Прогностическая автоматизация: предсказание поведения клиентов до того, как оно произойдёт.

Всегда важно реагировать быстро, но лучше предвидеть. Большинство маркетинговых команд запускают свои действия после того, как произошло определенное действие (открыто электронное письмо, заполнена форма, посещена страница и т. д.).

Мы называем это реактивной автоматизацией, которая отличается от предиктивной автоматизации. Она определяет, на основе существующих данных в вашей CRM, действия, которые произойдут, еще до того, как они произойдут. Затем у нее есть все данные для предварительной подготовки ответа.

В чем разница между реактивной и предиктивной автоматизацией?

Традиционная автоматизация работает по довольно простому принципу.

Если происходит X, то должно быть запущено Y.

• Контакт скачивает аналитический отчет? Запускается последовательность взаимодействия.
• Потенциальный клиент посещает страницу с ценами? Запускается оповещение о продажах.

Прогностическая автоматизация переворачивает логику. Она использует ваши исторические данные для построения статистических моделей, способных предсказывать, что этот тип контакта, в этом контексте, с этим прошлым поведением, имеет X% вероятность совершить покупку в течение следующих 14 дней.

Это разница между звонком потенциальному клиенту, который просто снова посетил ваш сайт, и звонком ему, потому что его профиль совпадает с профилем клиентов, которые заключают договор в течение двух недель.

Поведенческие данные: сырье для прогнозирования

Невозможно сделать прогноз без данных, а для этих данных требуется определенная архитектура. Автоматизация прогнозирования опирается накачество и глубину истории поведения, которую вы находите в своей CRM. Чем богаче, точнее и централизованнее эта история, тем надежнее будут модели прогнозирования. Самые ценные данные для прогнозирования будущего поведения — это не то, что вы собираете через форму. Речь идёт о неявных данных: посещённые страницы и порядок их посещения, частота сессий за последние 30 дней, время, проведённое в определённых разделах, электронные письма, открытые несколько раз, и загруженные документы. Это микроповеденческие сигналы, невидимые невооруженным глазом при отдельном взаимодействии, которые становятся прогностическими при анализе сотен аналогичных взаимодействий. Пока ваши поведенческие данные разбросаны между инструментом email-маркетинга, CRM и аналитическим инструментом, вы быстро понимаете, что построить согласованную прогностическую модель невозможно. Намерение совершить покупку — самый мощный сигнал. Среди всех действенных прогностических сигналов, намерение совершить покупку имеет наибольшую коммерческую ценность. Посетитель, который за одну неделю просматривает вашу страницу с ценами, скачивает инструмент сравнения и читает два тематических исследования, ведет себя не как потенциальный клиент на этапе ознакомления. Его поведение больше похоже на поведение покупателя, готовящегося принять решение. Поэтому вам необходимо в режиме реального времени выявлять эти сигналы намерения и сопоставлять их с фирмографическими данными контакта (отрасль, размер компании, должность). Затем вы можете оценить коммерческую срочность возможности. Эта система оценки основана не на произвольном ручном правиле, а на поведенческих моделях контактов, которые в конечном итоге заключили сделку в прошлом. В результате менеджеры по продажам больше не тратят время на вялых потенциальных клиентов, в то время как горячие возможности охладевают, потому что их не обнаружили. Приоритизация основывается на данных, а не на интуиции или порядке появления в списке. Искусство оценки и прогнозирования с HubSpot. HubSpot интегрирует функции оценки и прогнозирования непосредственно в свою CRM-систему, не требуя подключения внешнего инструмента. Система оценки лидов позволяет формировать поведенческий и демографический рейтинг для каждого контакта. Он также обновляется в режиме реального времени на основе зарегистрированных взаимодействий. Ручная оценка работает путем присвоения положительных и отрицательных баллов на основе заданных вами критериев. Контакт, посетивший страницу с ценами, получает баллы. Контакт, неактивный в течение 60 дней, теряет баллы. Эта модель работоспособна и полезна, но остается ограниченной из-за качества человеческих предположений, на которых она основана.Функции искусственного интеллекта HubSpot, доступные через Breeze, идут еще дальше. Они анализируют исторические данные ваших контактов, чтобы автоматически выявлять закономерности, предшествующие конверсии, без необходимости определять их вручную. Модель постоянно корректируется по мере поступления новых данных.Клиенты HubSpot, использующие эти функции ИИ, отмечают сокращение времени закрытия сделок на 65%.Эта цифра напрямую отражает влияние прогнозной оценки, которая позволяет своевременно вмешиваться.

