Prediktiv automatisering: att förutse kundbeteende innan det inträffar

Det är alltid viktigt att reagera snabbt, men det är bättre att förutse. De flesta marknadsföringsteam utlöser sina åtgärder när ett beteende har inträffat (ett e-postmeddelande öppnas, ett formulär fylls i, en sida besöks osv.).

Vi kallar detta reaktiv automatisering, vilket skiljer sig från prediktiv automatisering. Den identifierar, baserat på befintlig data i ditt CRM, de beteenden som kommer att inträffa innan de händer. Den har sedan all data för att förbereda responsen i förväg.

Vad är skillnaden mellan reaktiv och prediktiv automatisering?

Traditionell automatisering fungerar enligt en ganska enkel princip. Om X inträffar måste Y utlösas.

• En kontakt laddar ner en whitepaper? En omhändertagandesekvens startar.
• En potentiell kund besöker prissidan? En säljavisering utlöses.

Prediktiv automatisering vänder på logiken. Den utnyttjar dina historiska data för att bygga statistiska modeller som kan förutsäga att den här typen av kontakt, i detta sammanhang, med detta tidigare beteende, har en X% sannolikhet att göra ett köp inom de närmaste 14 dagarna. Baserat på denna förutsägelse utlöses en åtgärd redan innan köpsignalen är synlig.

Detta är skillnaden mellan att ringa en potentiell kund för att de just har besökt din webbplats igen och att ringa dem för att deras profil matchar den hos kunder som skriver under inom två veckor.

Beteendedata: Råmaterialet för förutsägelse

Du kan inte ha en förutsägelse utan data, och denna data kräver en specifik arkitektur. Prediktiv automatisering är beroende avkvaliteten och djupet hos den beteendehistorik du hittar i ditt CRM. Ju rikare, mer exakt och mer centraliserad denna historik är, desto mer tillförlitliga blir de prediktiva modellerna. Den mest värdefulla informationen för att förutsäga framtida beteende är inte den du samlar in via ett formulär. Det är implicita data: besökta sidor och i vilken ordning, sessionsfrekvens under de senaste 30 dagarna, tid som spenderats på vissa avsnitt, e-postmeddelanden som öppnats flera gånger och dokument som laddats ner. Det här är de mikrobeteendesignalerna, osynliga för blotta ögat vid en enda interaktion, som blir prediktiva när de analyseras över hundratals liknande resor.

Så länge dina beteendedata är utspridda mellan ditt e-postmarknadsföringsverktyg, ditt CRM och ditt analysverktyg, inser du snabbt att det är omöjligt att bygga en konsekvent prediktiv modell.

Köpavsikt är den kraftfullaste signalen

Bland alla handlingsbara prediktiva signaler ärköpavsikten. Köpavsikten har det största kommersiella värdet. En besökare som tittar på din prissida, laddar ner ett jämförelseverktyg och läser två fallstudier under samma vecka beter sig inte som en potentiell kund i upptäcktsfasen. Deras beteende liknar en köpares beteende som ska fatta ett beslut. Du måste därför upptäcka dessa avsiktssignaler i realtid och jämföra dem med kontaktens firmografiska data (bransch, företagsstorlek, jobbtitel). Du kan sedan bedöma den kommersiella brådskan hos en möjlighet. Detta poängsystem är inte baserat på en godtycklig manuell regel, utan på beteendemönstren hos kontakter som slutligen skrev på tidigare. Som ett resultat slösar säljare inte längre tid på ljumma potentiella kunder medan heta affärsmöjligheter blir kalla eftersom de inte upptäcktes. Prioritering baseras sedan på data, inte intuition eller ordningsföljd på en lista. Konsten att poängsätta och förutsäga med HubSpot HubSpot integrerar poäng- och förutsägelsefunktioner direkt i sitt CRM, utan att du behöver ansluta ett externt verktyg. Lead scoring låter dig bygga en beteendemässig och demografisk poäng på din kontakts post. Den uppdateras också i realtid baserat på inspelade interaktioner. Manuell poängsättning fungerar genom att tilldela positiva och negativa poäng baserat på kriterier du definierar. En kontakt som besöker din prissida tjänar poäng. En kontakt som är inaktiv i 60 dagar förlorar poäng. Denna modell är operativ och användbar, men den är fortfarande begränsad på grund av kvaliteten på de mänskliga antaganden som den bygger på.

HubSpots AI-funktioner, tillgängliga via Breeze, går ett steg längre. De analyserar dina kontakters historiska data för att automatiskt identifiera mönster som föregår en konvertering, utan att du behöver definiera dem manuellt. Modellen justeras kontinuerligt när ny data anländer.HubSpot-kunder som använder dessa AI-funktioner ser en minskning av försäljningsavslutningstiden med 65 %. Denna siffra återspeglar direkt effekten av prediktiv poängsättning, vilket möjliggör snabba åtgärder.

Databerikning i HubSpot kompletterar detta system genom att automatiskt fylla i kontaktposter med extern data som företagsstorlek, bransch, använd teknik och tillväxtsignaler. Denna information berikar din prediktiva modell utan att du behöver mata in den manuellt.

