Prediktivní automatizace: předvídání chování zákazníků dříve, než k němu dojde

Vždy je důležité reagovat rychle, ale je lepší předvídat. Většina marketingových týmů spouští své akce, jakmile dojde k určitému chování (otevření e-mailu, vyplnění formuláře, návštěva stránky atd.).

Tomu říkáme reaktivní automatizace, která se liší od prediktivní automatizace. Na základě existujících dat ve vašem CRM identifikuje chování, které nastane dříve, než k němu dojde. Poté má všechna data k přípravě reakce předem.

Jaký je rozdíl mezi reaktivní a prediktivní automatizací?

Tradiční automatizace funguje na poměrně jednoduchém principu. Pokud dojde k X, pak musí být spuštěno Y.

• Kontakt si stáhne bílou knihu? Začíná pečující sekvence.
• Potenciální zákazník navštíví stránku s ceníkem? Spustí se upozornění na prodej.

Prediktivní automatizace obrací logiku. Využívá vaše historická data k vytváření statistických modelů schopných předpovědět, že tento typ kontaktu, v tomto kontextu, s tímto minulým chováním, má X% pravděpodobnost, že v příštích 14 dnech provede nákup. Na základě této predikce je akce spuštěna ještě předtím, než je viditelný signál k nákupu.

To je rozdíl mezi zavoláním potenciálnímu zákazníkovi, protože právě znovu navštívil váš web, a zavoláním, protože jeho profil se shoduje s profilem zákazníků, kteří se zaregistrují do dvou týdnů.

Data o chování: Základní materiál predikce

Bez dat nelze mít predikci a tato data vyžadují specifickou architekturu. Prediktivní automatizace se spoléhá nakvalitu a hloubku historie chování kterou najdete ve svém CRM. Čím bohatší, přesnější a centralizovanější je tato historie, tím spolehlivější budou prediktivní modely. Nejcennější data pro predikci budoucího chování nejsou ta, která shromažďujete prostřednictvím formuláře. Jsou to implicitní data: navštívené stránky a v jakém pořadí, frekvence relací za posledních 30 dní, čas strávený v určitých sekcích, vícekrát otevřené e-maily a stažené dokumenty. Toto jsou mikrobehaviorální signály, neviditelné pouhým okem při jediné interakci, které se stanou prediktivními, když jsou analyzovány napříč stovkami podobných cest.

Dokud jsou vaše behaviorální data rozptýlena mezi vaším e-mail marketingovým nástrojem, CRM a analytickým nástrojem, rychle si uvědomíte, že vytvoření konzistentního prediktivního modelu je nemožné.

Záměr nákupu je nejsilnějším signálem

Ze všech akčních prediktivních signálů jezáměr nákupu Záměr nákupu má největší komerční hodnotu. Návštěvník, který si prohlédne vaši stránku s ceníkem, stáhne si porovnávací nástroj a přečte si dvě případové studie ve stejném týdnu, se nechová jako potenciální zákazník ve fázi objevování. Jeho chování se podobá chování kupujícího, který se chystá učinit rozhodnutí. Proto musíte tyto signály záměru detekovat v reálném čase a porovnat je s firmografickými údaji kontaktu (obor, velikost společnosti, pracovní pozice). Poté můžete posoudit komerční naléhavost příležitosti. Tento systém bodování není založen na libovolném manuálním pravidle, ale na vzorcích chování kontaktů, kteří v minulosti nakonec podepsali smlouvu. Díky tomu obchodníci již neztrácejí čas vlažnými potenciálními zákazníky, zatímco horké příležitosti se ocitnou v ústraní, protože nebyly detekovány. Prioritizace je pak založena na datech, nikoli na intuici nebo pořadí zobrazení v seznamu. Umění bodování a predikce s HubSpotem HubSpot integruje funkce bodování a predikce přímo do svého CRM, aniž byste museli připojovat externí nástroj. Bodování leadů vám umožňuje vytvořit behaviorální a demografické skóre na základě záznamu vašeho kontaktu. Aktualizuje se také v reálném čase na základě zaznamenaných interakcí. Manuální bodování funguje tak, že se přiřazují pozitivní a negativní body na základě vámi definovaných kritérií. Kontakt, který navštíví vaši stránku s ceníkem, získává body. Kontakt, který je neaktivní 60 dní, body ztrácí. Tento model je funkční a užitečný, ale zůstává omezený kvůli kvalitě lidských předpokladů, na kterých je založen.

Funkce umělé inteligence v HubSpotu, dostupné prostřednictvím Breeze, jdou ještě o krok dál. Analyzují historická data vašich kontaktů a automaticky identifikují vzorce, které předcházejí konverzi, aniž byste je museli definovat ručně. Model se průběžně přizpůsobuje s příchodem nových dat.Zákazníci HubSpotu, kteří tyto funkce umělé inteligence využívají, zaznamenávají 65% zkrácení doby uzavírání prodejů. Toto číslo přímo odráží dopad prediktivního bodování, které umožňuje včasný zásah.

Obohacení dat v HubSpotu doplňuje tento systém automatickým naplňováním záznamů kontaktů externími daty, jako je velikost společnosti, odvětví, použité technologie a signály růstu. Tyto informace obohacují váš prediktivní model, aniž byste je museli zadávat ručně.

