AI media planning का मतलब है कि model एक ही brief और budget पर कई structured options लिखता है, और planner हाथ से एक deck assemble करने के बजाय plausible plans में से चुनता और refine करता है। बदलाव एक speed gain जैसा लगता है और असल में deliverable के shape का बदलाव है — और यह तभी लाभ देता है जब measurement plan के साथ design हो।
मैंने planning और buying में 18 साल बिताए हैं। Planning deck वह artefact हुआ करता था जो साबित करता था कि आपने काम किया है: slides, flowcharts, एक budget table, एक rationale। उसका बहुत हिस्सा assembly था, और assembly वही है जो AI ले लेता है। जो बचता है वह हिस्सा है जो हमेशा से नौकरी था — तय करना कि असल में कौन-सी constraint मायने रखती है और उस पर एक recommendation दाँव पर लगाना। यहाँ बताया है कि दोनों आधे, plan और measurement, साथ में कैसे बदलते हैं।
Planning deliverable shape बदल देता है
पुराने model में, planner एक plan produce करता था। समय constraint था, इसलिए deliverable एक अकेला best guess था, जिसे इतना polish किया जाता था कि वह inevitable लगे। शायद ही कभी दूसरा option होता था, क्योंकि दूसरे option में एक और हफ़्ता लगता था।
AI-native model में, model एक ही brief और budget पर कई structured options produce करता है — अलग channel mixes, flighting patterns, audience splits, creative rotations — हर एक internally consistent और हर एक costed। Planner का पहला काम plan बनाने से plausible options के एक set की तुलना करने की तरफ़ शिफ़्ट हो जाता है। Deck एक construction project के बजाय एक decision record बन जाता है।
यह एक senior व्यक्ति के समय का बेहतर उपयोग है, लेकिन यह एक कमज़ोरी उजागर करता है। जब आपके पास एक ही plan होती थी, आप उसे defend करते थे। जब पाँच हों, तो आपको चुनने के लिए एक standard चाहिए, और ज़्यादातर teams के पास एक लिखा हुआ नहीं है। उसके बिना, पाँच options बस बहस को बाद में खिसका देते हैं।
Plan बनाने से plans में चुनने तक
अब जो skill मायने रखती है वह discrimination है: जल्दी देखना कि कौन-सा option असली constraint में फिट है, और कौन-सा सिर्फ़ आकर्षक है।
व्यवहार में, model के options उतने ही अच्छे होते हैं जितना उसे दिया गया brief, और सोच brief में रहती है। अगर brief कहता है "budget के अंदर reach maximise करो", तो आपको five reach-maximising plans मिलेंगी और उन्हें अलग करने का कोई तरीक़ा नहीं। अगर यह कहता है "एक two-week sales window वाले market में CPM target के नीचे रखते हुए frequency को fatigue threshold के नीचे रखो", तो आपको ऐसे options मिलते हैं जो बहस लायक़ तरीक़ों से अलग हैं। Plan की quality model चलने से पहले तय हो जाती है।
Planner का judgment फिर तीन जगह आता है: option चुनना, यह नाम लेना कि इसे ग़लत क्या बनाएगा, और वह tripwire तय करना जो बीच में एक बदलाव trigger करे। यह एक flowchart format करने से ज़्यादा क़ीमती काम है, और इसे नक़ली बनाना मुश्किल है।
Measurement वाला आधा हिस्सा जिसे teams कम plan करती हैं
यहाँ वह failure है जो मैं सबसे ज़्यादा देखता हूँ, और यह चुपचाप होता है। Team AI planning जोड़ देती है, ज़्यादा options produce करती है, ज़्यादा variants चलाती है — और वही measurement design रखती है जो हमेशा रहा। नतीजा ज़्यादा activity और ज़्यादा learning नहीं, क्योंकि design में कुछ भी options को एक-दूसरे के सामने compare करने के लिए नहीं बना था।
