একটি গ্রোথ টিমের আসল কাজ খুব কমই ক্যাম্পেইন নিজে। কাজটা হলো ক্যাম্পেইনের চারপাশের লুপ: কে সাড়া দেবে তার অনুমান, সেটা প্রমাণ বা বাতিল করার পরীক্ষা, কোন চ্যানেল কনভার্সন এনেছে তা নিয়ে বিতর্ক, এবং সোমবার সকালে বাজেট পুনর্বণ্টন। সেই লুপের বেশিরভাগটাই এখনো স্প্রেডশিট, ড্যাশবোর্ড আর মিটিংয়ে ঘটে — ধীরে, হাতে হাতে।
Cohenta হলো সেই ইঞ্জিন যা Thyn তৈরি করছে এই লুপ বন্ধ করতে। এটি AI মার্কেটিং অটোমেশন-এর একটি পদ্ধতি, যেখানে প্রবৃদ্ধি চলে একটি ধারাবাহিক পরীক্ষা হিসেবে — রিপোর্ট রিফ্রেশ করা মানুষের বদলে নীতির অধীনে এজেন্টদের দ্বারা পরিচালিত। Cohenta এখনো প্রাথমিক পর্যায়ে — সক্রিয় উন্নয়নে, এখনো প্রকাশিত হয়নি — তাই এটি একটি বিবরণ যে এটি কী করতে তৈরি হচ্ছে।
ড্যাশবোর্ড সিস্টেম নয়
একটি ড্যাশবোর্ড বলে কী ঘটেছে। এটি পরবর্তী কী করতে হবে তা ঠিক করে না, এবং কখনো কাজও করে না। তাই ড্যাশবোর্ড হয়ে ওঠে এমন একটি জায়গা যেখানে মানুষ সংখ্যাকে কর্মে রূপান্তরিত করতে যায় — পর্যবেক্ষণ ও সিদ্ধান্তের মধ্যে একটি ম্যানুয়াল রিলে স্টেশন।
বেশিরভাগ মার্কেটিং টুল সেই ব্যবধানের পর্যবেক্ষণ পাশে থাকে। তারা রিপোর্ট করে, সেগমেন্ট করে, ভিজ্যুয়ালাইজ করে, তারপর বিচারটা আবার মানুষের হাতে ফিরিয়ে দেয়। ধীর অংশটা কখনো চার্টিং ছিল না; ছিল মাঝখানের মানুষ, চ্যানেল মেলাতে এবং ব্যয় পুনর্নির্ধারণ করতে।
Cohenta-র পেছনের ধারণা হলো লুপটাই হওয়া উচিত পণ্য। অনুভব করা, সিদ্ধান্ত নেওয়া এবং কাজ করা একটি সিস্টেমের ভেতরে থাকা উচিত, মানুষ প্রতিটি ধাপ সম্পাদন না করে সীমা নির্ধারণ করবে। এটাই একটি রিপোর্টিং স্তর এবং AI-চালিত মার্কেটিং অটোমেশন-এর মধ্যে পার্থক্য যা আসলে এগিয়ে চলে।
মার্কেটিং একটি পরীক্ষা যা কখনো শেষ হয় না। কাজ হলো লুপ চালানো, চার্ট পড়া নয়।
Cohenta লুপ
Cohenta একটি একক চক্রকে কেন্দ্র করে ডিজাইন করা হয়েছে যা ক্রমাগত পুনরাবৃত্তি হয়। প্রতিটি আবর্তনে একই চারটি ধাপ থাকে, এবং প্রতিটি ধাপ এমন একটি জায়গা যেখানে একটি এজেন্ট সেই কাজ করে যা একটি টিম অন্যথায় হাতে করত।
- অনুমান করো। একটি পরীক্ষাযোগ্য দাবি বলো — একটি সেগমেন্ট, একটি অফার, একটি বার্তা, একটি চ্যানেল মিশ্রণ — সেই মেট্রিক সহ যা এটি নিশ্চিত বা খণ্ডন করবে।
