אוטומציה חזויה: חיזוי התנהגות לקוחות לפני שהיא מתרחשת

תמיד חשוב להגיב במהירות, אבל עדיף לצפות. רוב צוותי השיווק מפעילים את פעולותיהם לאחר שמתרחשת התנהגות (פתיחת דוא"ל, מילוי טופס, ביקור בדף וכו').

אנו קוראים לזה אוטומציה ריאקטיבית, השונה מאוטומציה ניבויית. היא מזהה, בהתבסס על נתונים קיימים ב-CRM שלכם, את ההתנהגויות שיתרחשו לפני שהן מתרחשות. לאחר מכן, יש לה את כל הנתונים להכנת התגובה מראש.

מה ההבדל בין אוטומציה ריאקטיבית לאוטומציה ניבויית?

אוטומציה מסורתית פועלת על פי עיקרון פשוט למדי. אם X קורה, אז Y חייב להיות מופעל.

• איש קשר מוריד נייר עמדה? מתחיל רצף טיפוח.
• לקוח פוטנציאלי מבקר בדף התמחור? מופעלת התראת מכירה.

אוטומציה חיזויה הופכת את ההיגיון. היא ממנפת את הנתונים ההיסטוריים שלך כדי לבנות מודלים סטטיסטיים המסוגלים לחזות שסוג זה של קשר, בהקשר זה, עם התנהגות עבר זו, בעל סבירות של X% לבצע רכישה ב-14 הימים הקרובים. בהתבסס על תחזית זו, פעולה מופעלת עוד לפני שאות הרכישה נראה לעין.

זהו ההבדל בין התקשרות ללקוח פוטנציאלי מכיוון שהוא ביקר שוב באתר שלך לבין התקשרות אליו מכיוון שהפרופיל שלו תואם לזה של לקוחות שחותמים תוך שבועיים.

נתונים התנהגותיים: חומר הגלם של חיזוי

לא ניתן לבצע חיזוי ללא נתונים, ונתונים אלה דורשים ארכיטקטורה ספציפית. אוטומציה חיזויה מסתמכת עלאיכות ועומק היסטוריית ההתנהגות שתמצא במערכת ה-CRM שלך. ככל שההיסטוריה הזו עשירה, מדויקת ומרכזית יותר, כך מודלי החיזוי יהיו אמינים יותר. הנתונים החשובים ביותר לחיזוי התנהגות עתידית אינם מה שאתה אוסף באמצעות טופס. אלו הנתונים הסמויים: דפים שנצפו ובאיזה סדר, תדירות הגלישה ב-30 הימים האחרונים, זמן שהוקדש לקטעים מסוימים, מיילים שנפתחו מספר פעמים ומסמכים שהורדו. אלו הם הסימנים מיקרו-התנהגותיים, בלתי נראים לעין בלתי מזוינת באינטראקציה בודדת, שהופכים לחיזוי כאשר הם מנותחים על פני מאות מסעות דומים.

כל עוד נתוני ההתנהגות שלך מפוזרים בין כלי שיווק הדוא"ל שלך, מערכת ה-CRM שלך וכלי הניתוח שלך, אתה מבין במהירות שבניית מודל חיזוי עקבי היא בלתי אפשרית.

