एक ग्रोथ टीम का असली काम शायद ही कभी अभियान होता है। वह अभियान के इर्द-गिर्द का लूप होता है: यह अनुमान कि कौन प्रतिक्रिया देगा, वह परीक्षण जो इसे सिद्ध या खारिज करता है, इस बात पर बहस कि किस चैनल ने रूपांतरण अर्जित किया, और सोमवार की सुबह बजट में बदलाव। उस लूप का अधिकांश हिस्सा अभी भी स्प्रेडशीट, डैशबोर्ड और बैठकों में — धीरे-धीरे, और हाथ से — होता है।
Cohenta वह इंजन है जिसे Thyn उस लूप को बंद करने के लिए बना रहा है। यह AI मार्केटिंग ऑटोमेशन का एक दृष्टिकोण है जिसमें विकास एक सतत प्रयोग के रूप में चलता है — रिपोर्ट रिफ्रेश करते लोगों द्वारा नहीं, बल्कि नीति के अंतर्गत एजेंटों द्वारा संचालित। Cohenta प्रारंभिक अवस्था में है — सक्रिय विकास में, अभी तक जारी नहीं — इसलिए यह उसका विवरण है जो इसे करने के लिए बनाया जा रहा है।
डैशबोर्ड सिस्टम नहीं है
एक डैशबोर्ड आपको बताता है कि क्या हुआ। यह तय नहीं करता कि आगे क्या करना है, और यह कभी कार्य नहीं करता। इसलिए डैशबोर्ड एक ऐसी जगह बन जाता है जहाँ लोग संख्याओं को कार्यों में अनुवाद करने जाते हैं — अवलोकन और निर्णय के बीच एक मैन्युअल रिले स्टेशन।
अधिकांश मार्केटिंग टूल उस अंतराल के अवलोकन पक्ष पर बैठते हैं। वे रिपोर्ट करते हैं, सेगमेंट करते हैं, और विज़ुअलाइज़ करते हैं, फिर निर्णय वापस किसी व्यक्ति को सौंप देते हैं। धीमा हिस्सा कभी चार्टिंग नहीं था; वह बीच का इंसान था, जो चैनलों को मिलाता और खर्च पर पुनर्विचार करता था।
Cohenta के पीछे यह आधार है कि लूप स्वयं उत्पाद होना चाहिए। संवेदन, निर्णय और कार्य एक ही सिस्टम के भीतर होने चाहिए, जहाँ लोग प्रत्येक चरण को निष्पादित करने के बजाय सीमाएँ निर्धारित करें। यही एक रिपोर्टिंग परत और AI-संचालित मार्केटिंग ऑटोमेशन के बीच का अंतर है जो वास्तव में गति करता है।
मार्केटिंग एक ऐसा प्रयोग है जो कभी समाप्त नहीं होता। काम लूप चलाना है, चार्ट पढ़ना नहीं।
Cohenta लूप
Cohenta एक एकल चक्र के इर्द-गिर्द डिज़ाइन किया गया है जो निरंतर दोहराता है। प्रत्येक चक्र में वही चार चरण होते हैं, और प्रत्येक चरण वह स्थान है जहाँ एक एजेंट वह काम करता है जो एक टीम अन्यथा हाथ से करती।
- परिकल्पना। एक परीक्षण योग्य दावा बताएं — एक सेगमेंट, एक ऑफर, एक संदेश, एक चैनल मिश्रण — उस मेट्रिक के साथ जो इसे पुष्टि या खंडन करेगी।
- प्रयोग। परीक्षण को एक नियंत्रित प्रयोग के रूप में लॉन्च करें, जिसमें होल्डआउट और एक्सपोज़र नियम पहले से परिभाषित हों, न कि बाद में पुनर्निर्मित।
- एट्रिब्यूट। पढ़ें कि किस स्पर्श ने वास्तव में संकेत उत्पन्न किया — उन चैनलों को अलग करें जिन्होंने रूपांतरण अर्जित किया उनसे जो केवल पास में थे।
- अनुकूलन। खर्च और क्रिएटिव को जो काम किया उसकी ओर स्थानांतरित करें, जो नहीं किया उसे हटाएं, और परिणाम को अगली परिकल्पना के रूप में वापस फीड करें।
चौथा चरण अगले चक्र का पहला चरण है। यह बंद होना ही पूरा बिंदु है: सिस्टम एक सिफारिश पर नहीं रुकता, वह सिफारिश पर कार्य करता है और परिणाम मापता है, फिर अगला कदम प्रस्तावित करता है। स्वायत्त विकास वह है जो यह लूप तब उत्पन्न करता है जब यह किसी इंसान के एक टैब से दूसरे टैब में संख्या कॉपी करने की प्रतीक्षा किए बिना चलता है।
AI मार्केटिंग ऑटोमेशन, नीति के अंतर्गत एजेंटों द्वारा संचालित
लूप AI मार्केटिंग एजेंटों द्वारा चलाया जाता है — ऐसे घटक जो एक चरण के स्वामी हैं, न कि उसके वर्णनकर्ता। एक एजेंट पूर्व परिणामों से परिकल्पनाएँ प्रस्तावित करता है। दूसरा प्रयोग कॉन्फ़िगर और लॉन्च करता है। तीसरा एट्रिब्यूशन हल करता है। चौथा निर्धारित सीमाओं के भीतर बजट पुनः आवंटित करता है।