- পরীক্ষা করো। পরীক্ষাটি একটি নিয়ন্ত্রিত পরীক্ষা হিসেবে চালু করো, হোল্ডআউট এবং এক্সপোজার নিয়ম আগে থেকে নির্ধারিত, পরে পুনর্গঠিত নয়।
- আরোপ করো। কোন স্পর্শ আসলে সংকেত তৈরি করেছে তা পড়ো, যে চ্যানেলগুলো কনভার্সন এনেছে তাদের কাছ থেকে যেগুলো কেবল পাশে ছিল তাদের আলাদা করো।
- অপ্টিমাইজ করো। যা কাজ করেছে তার দিকে ব্যয় ও ক্রিয়েটিভ সরাও, যা করেনি তা বাদ দাও, এবং ফলাফলটি পরবর্তী অনুমান হিসেবে ফিরিয়ে দাও।
চতুর্থ ধাপ পরবর্তী আবর্তনের প্রথম ধাপ। সেই বন্ধতাই পুরো বিষয়: সিস্টেম একটি সুপারিশে থামে না, সুপারিশে কাজ করে এবং পরিণতি পরিমাপ করে, তারপর পরবর্তী পদক্ষেপ প্রস্তাব করে। স্বায়ত্তশাসিত প্রবৃদ্ধি হলো এই লুপ যা তৈরি করে যখন এটি একটি মানুষের জন্য অপেক্ষা না করে চলে।
AI মার্কেটিং অটোমেশন, নীতির অধীনে এজেন্টদের দ্বারা পরিচালিত
লুপটি AI মার্কেটিং এজেন্টদের দ্বারা পরিচালিত হয় — এমন উপাদান যারা একটি ধাপের মালিক, শুধু বর্ণনা করে না। একটি এজেন্ট পূর্ববর্তী ফলাফল থেকে অনুমান প্রস্তাব করে। আরেকটি পরীক্ষা কনফিগার ও চালু করে। আরেকটি আরোপ সমাধান করে। আরেকটি নির্ধারিত সীমার মধ্যে বাজেট পুনর্বণ্টন করে।
যা এটিকে বেপরোয়া হওয়া থেকে রক্ষা করে তা হলো নীতি। নীতি হলো সেই স্পষ্ট সীমা যার মধ্যে এজেন্টরা কাজ করে: সর্বোচ্চ দৈনিক ব্যয়, ব্র্যান্ড ও দাবি যা কখনো প্রদর্শিত হতে পারবে না, দর্শক যারা সীমার বাইরে, লাইভ বাজেটে পরিবর্তনের আগে প্রয়োজনীয় ন্যূনতম প্রমাণ। মানুষ নীতি লেখে; এজেন্টরা তার মধ্যে কাজ করে।
এটাই সেই বিপরীতটা যার চারপাশে Cohenta তৈরি। একজন মানুষ প্রতিটি কাজ সিদ্ধান্ত নেওয়ার এবং একটি টুল কেবল কীস্ট্রোক সম্পাদন করার বদলে, এজেন্টরা সিদ্ধান্ত নেয় ও সম্পাদন করে, আর মানুষ নিয়ম ঠিক করে। মানুষ এক স্তর উপরে ওঠে — অপারেটর থেকে আইনপ্রণেতায় — যেখানে তাদের বিচার আসলে যৌগিক হয়।
ব্যয়ের আগে সিমুলেশন
লাইভ পরীক্ষায় বাস্তব অর্থ ও বাস্তব মনোযোগ খরচ হয়, এবং কিছু অনুমান বাজারে পরীক্ষার যোগ্য নয়। Cohenta বাজেট প্রতিশ্রুতি দেওয়ার আগে, এটি সিমুলেট করতে তৈরি হচ্ছে — একটি প্রস্তাবিত পরীক্ষার সম্ভাব্য ফলাফলের পরিসর অনুমান করতে এবং যেগুলো কাগজে ব্যর্থ হয় সেগুলো ছাঁটাই করতে।