Co kdybyste automatizovali reakci na predikované chování?

Víme, že detekce prediktivního signálu bez spuštění následné akce je zbytečná. Prediktivní automatizace se stává mnohem zajímavější, když je detekce přímo spojena s provozní reakcí. V HubSpotu jsme identifikovali kroky provozního prediktivního scénáře. Definujte prediktivní spouštěcí kritéria: skóre leadů nad prahovou hodnotou, chování za posledních 7 dní a kombinace firmografických vlastností. Vytvořte dynamický seznam, který se automaticky aktualizuje, jakmile kontakt splní tato kritéria. 400">Nakonfigurujte související pracovní postup&nbsp: oznámení o prodeji s plným kontextem kontaktu, spuštění sekvence personalizovaných e-mailů a automatické vytvoření obchodu v procesu.

Nastavte podmínky ukončení&nbsp: kontakt opustí pracovní postup, jakmile odpoví, podepíše nebo dá signál o opaku.

Změřte výsledky&nbsp: vezměte míru konverze kontaktů aktivovanou prediktivním modelem a kontakty zpracované bez bodování, abyste postupně zpřesnili prahové hodnoty.

Tento typ scénáře běží v HubSpotu nepřetržitě bez nutnosti lidského zásahu. Potenciální zákazník, který v neděli ráno dosáhne prediktivní prahové hodnoty, obdrží správnou zprávu. v pondělí v 8 hodin ráno a spustí upozornění v CRM jejich obchodníka ještě před začátkem dne. Je to jednoduché a skutečně efektivní!

Jaké podmínky jsou nezbytné pro to, aby tento režim skutečně fungoval?

S přijetím prediktivní automatizace nemáte kouzelnou hůlku. Spolehlivé výsledky jsou nezbytné a musí být splněno několik podmínek.

1. Objem dat: Prediktivní model postavený na 50 historických obchodech bude nespolehlivý. Dostatečně velký historický soubor dat, zahrnující jak konvertované, tak nekonvertované kontakty, je nezbytný pro to, aby identifikované vzorce byly statisticky významné. Organizace, které začínají s CRM, by si měly nejprve vybudovat datovou základnu, než aktivují prediktivní analýzu.
2. Kvalita dat: Nesprávně definované vlastnosti, nevyřešené duplikáty, nesledované chování… To vše jsou mezery v modelu, které zkreslují predikce. Pro udržení spolehlivosti skóre jsou nezbytné pravidelné audity databáze v HubSpotu. Sladění mezi marketingem a prodejem při interpretaci skóre: vysoké prediktivní skóre neznamená, že kontakt podepíše smlouvu do 48 hodin. Ve skutečnosti se jeho profil shoduje s profily těch, kteří podepsali smlouvu v podobném časovém rámci. Obchodníci, kteří chápou tuto nuanci, používají skóre jako signál pro stanovení priorit, nikoli jako záruku konverze.

Pokud se váš současný systém stále spoléhá na manuální následné kontroly a pravidla automatizace postavená na instinktu, musíte si bezpodmínečněotevřít bezplatný účet.

Naše nejčastější dotazy k prediktivní automatizaci

Musíte být datový vědec, abyste mohli implementovat prediktivní automatizace?

Samozřejmě že ne! Funkce prediktivního bodování zabudované do platforem, jako je HubSpot, jsou přístupné i bez dovedností v oblasti datové vědy. Nastavení se provádí prostřednictvím vizuálních rozhraní.

Nejdůležitější je kvalita zdrojových dat a přesnost cílů.

Jaký je rozdíl mezi manuálním a prediktivním bodováním leadů?

Manuální bodování přiřazuje body podle pravidel, která si sami definujete. Ta jsou založena na vašich předpokladech.Prediktivní bodování se spoléhá na skutečná historická data vašich kontaktů, aby automaticky identifikovalo kombinace, které předcházejí konverzi.

Je prediktivní automatizace vhodná pro malé týmy?

Ano, ale pouze pokud začnete jednoduše. Malý tým může začít se základním behaviorálním bodováním v HubSpotu, postupně zpřesňovat svá kritéria a aktivovat prediktivní funkce s tím, jak databáze roste. Chybou by bylo snažit se vše konfigurovat od začátku, aniž byste měli data pro model.

Jak se vyhnout falešně pozitivním výsledkům v prediktivním modelu?

Je třeba porovnat několik signálů a nespoléhat se na jedno kritérium. Kontakt, který navštíví vaši stránku s ceníkem pouze jednou, může být konkurent nebo někdo, kdo je prostě zvědavý. Kombinace kritérií automaticky snižuje míru falešně pozitivních výsledků.

Jak často byste měli svůj prediktivní model znovu kalibrovat?

Nejméně dvakrát ročně a při každé významné změně vaší nabídky nebo cílové skupiny. Model postavený na datech z loňského roku nezohledňuje nejnovější změny. Pravidelná kontrola míry konverze podle segmentu skóre vám dává možnost rychle odhalit model, který ztrácí přesnost. Budete ho moci mnohem snadněji upravit.