जो इसे लापरवाह होने से रोकता है वह नीति है। नीति वह स्पष्ट सीमा है जिसके भीतर एजेंट काम करते हैं: अधिकतम दैनिक खर्च, ब्रांड और दावे जो कभी प्रकट नहीं हो सकते, ऑडियंस जो सीमा से बाहर हैं, लाइव बजट में बदलाव से पहले आवश्यक न्यूनतम साक्ष्य। लोग नीति लिखते हैं; एजेंट उसके भीतर कार्य करते हैं।
यही वह उलटाव है जिसके इर्द-गिर्द Cohenta बनाया गया है। एक व्यक्ति के हर कार्य का निर्णय लेने और एक टूल के केवल कीस्ट्रोक निष्पादित करने के बजाय, एजेंट निर्णय लेते और निष्पादित करते हैं, जबकि व्यक्ति नियम तय करता है। इंसान एक स्तर ऊपर जाता है — ऑपरेटर से विधायक तक — जहाँ उसका निर्णय वास्तव में संयुक्त होता है।
खर्च से पहले सिमुलेशन
लाइव प्रयोगों में वास्तविक धन और वास्तविक ध्यान लगता है, और कुछ परिकल्पनाएँ बाज़ार में परीक्षण के योग्य नहीं होतीं। Cohenta के बजट प्रतिबद्ध करने से पहले, इसे सिमुलेट करने के लिए बनाया जा रहा है — एक प्रस्तावित प्रयोग के संभावित परिणामों की सीमा का अनुमान लगाना और उन्हें छाँटना जो कागज़ पर विफल होते हैं।
सिमुलेशन दो काम करता है। यह लाइव परीक्षणों के सेट को उन तक सीमित करता है जो चलाने योग्य हैं, ताकि खर्च वहाँ केंद्रित हो जहाँ अनिश्चितता वास्तविक है। और यह अनुकूलन चरण को एक पूर्व धारणा देता है: अपेक्षित व्यवहार का एक मॉडल जिससे वास्तविक परिणाम की तुलना की जाए, ताकि एक आश्चर्यजनक परिणाम को आश्चर्यजनक के रूप में पहचाना जाए।
यही अनुशासित ऑटोमेशन को उस सिस्टम से अलग करता है जो केवल बजट तेज़ी से जलाता है। अपेक्षित लागत के मॉडल के बिना गति केवल गलत होने का एक महंगा तरीका है। सिमुलेशन परत वह शुद्धता जाँच है जो तेज़ी से कार्य करने का अधिकार अर्जित करती है।
कंटेंट एक सिस्टम के रूप में, बैकलॉग नहीं
प्रयोगों को सामग्री चाहिए — संदेश, वेरिएंट, लैंडिंग पेज, वह क्रिएटिव जिसका परीक्षण होता है। उनमें से प्रत्येक को एकबारगी कार्य के रूप में देखना ही कंटेंट को वह बाधा बनाता है जो पूरे लूप को रोक देती है।
Cohenta को कंटेंट को एक सिस्टम के रूप में देखने के लिए डिज़ाइन किया जा रहा है। वेरिएंट एक परिकल्पना के विरुद्ध उत्पन्न होते हैं, उसी नीति द्वारा नियंत्रित जो खर्च को सीमित करती है, और उस दर पर उत्पादित होते हैं जिस पर प्रयोग लूप उन्हें उपभोग करता है। यहाँ कंटेंट इंटेलिजेंस का अर्थ है कि लूप निरंतर पोषित होता है, और जो उत्पादित होता है वह उससे आकार लेता है जो एट्रिब्यूशन चरण ने पहले ही सीखा है।
लक्ष्य अधिक कंटेंट नहीं है। यह वह कंटेंट है जो तेज़ी से बंद होता है — एक विशिष्ट दावे का परीक्षण करने के लिए उत्पन्न, ईमानदारी से मापा, और जैसे ही एक बेहतर वेरिएंट सिद्ध हो, प्रतिस्थापित।
यह कहाँ जा रहा है
Cohenta अभी भी बनाया जा रहा है, और वह क्रम जानबूझकर है: लूप, नीति, सिमुलेशन, और एट्रिब्यूशन को विश्वसनीय होना होगा इससे पहले कि इनमें से कोई भी लाइव बजट को छुए। पहले मील के पत्थर प्रत्येक चरण को अलगाव में ईमानदार बनाने के बारे में हैं, फिर लूप को कड़ी नीति के तहत अंत से अंत तक चलने देना। समय के साथ, वही मशीनरी अधिक चैनलों, समृद्ध प्रयोगों, और तंग चक्रों का समर्थन करनी चाहिए — लूप स्थिर रहते हुए उसके चक्र तेज़ होते जाएं।
दांव सरल है। AI मार्केटिंग ऑटोमेशन टूल्स की अगली पीढ़ी में, जो मायने रखेंगे वे बेहतर डैशबोर्ड नहीं होंगे। वे ऐसे सिस्टम होंगे जो आपके लिए प्रयोग चलाते हैं, आपके निर्धारित नियमों के तहत, और अपना काम दिखाते हैं। Cohenta, Thyn का एक बनाने का प्रयास है।