho cả nhóm, mà đến từ quá trình tìm ra những điểm có thể ứng dụng AI dựa trên workflow thực tế