Media planning और measurement को आमतौर पर दो projects माना जाता है जो अंत में मिलते हैं। एक AI-native workflow में वे एक design हैं। अगर plan variants generate करती है, तो measurement को पहले से तय करना है कि कौन-से variants आपस में compare होंगे, किस signal पर, किस window में, और क्या result गिना जाएगा न कि शोर। वरना आप पैसा ख़र्च करने के ज़्यादा तरीक़े generate करते हैं और यह कोई ज़्यादा evidence नहीं कि कौन-सा काम किया।
Plan के साथ measurement design करना
चार फ़ैसले, जो कुछ भी चलने से पहले लिए जाएँ, volume को evidence में बदल देते हैं।
- कौन-से variants compare होंगे। आप हर उस चीज़ से सीख नहीं सकते जो आप चलाते हैं। उन कुछ comparisons को चुनें जो भविष्य का फ़ैसला बदल देते, और बाक़ी को single-arm executions रहने दें।
- कौन-सा signal गिनेगा। Primary measure और guardrail measures पहले तय करें, ताकि readout बाद में एक negotiation न बने।
- कौन-सी window और कौन-सा baseline। Period और comparison point पहले से तय करें, वरना हर result बहस लायक़ बन जाता है।
- इसे कौन पढ़ता है और कब। व्यक्ति और cadence का नाम लें। बिना reader वाला measurement design एक ऐसी report है जिसे कोई नहीं खोलता।
इसमें से कुछ भी नई statistics नहीं है। यह test चलाने से पहले उसे तय करने की discipline है, और AI discipline को कम नहीं, ज़्यादा ज़रूरी बनाता है, क्योंकि यह उन चीज़ों का volume बढ़ा देता है जिन्हें आप test कर सकते हैं।
पारंपरिक planning vs. AI-native planning
| Dimension | पारंपरिक planning | AI-native planning |
|---|---|---|
| Deliverable | एक polished plan | कई costed options |
| Planner का काम | बनाओ और defend करो | चुनो, refine करो, tripwires लगाओ |
| Time cost | प्रति plan हफ़्ते | प्रति option मिनट |
| Constraint | Planner hours | Decision standard और साफ़ brief |
| Measurement | Plan के बाद design | Plan के साथ design |
| Learning | प्रति campaign, retrospective | प्रति variant, design में शामिल |
| Failure mode | धीमा और single-valued | बिना comparison standard के volume |
आख़िरी row को उस चीज़ की तरह पढ़ें जिससे बचना है। AI-native failure धीमापन नहीं है; यह बहुत produce करना और थोड़ा सीखना है, क्योंकि किसी ने तय नहीं किया कि plan आपको क्या सिखानी थी।
दो options एक design का फ़ैसला है
इसका एक version चुपचाप fail होता है: model options produce करता है, planner उन्हें अनदेखा कर के मूल plan defend करता है, और ज़्यादा volume theatre बन जाता है। Options की संख्या ख़ुद एक design choice है। एक sharp brief पर दो अच्छी तरह बने alternatives आमतौर पर एक असली फ़ैसला कराने के लिए काफ़ी हैं; पाँच अक्सर एक लंबी meeting और वही नतीजा देते हैं। वह संख्या चुनें जो चुनाव को ईमानदार बनाए, और model को chosen option के अंदर variants produce करने दें, उसके साथ और options नहीं।
Planner के पास अब भी क्या है
अगर model options लिखता है, तो planner किस लिए है? पहले जिन चीज़ों के लिए था, उन्हीं के लिए, concentrated।
- Constraint चुनना। यह तय करना कि client की कौन-सी reality असल में बाँधती है — sales window, margin, creative supply — एक human का काम है जो model आपके लिए नहीं कर सकता।
- Plausible options में discrimination। पाँच अच्छे दिखने वाले plans में से कौन-सी असली स्थिति में फिट है, यह जानना अब core skill है।
- Success define करना। Campaign चलने से पहले measure और tripwire का नाम लेना वही है जो volume को learnable बनाता है।