כוונת רכישה היא הסימן החזק ביותר

מבין כל הסימנים החיזויים הניתנים לפעולה,כוונת הרכישה. לכוונת הרכישה יש את הערך המסחרי הרב ביותר. מבקר שצופה בדף התמחור שלכם, מוריד כלי השוואה וקורא שני מקרי בוחן באותו שבוע אינו מתנהג כמו לקוח פוטנציאלי בשלב הגילוי. התנהגותו דומה לזו של קונה שעומד לקבל החלטה. לכן, עליכם לזהות את אותות הכוונה הללו בזמן אמת ולהצליב אותם עם הנתונים הפירמוגרפיים של איש הקשר (תעשייה, גודל חברה, תפקיד). לאחר מכן תוכלו להעריך את הדחיפות המסחרית של הזדמנות. מערכת ניקוד זו אינה מבוססת על כלל ידני שרירותי, אלא על דפוסי התנהגות של אנשי קשר שחתמו בסופו של דבר בעבר. כתוצאה מכך, אנשי מכירות כבר לא מבזבזים זמן על לקוחות פוטנציאליים פושרים בעוד שהזדמנויות חמות מתקררות מכיוון שלא זוהו. קביעת סדרי עדיפויות מבוססת אז על נתונים, לא על אינטואיציה או סדר הופעתם ברשימה. אמנות הניקוד והניבוי עם HubSpot HubSpot משלבת תכונות ניקוד וחיזוי ישירות לתוך מערכת ה-CRM שלה, מבלי שתצטרכו לחבר כלי חיצוני. ניקוד לידים מאפשר לכם לבנות ציון התנהגותי ודמוגרפי על הרשומה של איש הקשר שלכם. הוא מתעדכן גם בזמן אמת על סמך אינטראקציות מוקלטות. ניקוד ידני פועל על ידי הקצאת נקודות חיוביות ושליליות על סמך קריטריונים שאתם מגדירים. איש קשר שמבקר בדף התמחור שלך צובר נקודות. איש קשר שאינו פעיל במשך 60 יום מאבד נקודות. מודל זה פעיל ושימושי, אך הוא נותר מוגבל עקב איכות ההנחות האנושיות עליהן הוא מבוסס.

תכונות הבינה המלאכותית של HubSpot, הזמינות דרך Breeze, הולכות צעד קדימה. הן מנתחות את הנתונים ההיסטוריים של אנשי הקשר שלך כדי לזהות באופן אוטומטי דפוסים שקודמים להמרה, מבלי שתצטרך להגדיר אותם ידנית. המודל מתאים את עצמו באופן רציף ככל שנתונים חדשים מגיעים.לקוחות HubSpot הממנפים את תכונות הבינה המלאכותית הללו רואים הפחתה של 65% בזמן סגירת המכירות. נתון זה משקף ישירות את ההשפעה של ניקוד ניבוי, המאפשר התערבות בזמן.

העשרת נתונים ב-HubSpot משלימה מערכת זו על ידי אכלוס אוטומטי של רשומות אנשי קשר בנתונים חיצוניים כגון גודל החברה, התעשייה, הטכנולוגיות בהן נעשה שימוש ואותות צמיחה. מידע זה מעשיר את מודל החיזוי שלך מבלי שתצטרך להזין אותו ידנית.

מה אם היית הופך את התגובה להתנהגויות צפויות לאוטומטית?

אנו יודעים שזיהוי אות חיזוי מבלי להפעיל פעולה במורד הזרם הוא חסר טעם. אוטומציה חיזוי הופכת למעניינת הרבה יותר כאשר הזיהוי מחובר ישירות לתגובה תפעולית. זיהינו את השלבים של תרחיש חיזוי תפעולי ב-HubSpot. הגדירו קריטריונים של טריגר חיזוי: ציון לידים מעל סף, התנהגות במהלך 7 הימים האחרונים ושילוב של מאפיינים פירמוגרפיים. צרו רשימה דינמית שמתעדכנת אוטומטית ברגע שאיש קשר עומד בקריטריונים אלה. 400">הגדר את זרימת העבודה המשויכת&nbsp: הודעת מכירה עם ההקשר המלא של איש הקשר, הפעלת רצף של מיילים מותאמים אישית ויצירת עסקה באופן אוטומטי בצנרת.

הגדר את תנאי היציאה&nbsp: איש הקשר עוזב את זרימת העבודה ברגע שהוא משיב, חותם או נותן אות סותר.

מדוד את התוצאות&nbsp: קח את שיעור ההמרה של אנשי קשר שהופעלו על ידי מודל החיזוי ואנשי קשר שעובדו ללא ניקוד, כדי לחדד את הספים בהדרגה.

תרחיש מסוג זה פועל באופן רציף ב-HubSpot ללא צורך בהתערבות אנושית. לקוח פוטנציאלי שמגיע לסף החיזוי בבוקר יום ראשון מקבל את ההודעה הנכונה ביום שני בשעה 8 בבוקר ומפעיל התראה במערכת ה-CRM של איש המכירות שלהם עוד לפני שהיום מתחיל. זה פשוט ויעיל באמת!