Обогащение данных в HubSpot дополняет эту систему, автоматически заполняя записи контактов внешними данными, такими как размер компании, отрасль, используемые технологии и сигналы роста. Эта информация обогащает вашу прогностическую модель, не требуя от вас ручного ввода.

Что, если автоматизировать реакцию на прогнозируемое поведение?

Мы знаем, что обнаружение прогнозного сигнала без запуска последующего действия бессмысленно. Автоматизация прогнозирования становится гораздо интереснее, когда обнаружение напрямую связано с оперативной реакцией. Мы определили этапы оперативного сценария прогнозирования в HubSpot. Определите критерии запуска прогнозирования: оценка лида выше порогового значения, поведение за последние 7 дней и сочетание фирмографических свойств. Создайте динамический список, который автоматически обновляется, как только контакт соответствует этим критериям. 400">Настройте связанный рабочий процесс&nbsp: уведомление о продажах с полным контекстом контакта, запускающее последовательность персонализированных электронных писем и автоматически создающее сделку в воронке продаж.

• Установите условия выхода&nbsp: контакт покидает рабочий процесс, как только отвечает, подписывает или дает противоположный сигнал.
• Измерьте результаты&nbsp: возьмите коэффициент конверсии контактов, активированных прогностической моделью, и контактов, обработанных без оценки, чтобы постепенно уточнять пороговые значения.

Этот тип сценария выполняется непрерывно В HubSpot без участия человека. Потенциальный клиент, достигший порогового значения прогнозирования в воскресенье утром, получает нужное сообщение в понедельник в 8 утра, и это запускает оповещение в CRM его менеджера по продажам еще до начала рабочего дня. Это просто и действительно эффективно!

Какие условия необходимы для того, чтобы этот режим действительно работал?

Внедряя предиктивную автоматизацию, у вас нет волшебной палочки. Надежные результаты имеют важное значение, и должны быть соблюдены несколько условий.

1. Данные объем: Предиктивная модель, построенная на основе 50 исторических сделок, будет ненадежной. Для того, чтобы выявленные закономерности были статистически значимыми, необходим достаточно большой исторический набор данных, включающий как конвертированные, так и неконвертированные контакты. Организациям, начинающим создавать свою CRM, следует сначала построить свою Перед активацией прогнозной аналитики необходимо заложить прочную основу данных.
2. Качество данных: Неправильно определенные свойства, неразрешенные дубликаты, неотслеживаемое поведение… Все это пробелы в модели, которые искажают прогнозы. Регулярные проверки базы данных в HubSpot необходимы для поддержания надежности оценки. Согласованность между маркетингом и продажами в интерпретации оценок: высокая оценка прогноза не означает, что контакт подпишет договор в течение 48 часов. В действительности, его профиль совпадает с профилями тех, кто подписал договор в аналогичные сроки. Продавцы, понимающие этот нюанс, используют оценку как сигнал приоритета, а не как гарантию конверсии.

Если ваша текущая система все еще полагается на ручные последующие действия и правила автоматизации, основанные на интуиции, вам абсолютно необходимооткройте бесплатный аккаунт.

Часто задаваемые вопросы о предиктивной автоматизации

Нужно ли быть специалистом по анализу данных, чтобы внедрить предиктивную автоматизацию?

Конечно, нет! Функции предиктивной оценки, встроенные в такие платформы, как HubSpot, доступны даже тем, у кого нет навыков анализа данных. Настройка осуществляется через визуальные интерфейсы.

Самое важное — это качество исходных данных и точность целей.

В чем разница между ручной и предиктивной оценкой лидов?

Ручная оценка присваивает баллы в соответствии с правилами, которые вы определяете сами. Эти правила основаны на ваших предположениях.Прогностическая оценкаиспользует реальные исторические данные ваших контактов для автоматического определения комбинаций, предшествующих конверсии.

Подходит ли предиктивная автоматизация для небольших команд?

Да, но только если начать с простого. Небольшая команда может начать с базовой поведенческой оценки в HubSpot, постепенно уточнять критерии и активировать функции прогнозирования по мере роста базы данных.

Как избежать ложных срабатываний в прогностической модели?

Необходимо сопоставлять несколько сигналов, а не полагаться на один критерий. Контакт, который посетил вашу страницу с ценами только один раз, может быть конкурентом или просто любопытным. Комбинирование критериев автоматически снижает частоту ложных срабатываний.

Как часто следует перекалибровывать вашу прогностическую модель?

По крайней мере два раза в год и при каждом значительном изменении вашего предложения или целевой аудитории. Модель, построенная на данных прошлого года, не учитывает последние изменения. Регулярный анализ коэффициентов конверсии по сегментам оценок дает вам возможность быстро обнаружить модель, теряющую точность. Вы сможете гораздо легче ее скорректировать.