Vad händer om du automatiserade svaret på förutspådda beteenden?

Vi vet att det är meningslöst att upptäcka en prediktiv signal utan att utlösa en nedströmsåtgärd. Prediktiv automatisering blir mycket mer intressant när detektering är direkt kopplad till en operativ respons. Vi har identifierat stegen i ett operativt prediktivt scenario i HubSpot. Definiera prediktiva triggerkriterier: leadscore över ett tröskelvärde, beteende under de senaste 7 dagarna och en kombination av firmografiska egenskaper. Skapa en dynamisk lista som automatiskt uppdateras så snart en kontakt uppfyller dessa kriterier. 400">Konfigurera det associerade arbetsflödet&nbsp: en säljmeddelande med kontaktens fullständiga kontext, som utlöser en sekvens av personliga e-postmeddelanden och automatiskt skapar en affär i pipelinen.

Ställ in utgångsvillkoren&nbsp: kontakten lämnar arbetsflödet så snart de svarar, skriver under eller ger en motsatt signal.

Mät resultaten&nbsp: ta konverteringsfrekvensen för kontakter som utlöses av den prediktiva modellen och kontakter som bearbetats utan poängsättning, för att förfina tröskelvärdena successivt.

Denna typ av scenario körs kontinuerligt i HubSpot utan att kräva mänsklig intervention. En prospekt som når den prediktiva tröskeln på söndagsmorgonen får rätt meddelande på måndag kl. 8.00 och utlöser en varning i säljarens CRM innan dagen ens börjar. Det är enkelt och verkligt effektivt!

Vilka villkor krävs för att detta läge faktiskt ska fungera?

Genom att använda prediktiv automatisering har du ingen trollstav. Tillförlitliga resultat är avgörande och flera villkor måste uppfyllas.

1. Datavolym: En prediktiv modell byggd på 50 historiska affärer kommer att vara opålitlig. En tillräckligt stor historisk datamängd, inklusive både konverterade och icke-konverterade kontakter, är nödvändig för att de identifierade mönstren ska vara statistiskt signifikanta. Organisationer som startar sitt CRM bör först bygga sin databas innan de aktiverar prediktiv analys.
2. Datakvalitet: Felaktigt definierade egenskaper, olösta dubbletter, ospårade beteenden… Dessa är alla luckor i modellen som snedvrider förutsägelser. Regelbundna granskningar av databasen i HubSpot är nödvändiga för att upprätthålla poängsättningens tillförlitlighet. Samordning mellan marknadsföring och försäljning vid tolkningen av poäng: en hög prediktiv poäng betyder inte att kontakten kommer att skriva under inom 48 timmar. I verkligheten matchar deras profil de som har skrivit under inom en liknande tidsram. Säljare som förstår denna nyans använder poängen som en prioriteringssignal, inte en konverteringsgaranti.

Om ditt nuvarande system fortfarande förlitar sig på manuella uppföljningar och automatiseringsregler som bygger på instinkt, måste du absolutöppna ett gratis konto.

Våra vanliga frågor om prediktiv automatisering

Behöver du vara data scientist för att implementera prediktiv automatisering?

Självklart inte! De prediktiva poängsättningsfunktionerna som är inbyggda i plattformar som HubSpot är tillgängliga även om du inte har data science-kunskaper. Installationen görs via visuella gränssnitt.

Det viktigaste gäller kvaliteten på källdatan och noggrannheten i målen.

Vad är skillnaden mellan manuell och prediktiv lead scoring?

Manuell poängsättning tilldelar poäng enligt regler du själv definierar. Dessa baseras på dina antaganden.Prediktiv poängsättning förlitar sig på dina kontakters verkliga historiska data för att automatiskt identifiera de kombinationer som föregår en konvertering.

Är prediktiv automatisering lämplig för små team?

Ja, men bara om du börjar enkelt. Ett litet team kan börja med grundläggande beteendepoängsättning i HubSpot, gradvis förfina dess kriterier och aktivera prediktiva funktioner allt eftersom databasen växer. Misstaget skulle vara att försöka konfigurera allt från början utan att ha data för att mata modellen.

Hur undviker man falska positiva resultat i en prediktiv modell?

Du måste korsreferera flera signaler och inte förlita dig på ett enda kriterium. En kontakt som bara besöker din prissida en gång kan vara en konkurrent eller någon som helt enkelt är nyfiken. Genom att kombinera kriterier minskar du mekaniskt andelen falskt positiva resultat.

Hur ofta bör du omkalibrera din prediktiva modell?

Minst två gånger om året, och vid varje betydande förändring av ditt erbjudande eller din målgrupp. En modell som bygger på förra årets data tar inte hänsyn till de senaste ändringarna. Att regelbundet granska konverteringsfrekvenser per poängsegment ger dig möjlighet att snabbt upptäcka en modell som förlorar noggrannhet. Du kommer att kunna justera den mycket lättare.