Voorspellende automatisering: het voorspellen van klantgedrag voordat het zich voordoet.

Het is altijd belangrijk om snel te reageren, maar anticiperen is nog beter. De meeste marketingteams activeren hun acties zodra er een bepaald gedrag heeft plaatsgevonden (een e-mail wordt geopend, een formulier wordt ingevuld, een pagina wordt bezocht, enz.).

We noemen dit reactieve automatisering, wat verschilt van voorspellende automatisering. Het identificeert, op basis van bestaande gegevens in uw CRM, het gedrag dat zal plaatsvinden voordat het gebeurt. Het beschikt dan over alle gegevens om de reactie van tevoren voor te bereiden.

Wat is het verschil tussen reactieve en voorspellende automatisering?

Traditionele automatisering werkt volgens een vrij eenvoudig principe. Als X gebeurt, moet Y worden geactiveerd.

• Een contactpersoon downloadt een whitepaper? Een opvolgingssequentie start.
• Bezoekt een prospect de prijspagina? Er wordt een verkoopmelding geactiveerd.

Voorspellende automatisering draait de logica om. Het maakt gebruik van uw historische gegevens om statistische modellen te bouwen die kunnen voorspellen dat dit type contact, in deze context, met dit eerdere gedrag, een kans van X% heeft om binnen de volgende 14 dagen een aankoop te doen. Op basis van deze voorspelling wordt actie ondernomen nog voordat het aankoopsignaal zichtbaar is.

Dit is het verschil tussen een prospect bellen omdat die net je site opnieuw heeft bezocht en een prospect bellen omdat zijn profiel overeenkomt met dat van klanten die binnen twee weken een contract tekenen.

Gedragsgegevens: De grondstof voor voorspellingen

Je kunt geen voorspelling doen zonder data, en deze data vereist een specifieke architectuur. Voorspellende automatisering is afhankelijk van dekwaliteit en diepte van de gedragsgeschiedenis die je in je CRM vindt. Hoe rijker, preciezer en centraler deze geschiedenis is, hoe betrouwbaarder de voorspellende modellen zullen zijn. De meest waardevolle data voor het voorspellen van toekomstig gedrag is niet wat je verzamelt via een formulier. Het gaat om de impliciete gegevens: bezochte pagina's en in welke volgorde, sessiefrequentie in de afgelopen 30 dagen, tijd doorgebracht op bepaalde onderdelen, meerdere keren geopende e-mails en gedownloade documenten. Dit zijn de microgedragssignalen, onzichtbaar voor het blote oog bij een enkele interactie, die voorspellend worden wanneer ze worden geanalyseerd over honderden vergelijkbare klanttrajecten.

Zolang uw gedragsgegevens verspreid zijn over uw e-mailmarketingtool, uw CRM en uw analysetool, zult u snel merken dat het bouwen van een consistent voorspellend model onmogelijk is.

Koopintentie is het krachtigste signaal

Van alle bruikbare voorspellende signalen heeft dekoopintentie de meeste commerciële waarde.koopintentie. Een bezoeker die uw prijspagina bekijkt, een vergelijkingstool downloadt en in dezelfde week twee casestudy's leest, gedraagt zich niet als een prospect in de ontdekkingsfase. Hun gedrag lijkt eerder op dat van een koper die op het punt staat een beslissing te nemen. U moet deze intentiesignalen daarom in realtime detecteren en vergelijken met de firmografische gegevens van de contactpersoon (branche, bedrijfsgrootte, functie). Vervolgens kunt u de commerciële urgentie van een kans inschatten. Dit scoresysteem is niet gebaseerd op een willekeurige handmatige regel, maar op de gedragspatronen van contactpersonen die in het verleden uiteindelijk een contract hebben getekend. Hierdoor verspillen verkopers geen tijd meer aan lauwe prospects, terwijl veelbelovende kansen verloren gaan omdat ze niet zijn opgemerkt. Prioritering is dan gebaseerd op data, niet op intuïtie of de volgorde van verschijning op een lijst. De kunst van scoren en voorspellen met HubSpot: HubSpot integreert score- en voorspellingsfuncties direct in het CRM, zonder dat u een externe tool hoeft te koppelen. Leadscoring stelt u in staat een gedrags- en demografische score toe te kennen aan het profiel van uw contactpersoon. Het wordt ook in realtime bijgewerkt op basis van geregistreerde interacties. Handmatige puntentoekenning werkt door positieve en negatieve punten toe te kennen op basis van criteria die u definieert. Een contactpersoon die uw prijspagina bezoekt, verdient punten. Een contactpersoon die 60 dagen inactief is, verliest punten. Dit model is operationeel en nuttig, maar het blijft beperkt vanwege de kwaliteit van de menselijke aannames waarop het is gebaseerd.

De AI-functies van HubSpot, beschikbaar via Breeze, gaan een stap verder. Ze analyseren de historische gegevens van uw contactpersonen om automatisch patronen te identificeren die voorafgaan aan een conversie, zonder dat u deze handmatig hoeft te definiëren. Het model past zich continu aan naarmate er nieuwe gegevens binnenkomen.HubSpot-klanten die gebruikmaken van deze AI-functies zien een reductie van 65% in de tijd die nodig is om een verkoop af te ronden.Dit cijfer weerspiegelt direct de impact van voorspellende scores, waardoor tijdig kan worden ingegrepen.

