اتوماسیون پیش‌بینی‌کننده: پیش‌بینی رفتار مشتری قبل از وقوع آن

همیشه واکنش سریع مهم است، اما بهتر است پیشبینی کنیم. اکثر تیمهای بازاریابی پس از وقوع یک رفتار (باز شدن یک ایمیل، پر شدن فرم، بازدید از یک صفحه و غیره) اقدامات خود را آغاز میکنند.

ما این را اتوماسیون واکنشی مینامیم که با اتوماسیون پیشبینیکننده متفاوت است. این اتوماسیون بر اساس دادههای موجود در CRM شما، رفتارهایی را که قبل از وقوع رخ خواهند داد، شناسایی میکند. سپس تمام دادهها را برای آمادهسازی پاسخ از قبل در اختیار دارد.

تفاوت بین اتوماسیون واکنشی و پیشبینیکننده چیست؟

اتوماسیون سنتی بر اساس یک اصل نسبتاً ساده کار میکند. اگر X اتفاق بیفتد، Y باید فعال شود.

• یک مخاطب یک گزارش رسمی را دانلود میکند؟ یک توالی پرورشی شروع میشود.
• یک مشتری بالقوه از صفحه قیمتگذاری بازدید میکند؟ یک هشدار فروش فعال میشود.

خودکارسازی پیشبینیکننده، منطق را معکوس میکند. این خودکارسازی از دادههای تاریخی شما برای ساخت مدلهای آماری استفاده میکند که قادر به پیشبینی این هستند که این نوع مخاطب، در این زمینه، با این رفتار گذشته، احتمال X٪ برای خرید در 14 روز آینده دارد. بر اساس این پیشبینی، حتی قبل از اینکه سیگنال خرید قابل مشاهده باشد، اقدام آغاز میشود.

این تفاوت بین تماس با یک مشتری بالقوه به دلیل بازدید مجدد از سایت شما و تماس با او به دلیل مطابقت پروفایلش با مشتریانی است که ظرف دو هفته ثبت نام میکنند.

دادههای رفتاری: ماده خام پیشبینی

شما نمیتوانید بدون داده پیشبینی داشته باشید و این دادهها به یک معماری خاص نیاز دارند. اتوماسیون پیشبینی بهکیفیت و عمق سابقه رفتاریکه در CRM خود پیدا میکنید، متکی است. هرچه این سابقه غنیتر، دقیقتر و متمرکزتر باشد، مدلهای پیشبینی قابل اعتمادتر خواهند بود. ارزشمندترین دادهها برای پیشبینی رفتار آینده، آن چیزی نیست که از طریق یک فرم جمعآوری میکنید. این دادههای ضمنی هستند: صفحات بازدید شده و به چه ترتیبی، فراوانی جلسات در 30 روز گذشته، زمان صرف شده برای بخشهای خاص، ایمیلهای باز شده چندین بار و اسناد دانلود شده. اینها سیگنالهای ریزرفتاری هستند که در یک تعامل با چشم غیرمسلح قابل مشاهده نیستند، اما وقتی در صدها مسیر مشابه تجزیه و تحلیل میشوند، قابلیت پیشبینی پیدا میکنند.

تا زمانی که دادههای رفتاری شما بین ابزار بازاریابی ایمیلی، CRM و ابزار تحلیلی شما پراکنده باشد، به سرعت متوجه میشوید که ساختن یک مدل پیشبینیکنندهی ثابت غیرممکن است.

