예측 자동화: 고객 행동이 발생하기 전에 예측하기

신속하게 대응하는 것도 중요하지만, 예측하는 것이 더 좋습니다. 대부분의 마케팅 팀은 특정 행동(이메일 열람, 양식 작성, 페이지 방문 등)이 발생한 후에 작업을 실행합니다.

이를 반응형 자동화라고 하며, 예측형 자동화와는 다릅니다. 반응형 자동화는 CRM에 있는 기존 데이터를 기반으로 발생하기 전에 발생할 행동을 식별합니다. 그런 다음 사전에 대응을 준비하는 데 필요한 모든 데이터를 확보합니다.

반응형 자동화와 예측형 자동화의 차이점은 무엇인가요?

기존 자동화는 비교적 간단한 원칙에 따라 작동합니다. X가 발생하면 Y가 실행되어야 합니다.

• 고객이 백서를 다운로드했나요? 육성 시퀀스가 시작됩니다.
• 잠재 고객이 가격 페이지를 방문하면 영업 알림이 트리거됩니다.

예측 자동화는 이 논리를 반대로 적용합니다. 과거 데이터를 활용하여 이러한 유형의 연락처가 이러한 맥락에서 이러한 과거 행동을 보일 경우 향후 14일 이내에 구매할 확률이 X%임을 예측할 수 있는 통계 모델을 구축합니다.

잠재 고객이 가격 페이지를 방문하면 영업 알림이 트리거됩니다.

예측 자동화는 이 논리를 역으로 적용합니다. 과거 데이터를 활용하여 이러한 유형의 연락처가 이러한 상황에서 이러한 과거 행동을 보일 경우 향후 14일 이내에 구매할 확률이 X%임을 예측할 수 있는 통계 모델을 구축합니다.

이러한 예측을 바탕으로 구매 신호가 나타나기 전에도 조치가 시작됩니다. 이는 잠재 고객이 웹사이트를 재방문했다는 이유로 전화하는 것과, 잠재 고객의 프로필이 2주 이내에 계약하는 고객과 일치한다는 이유로 전화하는 것의 차이입니다. 행동 데이터: 예측의 원자재 데이터 없이는 예측이 불가능하며, 이 데이터에는 특정한 아키텍처가 필요합니다. 예측 자동화는 CRM에서 찾을 수 있는 행동 이력의 품질과 깊이에 달려 있습니다. 이 이력이 풍부하고 정확하며 중앙 집중화될수록 예측 모델의 신뢰도가 높아집니다. 미래 행동을 예측하는 데 가장 가치 있는 데이터는 양식을 통해 수집하는 데이터가 아닙니다. 이는 방문한 페이지와 방문 순서, 지난 30일간의 세션 빈도, 특정 섹션에서 보낸 시간, 여러 번 열어본 이메일, 다운로드한 문서 등과 같은 암묵적인 데이터입니다. 이러한 미세 행동 신호는 단일 상호 작용에서는 육안으로 볼 수 없지만, 수백 개의 유사한 여정을 분석할 때 예측력을 갖게 됩니다. 행동 데이터가 이메일 마케팅 도구, CRM, 분석 도구에 흩어져 있는 한, 일관된 예측 모델을 구축하는 것은 불가능하다는 것을 금방 깨닫게 됩니다. 구매 의도는 가장 강력한 신호입니다. 실행 가능한 모든 예측 신호 중에서 구매 의도는 가장 큰 상업적 가치를 지닙니다. 같은 주에 가격 페이지를 보고, 비교 도구를 다운로드하고, 두 건의 사례 연구를 읽는 방문자는 단순히 탐색 단계에 있는 잠재 고객처럼 행동하는 것이 아닙니다. 오히려 구매 결정을 앞둔 구매자와 유사한 행동을 보입니다. 따라서 이러한 의도 신호를 실시간으로 감지하고 연락처의 기업 정보(업종, 회사 규모, 직책)와 상호 참조해야 합니다. 그런 다음 기회의 상업적 긴급성을 평가할 수 있습니다. 이 스코어링 시스템은 임의적인 수동 규칙에 기반한 것이 아니라, 과거에 최종적으로 계약을 체결한 연락처의 행동 패턴을 기반으로 합니다. 결과적으로 영업 담당자는 더 이상 미온적인 잠재 고객에게 시간을 낭비하거나, 감지되지 않아 놓치기 쉬운 중요한 기회를 놓치는 일이 없어집니다. 우선순위 지정은 직관이나 목록 순서가 아닌 데이터에 기반합니다. HubSpot을 활용한 스코어링 및 예측 HubSpot은 외부 도구 연결 없이 스코어링 및 예측 기능을 CRM에 직접 통합합니다. 리드 스코어링을 통해 연락처 기록에 행동 및 인구 통계학적 점수를 구축할 수 있으며, 기록된 상호 작용을 기반으로 실시간으로 업데이트됩니다. 수동 점수 시스템은 사용자가 정의한 기준에 따라 긍정적 또는 부정적인 점수를 부여하는 방식으로 작동합니다. 가격 페이지를 방문하는 연락처는 점수를 얻고, 60일 동안 활동이 없는 연락처는 점수를 잃습니다. 이 모델은 운영 가능하고 유용하지만, 기반이 되는 사람의 추측의 정확도에 한계가 있습니다.