אילו תנאים נחוצים כדי שמצב זה יעבוד בפועל?

על ידי אימוץ אוטומציה ניבויית, אין לך שרביט קסמים. תוצאות אמינות הן חיוניות, וכמה תנאים חייבים להתקיים.

1. נפח נתונים: מודל ניבוי הבנוי על 50 עסקאות היסטוריות לא יהיה אמין. מערך נתונים היסטורי גדול מספיק, הכולל אנשי קשר שהומרו וגם אנשי קשר שלא, נחוץ כדי שהדפוסים שזוהו יהיו מובהקים סטטיסטית. ארגונים המתחילים את מערכת ה-CRM שלהם צריכים תחילה לבנות את בסיס הנתונים שלהם לפני הפעלת ניתוח ניבוי.
2. איכות נתונים: מאפיינים שלא הוגדרו בצורה שגויה, כפילויות שלא נפתרו, התנהגויות שלא עוקבות... כל אלה הם פערים במודל שמעוותים את התחזיות. ביקורות סדירות של מסד הנתונים ב-HubSpot נחוצות כדי לשמור על אמינות הניקוד. יישור בין שיווק למכירות בפירוש הציונים: ציון ניבוי גבוה לא אומר שהאיש קשר יחתום תוך 48 שעות. במציאות, הפרופיל שלו תואם את אלה שחתמו במסגרת זמן דומה. אנשי מכירות שמבינים את הניואנסים האלה משתמשים בציון כאות סדר עדיפויות, לא כהבטחת המרה.

אם המערכת הנוכחית שלך עדיין מסתמכת על מעקבים ידניים וכללי אוטומציה הבנויים על אינסטינקט, אתה בהחלט חייבלפתוח חשבון חינמי.

שאלות נפוצות בנושא אוטומציה ניבויית שלנו

האם אתה צריך להיות מדען נתונים כדי ליישם אוטומציה ניבויית?

ברור שלא! תכונות הניקוד החזוי המובנות בפלטפורמות כמו HubSpot נגישות גם אם אין לכם כישורי מדעי נתונים. ההתקנה מתבצעת באמצעות ממשקים חזותיים.

הדבר החשוב ביותר נוגע לאיכות נתוני המקור ולדיוק המטרות.

מה ההבדל בין ניקוד לידים ידני וניקוד לידים חזוי?

ניקוד ידני מקצה נקודות לפי כללים שאתה מגדיר בעצמך. אלה מבוססים על ההנחות שלך.ניקוד חזוי מסתמך על הנתונים ההיסטוריים האמיתיים של אנשי הקשר שלך כדי לזהות באופן אוטומטי את השילובים שקודמים להמרה.

האם אוטומציה חזויה מתאימה לצוותים קטנים?

כן, אבל רק אם מתחילים בפשטות. צוות קטן יכול להתחיל עם ניקוד התנהגותי בסיסי ב-HubSpot, לחדד בהדרגה את הקריטריונים שלו ולהפעיל תכונות חיזוי ככל שמסד הנתונים גדל. הטעות תהיה לנסות להגדיר הכל מההתחלה מבלי שיהיו לך הנתונים להזנת המודל.

כיצד להימנע מתוצאות חיוביות שגויות במודל חיזוי?

עליך לבצע הפניות צולבות בין מספר אותות ולא להסתמך על קריטריון יחיד. איש קשר שמבקר בדף התמחור שלך פעם אחת בלבד יכול להיות מתחרה או מישהו סתם סקרן. שילוב קריטריונים מפחית באופן מכני את שיעור התוצאות החיוביות השגויות.

באיזו תדירות עליך לכייל מחדש את מודל החיזוי שלך?

לפחות פעמיים בשנה, ועם כל שינוי משמעותי בהצעה שלך או בקהל היעד. מודל שנבנה על נתוני השנה שעברה אינו מתחשב בשינויים האחרונים. סקירה קבועה של שיעורי המרה לפי פלח ציון נותנת לך את ההזדמנות לזהות במהירות מודל שמאבד דיוק. תוכל להתאים אותו הרבה יותר בקלות.