اکشن LLM در مارکتینگ اتومیشن چیست؟ AI داخل جرنی

اکشن LLM در مارکتینگ اتومیشن چیست؟

اکشن LLM (گاهی Run LLM یا گام مدل زبانی داخل جرنی) یک قدم میانی در مسیر اتوماسیون است: مخاطب به آن گره می‌رسد، مدل روی متن یا سیگنال‌های موجود اجرا می‌شود، و خروجی معمولاً به شکل attribute روی پروفایل، برچسب، یا شاخهٔ بعدی جرنی ذخیره می‌شود — نه اینکه کل پلتفرم «هوشمند» شود و نه اینکه یک موتور next-best-action جای همهٔ قوانین بنشیند.

پاسخ کوتاه: اکشن LLM داخل جرنی کار می‌کند؛ ورودی می‌گیرد، چیزی می‌نویسد یا مسیر را عوض می‌کند، بعد کنترل به گام بعدی (صبر، شرط، ایمیل، پیامک) برمی‌گردد. با تولیدکنندهٔ موضوع ایمیل فرق دارد، و با AI decisioning / next-best-action که اقدام غالب را بین چند کاندیدا انتخاب می‌کند هم یکی نیست.

اگر هنوز ایونت سبد، رضایت کانال و خروج خرید شل است، قبل از گذاشتن گره LLM همان پایه را درست کن. مدل روی سیگنال کثیف فقط نویز را خوش‌فرم می‌کند.

اکشن LLM دقیقاً کجای جرنی می‌نشیند؟

تصور کن یک مسیر رفتاری کلاسیک داری:

1. تریگر — ایونت یا ورود به سگمنت (مثلاً cart_updated بدون سفارش، تیکت پشتیبانی، یا product_viewed تکراری).
2. صبر / شرط — قوانین انسانی: سقف فرکانس، رضایت SMS، suppress روی welcome.
3. اکشن LLM — اینجا مدل یک کار محدود انجام می‌دهد: طبقه‌بندی، پیشنهاد برچسب، تشخیص لحن، یا پر کردن یک فیلد.
4. شاخه یا ارسال — بر اساس attribute تازه، ایمیل مراقبت یا پیامک کوتاه یا hold.

پس LLM «مغز کل مارکتینگ» نیست؛ یک گره میانی است شبیه یک اسکریپت کنترل‌شده که خروجی‌اش باید برای اپراتور خوانا و قابل‌لغو باشد.

در قاب کلی‌تر اتوماسیون با AI روی همان ایونت و جرنی، ببین: اتوماسیون بازاریابی با AI چیست؟.

جدول مقایسه: اکشن LLM در برابر جنریتیو موضوع و decisioning

این جدول را روی دیوار تیم بچسبان: اگر کسی گفت «LLM گذاشتیم پس decisioning داریم»، معمولاً فقط یک گره میانی دارد — مگر اینکه واقعاً کاندیدا، اولویت و holdout هم تعریف شده باشد.

چه کارهایی با اکشن LLM امن و مفید است؟

۱) طبقه‌بندی (classify)

مثال: تیکت یا پیام چت را به billing / shipping / product_question بزن؛ attribute را روی پروفایل بنویس؛ جرنی ایمیل آموزشی مرتبط را باز کن. انسان هنوز سقف و suppress را نگه می‌دارد.

۲) پیشنهاد / recommend سبک

مثال: از آخرین دسته‌های بازدید، یک recommended_category پیشنهاد بده تا ایمیل بعدی همان دسته را در بلوک پویا نشان دهد — نه اینکه مدل کل کاتالوگ را در پیامک بریزد.

۳) شاخه بر اساس حس / نیت (sentiment یا intent)

مثال: پاسخ نظرسنجی NPS یا متن آزاد «چرا منصرف شدی؟» را به positive / neutral / frustrated نگاشت کن. شاخهٔ frustrated فقط ایمیل مراقبت با لینک پشتیبانی؛ نه تخفیف عمیق خودکار برای همه.

برای تمایز خودمختاری مدل‌ها در برابر تولید متن، قاب ایجنتیک در برابر جنریتیو کمک می‌کند بفهمی اکشن LLM کجا روی طیف می‌نشیند: معمولاً نزدیک جنریتیو کنترل‌شده یا یک گام کوچک تصمیم‌یار — نه ایجنت آزاد.