HubSpot의 Breeze를 통해 제공되는 AI 기능은 한 단계 더 나아갑니다. 연락처의 과거 데이터를 분석하여 전환에 앞서 나타나는 패턴을 자동으로 식별하므로 수동으로 정의할 필요가 없습니다. 모델은 새로운 데이터가 추가될 때마다 지속적으로 조정됩니다.이러한 AI 기능을 활용하는 HubSpot 고객은 영업 마감 시간을 65% 단축할 수 있습니다. 이 수치는 시기적절한 개입을 가능하게 하는 예측 점수의 효과를 직접적으로 반영합니다.

HubSpot의 데이터 보강 기능은 회사 규모, 산업, 사용 기술, 성장 신호와 같은 외부 데이터를 연락처 기록에 자동으로 입력하여 이 시스템을 보완합니다.

이 정보는 수동으로 입력할 필요 없이 예측 모델을 더욱 풍부하게 만들어 줍니다.

예측된 행동에 대한 대응을 자동화하면 어떨까요?

예측 신호를 감지하더라도 후속 조치를 취하지 않으면 의미가 없다는 것을 알고 있습니다. 예측 자동화는 감지가 운영 대응과 직접 연결될 때 훨씬 더 효과적입니다. HubSpot에서 운영 예측 시나리오의 단계를 살펴보겠습니다. 예측 트리거 기준을 정의합니다. 임계값 이상의 리드 점수, 지난 7일간의 행동, 그리고 기업 정보 속성의 조합 등이 있습니다. 연락처가 이러한 기준을 충족하는 즉시 자동으로 업데이트되는 동적 목록을 생성합니다. 연동된 워크플로 구성 : 연락처의 전체 컨텍스트가 포함된 영업 알림을 전송하고, 일련의 개인화된 이메일을 트리거하며, 파이프라인에 거래를 자동으로 생성합니다.

>종료 조건 설정 : 연락처가 회신, 서명 또는 반대 신호를 보내는 즉시 워크플로에서 나갑니다.

>결과 측정 : 예측 모델에 의해 트리거된 연락처와 점수 없이 처리된 연락처의 전환율을 측정하여 임계값을 점진적으로 개선합니다.

이러한 유형의 시나리오는 사람의 개입 없이 HubSpot에서 지속적으로 실행됩니다.

일요일 아침에 예측 임계값에 도달한 잠재 고객은 월요일 오전 8시에 적절한 메시지를 받고, 영업 담당자의 CRM 시스템에 하루가 시작되기 전에 알림이 전송됩니다. 간단하면서도 매우 효과적입니다!