সিমুলেশন দুটি কাজ করে। এটি লাইভ পরীক্ষার সেটকে সেগুলোতে সংকুচিত করে যেগুলো চালানোর যোগ্য, তাই ব্যয় সেখানে কেন্দ্রীভূত হয় যেখানে অনিশ্চয়তা সত্যিকারের। এবং এটি অপ্টিমাইজ ধাপকে একটি পূর্ববর্তী তথ্য দেয়: প্রত্যাশিত আচরণের একটি মডেল যার বিপরীতে বাস্তব ফলাফল তুলনা করা যায়, যাতে একটি আশ্চর্যজনক ফলাফল আশ্চর্যজনক হিসেবে চিহ্নিত হয়।
এটাই শৃঙ্খলাবদ্ধ অটোমেশনকে এমন একটি সিস্টেম থেকে আলাদা করে যা কেবল দ্রুত বাজেট পোড়ায়। প্রত্যাশিত খরচের মডেল ছাড়া গতি কেবল ভুল হওয়ার একটি ব্যয়বহুল উপায়। সিমুলেশন স্তর হলো সেই সঠিকতার যাচাই যা দ্রুত কাজ করার অধিকার অর্জন করে।
কন্টেন্ট একটি ব্যাকলগ নয়, একটি সিস্টেম
পরীক্ষায় উপকরণ দরকার — বার্তা, ভেরিয়েন্ট, ল্যান্ডিং পেজ, যে ক্রিয়েটিভ পরীক্ষা করা হয়। প্রতিটিকে একটি এককালীন কাজ হিসেবে দেখা হলো কন্টেন্ট কীভাবে বাধা হয়ে পুরো লুপ থামিয়ে দেয়।
Cohenta কন্টেন্টকে একটি সিস্টেম হিসেবে দেখতে ডিজাইন করা হচ্ছে। ভেরিয়েন্ট একটি অনুমানের বিপরীতে তৈরি হয়, একই নীতি দ্বারা নিয়ন্ত্রিত যা ব্যয় সীমাবদ্ধ করে, এবং পরীক্ষার লুপ যে হারে সেগুলো ব্যবহার করে সেই হারে উৎপাদিত হয়। এখানে কন্টেন্ট ইন্টেলিজেন্স মানে লুপ ক্রমাগত পুষ্ট হয়, এবং যা উৎপাদিত হয় তা আরোপ ধাপ ইতিমধ্যে যা কাজ করে বলে শিখেছে তার দ্বারা আকৃতি পায়।
লক্ষ্য বেশি কন্টেন্ট নয়। এটি এমন কন্টেন্ট যা দ্রুত বন্ধ হয় — একটি নির্দিষ্ট দাবি পরীক্ষা করতে তৈরি, সৎভাবে পরিমাপ করা, এবং একটি ভালো ভেরিয়েন্ট প্রমাণিত হওয়ার সাথে সাথে প্রতিস্থাপিত।
এটি কোথায় যাচ্ছে
Cohenta এখনো তৈরি হচ্ছে, এবং সেই ক্রমটি ইচ্ছাকৃত: লুপ, নীতি, সিমুলেশন এবং আরোপ বিশ্বাসযোগ্য হতে হবে এর আগে যেকোনোটি লাইভ বাজেট স্পর্শ করা উচিত। প্রথম মাইলফলকগুলো প্রতিটি ধাপকে বিচ্ছিন্নভাবে সৎ করার বিষয়ে, তারপর কঠোর নীতির অধীনে লুপটি শেষ থেকে শেষ পর্যন্ত চালানো। সময়ের সাথে সাথে, একই যন্ত্রপাতি আরো চ্যানেল, সমৃদ্ধ পরীক্ষা এবং আরো শক্ত চক্র সমর্থন করা উচিত — লুপ স্থির থাকবে যখন এর আবর্তন দ্রুত হবে।
বাজিটা সহজ। AI মার্কেটিং অটোমেশন টুল-এর পরবর্তী প্রজন্মের মধ্যে, যেগুলো গুরুত্বপূর্ণ হবে সেগুলো ভালো ড্যাশবোর্ড হবে না। সেগুলো হবে এমন সিস্টেম যা আপনার জন্য পরীক্ষা চালায়, আপনার নির্ধারিত নিয়মের অধীনে, এবং তাদের কাজ দেখায়। Cohenta হলো Thyn-এর একটি তৈরি করার প্রচেষ্টা।