گاردهای اجباری قبل از روشن کردن گره LLM

بدون این‌ها، «AI داخل جرنی» فقط سرعت اشتباه را بالا می‌برد:

1. خروجی محدود به enum یا فیلدهای از پیش تعریف‌شده — نه پاراگراف آزاد برای کانال حساس.
2. Fallback اجباری — اگر مدل timeout شد یا JSON خراب بود، شاخهٔ پیش‌فرض انسانی (مثلاً ایمیل عمومی مراقبت) اجرا شود؛ جرنی نشکند.
3. بازبینی انسانی روی نمونه‌های زنده — هفتهٔ اول هر روز ۲۰–۵۰ خروجی را بخوان.
4. هرگز کپی حساس LLM را مستقیم در بدنهٔ SMS یا ایمیل پرومو نفرست — مگر قالب ثابت + فیلدهای امن (نام دسته، برچسب کوتاه) و بازبینی سیاست برند.
5. لاگ پرامپت نسخه و خروجی — برای دیباگ و شکایت مشتری لازم است بدانی چرا این شاخه باز شد.
6. سقف هزینه و نرخ — LLM روی هر product_viewed thrashing می‌سازد؛ فقط روی ایونت‌های باارزش.
7. رضایت کانال جدا — حتی اگر مدل «فوریت» پیشنهاد داد، SMS بدون sms_opted_in ممنوع است.
8. تداخل مسیر — attribute جدید نباید هم‌زمان سه جرنی را آتش کند؛ جدول اولویت سر جایش بماند.

سناریوی ایران: فروشگاه لوازم دیجیتال

فرض کن فروشگاه «نیک‌کالا» جرنی سبد دارد: ۲ ساعت بعد ایمیل، ۶ ساعت بعد پیامک ثابت با ۱۵٪. شکایت STOP زیاد است؛ بعضی مشتری‌ها فقط دربارهٔ موجودی رنگ پرسیده بودند و تخفیف لازم نبود.

تشخیص

اکشن LLM محدود (عملی)

1. قبل از لمس دوم، گره LLM فقط متن آخرین پیام چت/تیکت مرتبط (اگر هست) یا دلیل رها شدن فرم را به یکی از برچسب‌ها بزند: price_sensitive / shipping_doubt / just_browsing / unknown.
2. شاخه‌ها:
   • shipping_doubt → ایمیل با لینک وضعیت ارسال و FAQ؛ بدون کد.
   • price_sensitive → ایمیل یادآوری سبد؛ کد فقط اگر سگمنت New باشد و سقف تخفیف اجازه دهد.
   • just_browsing یا unknown → hold یا یک ایمیل نرم موجودی؛ SMS نه.
3. اگر LLM خطا داد → شاخهٔ unknown (fallback).
4. خروج روی order_completed در همهٔ شاخه‌ها.
5. هفتهٔ اول: نمونهٔ انسانی روی برچسب‌ها؛ متریک STOP و نرخ بازیابی سبد در برابر هفتهٔ قبل.

اینجا LLM تصمیم NBA کامل نیست؛ فقط سیگنال میانی می‌سازد تا قوانین تو بهتر شاخه بزنند.

چطور در Leadara با events / segments / journeys تقریب بزنی؟

Leadara روی ایونت، سگمنت، جرنی، ایمیل و پیامک کار می‌کند. حتی اگر نام تجاری گره دقیقاً «Run LLM» نباشد، منطق اپراتور را این‌طور پیاده کن:

1. ایونت‌های تمیز بفرست (cart_updated, order_completed, رضایت کانال، در صورت نیاز support_message_received).
2. اگر خروجی مدل را به‌صورت attribute از بک‌اند یا یک سرویس میانی می‌نویسی، همان attribute را در شرط جرنی بخوان.
3. سگمنت‌های وضعیت بساز: مثلاً intent_shipping_doubt تا suppress پرومو همگانی رویشان اعمال شود.
4. در جرنی شاخه بگذار؛ سقف SMS و خروج خرید را برندار.
5. برای متن‌های تولیدشده، فقط داخل فیلدهای امن قالب استفاده کن یا اول در صف بازبینی نگه دار.

هدف: مدل کمک‌رانندهٔ گره باشد، نه رانندهٔ بدون ترمز.