- Recommendation का owner होना। कोई plan पर अपना नाम लगाता है और उसका जवाब देता है। वह delegate नहीं होता।
मैंने इस तर्क का एक version बहुत पहले एक post में दिया था, media planners अपनी नौकरी कैसे खो देंगे, जब automation एक research tool और एक spreadsheet थी। Tools बहुत बदल गए हैं; pattern नहीं। जो planners हारते हैं वे वे हैं जिनका value assembly था। जो नौकरी रखते हैं वे वे हैं जिनका value judgment था, और AI अब वह चीज़ है जो उस फ़र्क़ को सबके लिए दिखने लायक़ बनाती है।
कहाँ से शुरू करें
एक campaign चुनें और plan और measurement को साथ redesign करें, क्रम से नहीं। Brief ऐसे लिखें कि वह असली constraint का नाम ले। Model से तीन costed options produce कराएँ। एक चुनें, लिखें कि इसे ग़लत क्या बनाएगा, और वह comparison तय करें जिसे आप check करने के लिए चलाएँगे। फिर उसे चलाएँ और result को उस cadence पर पढ़ें जो आपने पहले से तय किया।
यह एक बार करें और आप अपने planning standard के बारे में एक साल के decks से ज़्यादा जान जाएँगे। for-team-leads track इसे lifecycle के आर-पार sequence करती है, और Strategy guide इसे व्यापक lane में रखती है।
FAQ
क्या AI पूरा media plan लिखता है?
यह structured options जल्दी और consistently लिखता है, जो assembly का ज़्यादातर हिस्सा है। यह तय नहीं करता कि कौन-सी constraint मायने रखती है, options में से नहीं चुनता, और recommendation का owner नहीं होता। Plan अब भी एक human deliverable है; drafting नहीं।
AI-native plan में measurement ज़्यादा क्यों मायने रखता है?
क्योंकि AI उन options और variants की संख्या बढ़ा देता है जिन्हें आप चला सकते हैं। पहले से तय measurement design के बिना, वह ज़्यादा volume activity produce करता है, evidence नहीं — ज़्यादा spend, यह कोई ज़्यादा learning नहीं कि कौन-सा approach काम करता है।
क्या planners अब भी रहेंगे?
Role ग़ायब होने के बजाय concentrate हो जाता है। Planning, बाक़ी मीडिया की तरह, assembly (largely automatable) और judgment (नहीं) में बँटती है। जो planners का value assembly था वे exposed हैं; जो planners का value चुनना और success define करना है वे और central बन जाते हैं।
क्या यह बस दूसरे नाम से testing है?
यह एक lab test चलाने से ज़्यादा campaign को readable बनाने जैसा है। मक़सद हर campaign को experiment बनाना नहीं है, बल्कि पहले से तय करना कि कौन-से कुछ comparisons भविष्य का फ़ैसला बदलेंगे और plan को ऐसे बनाना कि वे comparisons possible हों।
Short version
AI planning को एक plan बनाने से कई में चुनने में बदल देता है, और पैसा measurement के साथ जोड़ी में है। अगर plan generate होती है और measurement redesign नहीं होता, तो आपको ज़्यादा options मिलते हैं और ज़्यादा evidence नहीं। Comparison, signal, window और reader को चलाने से पहले design करें; judgment human रखें; और volume शोर के बजाय learning बन जाता है।
मैंने ऐसी कई plans बनाई हैं जो पक्की लगीं और कुछ नहीं सिखाया, और जो discipline मैं बार-बार दोबारा सीखता हूँ वह यह है कि campaign चलने से पहले तय करें कि उसे क्या साबित करना है।
अगर आपकी team ने planning और measurement को इस तरह जोड़ा है, तो मैं सुनना चाहूँगा कि कौन-सा फ़ैसला पहले से कराना सबसे मुश्किल रहा।
शुभकामनाओं सहित, Chandler
यह लेख हिंदी में उपलब्ध है, लेकिन कोर्स सामग्री (वीडियो, टेम्पलेट्स और सपोर्टिंग गाइड्स) अंग्रेज़ी और जापानी में उपलब्ध है। यह साइट 13 भाषाओं में उपलब्ध है।