قصد خرید قدرتمندترین سیگنال است

در میان تمام سیگنالهای پیشبینیکنندهی قابل اجرا،قصد خرید. قصد خرید بیشترین ارزش تجاری را دارد. بازدیدکنندهای که صفحه قیمتگذاری شما را مشاهده میکند، یک ابزار مقایسه را دانلود میکند و دو مطالعه موردی را در یک هفته میخواند، مانند یک مشتری بالقوه در مرحله کشف رفتار نمیکند. رفتار آنها شبیه به خریداری است که در شرف تصمیمگیری است. بنابراین، شما باید این سیگنالهای قصد را در زمان واقعی تشخیص دهید و آنها را با دادههای فیرموگرافیک مخاطب (صنعت، اندازه شرکت، عنوان شغلی) مقایسه کنید. سپس میتوانید فوریت تجاری یک فرصت را ارزیابی کنید. این سیستم امتیازدهی مبتنی بر یک قانون دستی دلخواه نیست، بلکه بر اساس الگوهای رفتاری مخاطبینی است که در گذشته در نهایت امضا کردهاند. در نتیجه، فروشندگان دیگر وقت خود را برای مشتریان بالقوه بیعلاقه تلف نمیکنند در حالی که فرصتهای داغ به دلیل عدم شناسایی، سرد میشوند. سپس اولویتبندی بر اساس دادهها انجام میشود، نه شهود یا ترتیب ظاهر شدن در یک لیست. هنر امتیازدهی و پیشبینی با HubSpotHubSpot ویژگیهای امتیازدهی و پیشبینی را مستقیماً در CRM خود ادغام میکند، بدون اینکه شما را ملزم به اتصال یک ابزار خارجی کند. امتیازدهی به سرنخ به شما این امکان را میدهد که یک امتیاز رفتاری و جمعیتی در سابقه مخاطب خود ایجاد کنید. همچنین بر اساس تعاملات ثبت شده، به صورت بلادرنگ بهروزرسانی میشود. امتیازدهی دستی با اختصاص امتیازهای مثبت و منفی بر اساس معیارهایی که شما تعریف میکنید، کار میکند. مخاطبی که از صفحه قیمتگذاری شما بازدید میکند، امتیاز کسب میکند. مخاطبی که به مدت ۶۰ روز غیرفعال باشد، امتیاز از دست میدهد. این مدل عملیاتی و مفید است، اما به دلیل کیفیت فرضیات انسانی که بر اساس آن بنا شده است، محدود باقی میماند.

ویژگیهای هوش مصنوعی HubSpot که از طریق Breeze در دسترس هستند، یک قدم فراتر میروند. آنها دادههای تاریخی مخاطبین شما را تجزیه و تحلیل میکنند تا به طور خودکار الگوهایی را که قبل از تبدیل وجود دارند، شناسایی کنند، بدون اینکه شما مجبور باشید آنها را به صورت دستی تعریف کنید. این مدل به طور مداوم با رسیدن دادههای جدید تنظیم میشود.مشتریان HubSpot که از این ویژگیهای هوش مصنوعی استفاده میکنند، شاهد کاهش ۶۵ درصدی در زمان بسته شدن فروش هستند. این رقم مستقیماً تأثیر امتیازدهی پیشبینیکننده را نشان میدهد که امکان مداخله به موقع را فراهم میکند.

غنیسازی دادههادر HubSpot، این سیستم را با پر کردن خودکار سوابق مخاطبین با دادههای خارجی مانند اندازه شرکت، صنعت، فناوریهای مورد استفاده و سیگنالهای رشد، تکمیل میکند. این اطلاعات، مدل پیشبینی شما را بدون نیاز به وارد کردن دستی، غنیتر میکند.

اگر پاسخ به رفتارهای پیشبینیشده را خودکار کنید، چه میشود؟

ما میدانیم که تشخیص یک سیگنال پیشبینیکننده بدون ایجاد یک اقدام بعدی بیمعنی است. اتوماسیون پیشبینیکننده زمانی بسیار جالبتر میشود که تشخیص مستقیماً به یک پاسخ عملیاتی متصل باشد. ما مراحل یک سناریوی پیشبینیکننده عملیاتی را در HubSpot شناسایی کردهایم. معیارهای پیشبینیکننده را تعریف کنید: امتیاز سرنخ بالاتر از یک آستانه، رفتار در 7 روز گذشته و ترکیبی از ویژگیهای فیرموگرافیک. یک لیست پویا ایجاد کنید که به محض اینکه یک مخاطب این معیارها را برآورده کند، بهطور خودکار بهروزرسانی شود. ۴۰۰">گردش کار مرتبط را پیکربندی کنید&nbsp: یک اعلان فروش با متن کامل مخاطب، راهاندازی دنباله ای از ایمیل های شخصی سازی شده و ایجاد خودکار یک معامله در خط تولید.

شرایط خروج را تنظیم کنید&nbsp: مخاطب به محض پاسخ دادن، امضا کردن یا دادن سیگنال مخالف، گردش کار را ترک می کند.

نتایج را اندازهگیری کنید&nbsp: نرخ تبدیل مخاطبین فعال شده توسط مدل پیش بینی و مخاطبین پردازش شده بدون امتیازدهی را در نظر بگیرید تا آستانه ها به تدریج اصلاح شوند.

این نوع سناریو به صورت مداوم اجرا می شود HubSpot بدون نیاز به مداخله انسانی. مشتری بالقوهای که صبح یکشنبه به آستانه پیشبینی میرسد، دوشنبه ساعت ۸ صبح پیام صحیح را دریافت میکند و قبل از شروع روز، هشداری را در CRM فروشنده خود فعال میکند. این کار ساده و واقعاً مؤثر است!