اشتباهات رایجی که اکشن LLM را بی‌اعتبار می‌کند

• گذاشتن مدل قبل از تمیز بودن ایونت و رضایت
• پرامپت باز که می‌تواند قیمت جعلی یا موجودی دروغ بسازد
• ارسال مستقیم خروجی آزاد به SMS
• یکی دانستن اکشن LLM با کل «AI marketing automation» یا با decisioning
• نداشتن fallback و ترکیدن مسیر وقتی API کند است
• اندازه‌گیری فقط با «تعداد فراخوانی مدل» به‌جای تبدیل، STOP و حاشیه

چک‌لیست شروع این ماه

1. یک جرنی پول‌ساز انتخاب کن (سبد یا مراقبت بعد از تیکت)
2. سه تا پنج برچسب enum ثابت بنویس — نه متن آزاد
3. گره میانی + fallback به unknown
4. بازبینی انسانی نمونه در ۷ روز اول
5. ممنوعیت ارسال بدنهٔ آزاد مدل به SMS/ایمیل حساس
6. متریک: تبدیل شاخه‌ها، STOP، نرخ fallback، هزینهٔ فراخوانی

سوالات پرتکرار

اکشن LLM در مارکتینگ اتومیشن دقیقاً چیست؟

یک گام میانی داخل جرنی که مدل زبانی را روی ورودی محدود اجرا می‌کند و معمولاً attribute یا شاخه می‌سازد؛ جایگزین کل پلتفرم یا لایهٔ NBA نیست.

با تولیدکنندهٔ موضوع ایمیل چه فرقی دارد؟

تولیدکننده روی متن قالب تمرکز دارد. اکشن LLM بیشتر روی وضعیت مخاطب و مسیر اثر می‌گذارد (برچسب، فیلد، شاخه)، هرچند گاهی متن کوتاه هم پیشنهاد می‌دهد.

آیا همان AI decisioning است؟

خیر. Decisioning بین چند اقدام کاندیدا با اولویت و holdout انتخاب می‌کند. اکشن LLM می‌تواند ورودی آن لایه باشد، ولی خودش NBA کامل نیست.

آیا می‌شود خروجی را مستقیم در پیامک گذاشت؟

برای متن حساس و آزاد توصیه نمی‌شود. اگر لازم شد، فقط فیلدهای امن و قالب ثابت + سیاست بازبینی؛ وگرنه ریسک برند و شکایت بالاست.

اگر مدل جواب نداد چه؟

Fallback انسانی از قبل تعریف‌شده. جرنی نباید بشکند یا مخاطب را در صف بی‌پایان بگذارد.

روی چه ایونت‌هایی LLM نگذاریم؟

ایونت‌های پرتکرار کم‌ارزش (هر اسکرول یا هر view) بدون debounce. هزینه و نویز بالا می‌رود؛ سیگنال ضعیف می‌ماند.

چطور بفهمیم کار می‌کند؟

مقایسهٔ شاخه‌ها: آیا shipping_doubt بدون تخفیف بهتر از اسپم کد عمل می‌کند؟ STOP کمتر شد؟ نرخ fallback زیر آستانه است؟ لاگ‌ها قابل‌توضیح‌اند؟

Leadara چه کمکی می‌کند؟

ایونت، سگمنت، جرنی ایمیل/پیامک، شرط و خروج. خروجی مدل را به‌عنوان attribute/شرط به همان بلوک‌ها وصل می‌کنی؛ لازم نیست منتظر نام تجاری خاص بمانی.

جمع‌بندی و قدم بعدی

اکشن LLM یعنی AI داخل جرنی به‌عنوان یک گره میانی کنترل‌شده: طبقه‌بندی، پیشنهاد سبک، شاخه بر اساس حس — با enum، fallback، بازبینی انسانی، و ممنوعیت ارسال متن آزاد حساس به SMS/ایمیل. این ماه یک مسیر را با سه برچسب ثابت هوشمند کن؛ موفقیت را با تبدیل و STOP بسنج، نه با روشن بودن مدل. وقتی این گره پایدار شد، تازه به لایه‌های پهن‌تر اتوماسیون با AI یا decisioning فکر کن.

مطالب مرتبط

• اتوماسیون بازاریابی با AI چیست؟
• AI decisioning در مارکتینگ چیست؟
• ایجنتیک AI در برابر جنریتیو AI در مارکتینگ