이 모드가 실제로 작동하려면 어떤 조건이 필요할까요?

예측 자동화를 도입한다고 해서 마법 지팡이를 얻는 것은 아닙니다. 신뢰할 수 있는 결과가 필수적이며, 몇 가지 조건을 충족해야 합니다.

1. 데이터볼륨: 50건의 과거 거래 데이터를 기반으로 구축된 예측 모델은 신뢰할 수 없습니다. 통계적으로 유의미한 패턴을 파악하려면 전환된 고객과 전환되지 않은 고객을 모두 포함하는 충분히 큰 규모의 과거 데이터 세트가 필요합니다. CRM을 처음 도입하는 조직은 예측 분석을 활성화하기 전에 먼저 데이터 기반을 구축해야 합니다.
2. 데이터품질: 잘못 정의된 속성, 해결되지 않은 중복, 추적되지 않은 행동… 이러한 모든 요소는 모델의 예측을 왜곡하는 요인입니다. HubSpot 데이터베이스에 대한 정기적인 감사는 점수의 신뢰성을 유지하는 데 필수적입니다. 점수 해석에 대한 마케팅과 영업 부서 간의 의견 일치: 높은 예측 점수가 48시간 이내에 계약 체결을 의미하는 것은 아닙니다. 실제로 해당 연락처의 프로필은 비슷한 기간 내에 계약한 사람들과 유사합니다. 이러한 미묘한 차이를 이해하는 영업 담당자는 점수를 전환 보장이 아닌 우선순위 신호로 활용합니다.

현재 시스템이 여전히 수동 후속 조치와 직감에 기반한 자동화 규칙에 의존하고 있다면, 반드시무료 계정을 개설하세요.

예측 자동화 FAQ

예측 자동화를 구현하려면 데이터 과학자여야 하나요?

물론 아닙니다! HubSpot과 같은 플랫폼에 내장된 예측 스코어링 기능은 데이터 과학 기술이 없더라도 이용할 수 있습니다. 설정은 시각적 인터페이스를 통해 이루어집니다.

가장 중요한 것은 원본 데이터의 품질과 목표의 정확성입니다.

수동 리드 스코어링과 예측 리드 스코어링의 차이점은 무엇인가요?

수동 점수 매기기는 사용자가 직접 정의한 규칙에 따라 점수를 부여합니다. 이러한 규칙은 사용자의 가정에 기반합니다.예측 점수 매기기는 연락처의 실제 과거 데이터를 활용하여 전환에 앞서 발생하는 조합을 자동으로 식별합니다.

예측 자동화는 소규모 팀에 적합한가요?

네, 하지만 간단하게 시작하는 경우에 한합니다. 소규모 팀은 HubSpot에서 기본적인 행동 점수 매기기로 시작하여 점차 기준을 구체화하고 데이터베이스가 커짐에 따라 예측 기능을 활성화할 수 있습니다. 처음부터 모델에 입력할 데이터 없이 모든 것을 구성하려고 하는 것은 실수입니다.

예측 모델에서 오탐을 방지하는 방법은 무엇인가요?

단일 기준에 의존하지 않고 여러 신호를 교차 참조해야 합니다.

가격 페이지를 한 번만 방문하는 잠재 고객은 경쟁사일 수도 있고 단순히 호기심 때문에 방문하는 사람일 수도 있습니다. 여러 기준을 결합하면 오탐률을 자동으로 줄일 수 있습니다. 예측 모델은 얼마나 자주 재보정해야 할까요? 최소한 1년에 두 번, 그리고 제품이나 목표 고객층에 중요한 변화가 있을 때마다 재보정해야 합니다. 작년 데이터를 기반으로 구축된 모델은 최신 변화를 반영하지 못합니다. 점수 구간별 전환율을 정기적으로 검토하면 정확도가 떨어지는 모델을 빠르게 감지할 수 있습니다. 그러면 훨씬 쉽게 모델을 조정할 수 있습니다.