چه شرایطی برای عملکرد واقعی این حالت لازم است؟

با اتخاذ اتوماسیون پیشبینی، شما عصای جادویی ندارید. نتایج قابل اعتماد ضروری هستند و باید چندین شرط را رعایت کنید.

1. حجم دادهها : یک مدل پیشبینی ساخته شده بر روی ۵۰ معامله تاریخی غیرقابل اعتماد خواهد بود. یک مجموعه داده تاریخی به اندازه کافی بزرگ، شامل مخاطبین تبدیل شده و تبدیل نشده، برای اینکه الگوهای شناسایی شده از نظر آماری معنادار باشند، ضروری است. سازمانهایی که CRM خود را شروع میکنند، ابتدا باید پایه دادههای خود را قبل از فعال کردن تجزیه و تحلیل پیشبینیکننده.

کیفیت دادهها: ویژگیهای نادرست تعریف شده، موارد تکراری حل نشده، رفتارهای ردیابی نشده... اینها همه شکافهایی در مدل هستند که پیشبینیها را منحرف میکنند. ممیزیهای منظم پایگاه داده در HubSpot برای حفظ قابلیت اطمینان امتیازدهی ضروری است. هماهنگی بین بازاریابی و فروش در تفسیر امتیازها: امتیاز پیشبینیکننده بالا به این معنی نیست که مخاطب ظرف ۴۸ ساعت امضا خواهد کرد. در واقع، مشخصات آنها با کسانی که در یک بازه زمانی مشابه امضا کردهاند مطابقت دارد. فروشندگانی که این تفاوت ظریف را درک میکنند، از امتیاز به عنوان یک سیگنال اولویتبندی استفاده میکنند، نه یک تضمین تبدیل.

اگر سیستم فعلی شما هنوز به پیگیریهای دستی و قوانین اتوماسیون مبتنی بر غریزه متکی است، کاملاً بایدیک حساب کاربری رایگان باز کنید. حساب.

سوالات متداول اتوماسیون پیشبینی ما

آیا برای پیادهسازی اتوماسیون پیشبینی باید دانشمند داده باشید؟

البته که نه! ویژگیهای امتیازدهی پیشبینی که در پلتفرمهایی مانند HubSpot تعبیه شدهاند، حتی اگر مهارتهای علوم داده نداشته باشید، قابل دسترسی هستند. راهاندازی از طریق رابطهای بصری انجام میشود.

مهمترین چیز مربوط به کیفیت دادههای منبع و دقت اهداف است.

تفاوت بین امتیازدهی دستی و پیشبینیشده سرنخ چیست؟

امتیازدهی دستی، امتیازها را طبق قوانینی که خودتان تعریف میکنید، اختصاص میدهد. این قوانین بر اساس فرضیات شما هستند.امتیازدهی پیشبینیکننده به دادههای تاریخی واقعی مخاطبین شما متکی است تا به طور خودکار ترکیباتی را که قبل از تبدیل وجود دارند، شناسایی کند.

آیا اتوماسیون پیشبینیکننده برای تیمهای کوچک مناسب است؟

بله، اما فقط اگر به سادگی شروع کنید. یک تیم کوچک میتواند با امتیازدهی رفتاری پایه در HubSpot شروع کند، به تدریج معیارهای خود را اصلاح کند و با رشد پایگاه داده، ویژگیهای پیشبینیکننده را فعال کند. اشتباه این است که سعی کنید همه چیز را از ابتدا بدون داشتن دادههای لازم برای تغذیه مدل، پیکربندی کنید.

چگونه در یک مدل پیشبینی از نتایج مثبت کاذب جلوگیری کنیم؟

شما باید چندین سیگنال را به هم ارجاع دهید و به یک معیار واحد تکیه نکنید. مخاطبی که فقط یک بار از صفحه قیمتگذاری شما بازدید میکند، میتواند رقیب یا کسی باشد که صرفاً کنجکاو است. ترکیب مکانیکی معیارها، نرخ نتایج مثبت کاذب را کاهش میدهد.

هر چند وقت یکبار باید مدل پیشبینی خود را دوباره کالیبره کنید؟

حداقل دو بار در سال و با هر تغییر قابل توجه در پیشنهاد یا مخاطب هدف شما. مدلی که بر اساس دادههای سال گذشته ساخته شده است، آخرین تغییرات را در نظر نمیگیرد. بررسی منظم نرخ تبدیل بر اساس بخش امتیاز، این فرصت را به شما میدهد تا به سرعت مدلی را که دقت خود را از دست میدهد، تشخیص دهید. میتوانید آن را بسیار آسانتر تنظیم کنید.