Gegevensverrijking in HubSpot vult dit systeem aan door contactgegevens automatisch te vullen met externe gegevens zoals bedrijfsgrootte, branche, gebruikte technologieën en groeisignalen.

Deze informatie verrijkt uw voorspellingsmodel zonder dat u deze handmatig hoeft in te voeren.

Wat als u de reactie op voorspeld gedrag zou automatiseren?

We weten dat het detecteren van een voorspellend signaal zonder een daaropvolgende actie te activeren zinloos is. Voorspellende automatisering wordt veel interessanter wanneer de detectie direct gekoppeld is aan een operationele reactie. We hebben de stappen van een operationeel voorspellend scenario in HubSpot in kaart gebracht. Definieer voorspellende triggercriteria: een leadscore boven een drempelwaarde, gedrag in de afgelopen 7 dagen en een combinatie van firmografische eigenschappen. Maak een dynamische lijst die automatisch wordt bijgewerkt zodra een contactpersoon aan deze criteria voldoet. 400">Configureer de bijbehorende workflow : een verkoopnotificatie met de volledige context van het contact, die een reeks gepersonaliseerde e-mails activeert en automatisch een deal in de pipeline aanmaakt.

Stel de exitvoorwaarden in : het contact verlaat de workflow zodra het reageert, ondertekent of een tegengesteld signaal geeft.

Meet de resultaten : meet het conversiepercentage van contacten die door het voorspellende model zijn geactiveerd en contacten die zonder scoring zijn verwerkt, om de drempelwaarden geleidelijk te verfijnen.

Dit type scenario wordt continu uitgevoerd in HubSpot zonder menselijke tussenkomst. Een prospect die zondagochtend de voorspellingsdrempel bereikt, ontvangt maandag om 8 uur 's ochtends het juiste bericht en activeert een melding in het CRM-systeem van de verkoper nog voordat de dag begint. Het is eenvoudig en echt effectief! Welke voorwaarden zijn nodig om deze modus daadwerkelijk te laten werken? Door voorspellende automatisering te implementeren, heb je geen toverstaf. Betrouwbare resultaten zijn essentieel en er moet aan verschillende voorwaarden worden voldaan. Datavolume: Een voorspellend model gebaseerd op 50 historische deals zal onbetrouwbaar zijn. Een voldoende grote historische dataset, inclusief zowel geconverteerde als niet-geconverteerde contacten, is nodig om de geïdentificeerde patronen statistisch significant te maken. Organisaties die hun CRM opzetten, moeten eerst hun datafundament opbouwen voordat ze voorspellende analyses activeren. style="font-weight: 400">Datakwaliteit: Onjuist gedefinieerde eigenschappen, onopgeloste duplicaten, niet-geregistreerd gedrag... Dit zijn allemaal hiaten in het model die voorspellingen vertekenen. Regelmatige controles van de database in HubSpot zijn noodzakelijk om de betrouwbaarheid van de scores te waarborgen. Afstemming tussen marketing en sales over de interpretatie van scores: een hoge voorspellende score betekent niet dat de contactpersoon binnen 48 uur tekent. In werkelijkheid komt hun profiel overeen met die van contactpersonen die binnen een vergelijkbare periode hebben getekend. Verkopers die deze nuance begrijpen, gebruiken de score als een prioriteringssignaal, niet als een conversiegarantie.

Als uw huidige systeem nog steeds afhankelijk is van handmatige follow-ups en automatiseringsregels gebaseerd op instinct, moet u absoluuteen gratis account openen.

Veelgestelde vragen over voorspellende automatisering

Moet je een data scientist zijn om voorspellende automatisering te implementeren?

Natuurlijk niet! De voorspellende scoringsfuncties die zijn ingebouwd in platforms zoals HubSpot zijn toegankelijk, zelfs als je geen data science-vaardigheden hebt. De configuratie gebeurt via visuele interfaces.

Het belangrijkste is de kwaliteit van de brongegevens en de nauwkeurigheid van de doelstellingen.

Wat is het verschil tussen handmatige en voorspellende leadscoring?

Handmatige scoring kent punten toe op basis van regels die u zelf definieert. Deze zijn gebaseerd op uw aannames. Voorspellende scoring gebruikt de historische gegevens van uw contacten om automatisch de combinaties te identificeren die aan een conversie voorafgaan. Is voorspellende automatisering geschikt voor kleine teams? Ja, maar alleen als u eenvoudig begint. Een klein team kan beginnen met basisgedragsscoring in HubSpot, de criteria geleidelijk verfijnen en voorspellende functies activeren naarmate de database groeit. De fout zou zijn om alles vanaf het begin te configureren zonder de gegevens te hebben om het model te voeden. Hoe voorkomt u valse positieven in een voorspellend model? U moet verschillende signalen met elkaar vergelijken en niet op één enkel criterium vertrouwen. Een contactpersoon die uw prijspagina slechts één keer bezoekt, kan een concurrent zijn of iemand die gewoon nieuwsgierig is. Door criteria mechanisch te combineren, wordt het aantal valse positieven verlaagd. Hoe vaak moet u uw voorspellend model opnieuw kalibreren? Minstens twee keer per jaar, en bij elke significante wijziging in uw aanbod of doelgroep. Een model dat is gebouwd op de gegevens van vorig jaar houdt geen rekening met de meest recente wijzigingen. Door regelmatig de conversieratio's per scoresegment te bekijken, kunt u snel een model detecteren dat aan nauwkeurigheid verliest. U kunt het dan veel gemakkelijker aanpassen.