Viktig slutsats: Spara 2 000 timmar med AI-styrd e-posthantering

Man kan inte använda AI på dåliga data.

Annars kommer det inte att gå bra. Ja. Så det första steget var att zooma ut, få in datan på ett ställe som är rent och läsbart, och sedan även på ett ställe där en dator kan göra beräkningarna. Ja. Precis som med de regler vi pratade om behöver alla dessa vissa värden som datorn förväntar sig för att beräkna detta och göra allt automatiskt.

Och som ni ser på planen finns det en hel del saker i människors huvuden. Så vi hade en koordinator på heltid. Allt fanns bara i hennes huvud. Hon är underbar.

Hon är toppen. Men det går helt enkelt inte att skala på det sättet. Vi skapar reglerna, vilket innebär över 30 regler. Några av dem har vi pratat om.

Och sedan är överlappningen mellan målgrupperna enorm. Återigen var det en viktig del för oss. Ja. Och det hanteras i Databricks där vi tittar på alla målgrupper.

Vi tittar på hur de överlappar varandra per dag och per utskick. Det är ungefär 18 000 målgruppskombinationer som vi helt enkelt inte kunde hantera med en människa.

Och sedan, utifrån allt det, får vi reda på det bästa datumet och den bästa tidpunkten för e-postmeddelandet.

Wow. 18 000 beräkningar. Det är … Ja. Ingen människa kan göra det. Man skulle behöva vara en övermänniska. Jag gillar verkligen Genie.

Vi hade förmodligen inte kunnat genomföra det här projektet utan den. Om jag skulle uppskatta det utförde den förmodligen cirka åttio timmars arbete som jag slapp göra som utvecklare. Jag säger bara: Genie, gör det här. Så det är en riktigt bra juniorutvecklare, antar jag. Ja. Men om du behöver en innehållsförfattare kan du använda den funktionen. För oss tog det ungefär en månad, fyra veckor.

Men utan AI i en... Om det här hade varit för två år sedan skulle det ha krävts ett team på åtta personer och det skulle ha tagit flera månader, och sedan skulle det förhoppningsvis ha fungerat. Detta var helt banbrytande för oss, och jag hoppas att ni alla kan göra något liknande.