ระบบอัตโนมัติเชิงคาดการณ์: การคาดการณ์พฤติกรรมของลูกค้าก่อนที่จะเกิดขึ้น

การตอบสนองอย่างรวดเร็วเป็นสิ่งสำคัญเสมอ แต่การคาดการณ์ล่วงหน้าดียิ่งกว่า ทีมการตลาดส่วนใหญ่จะเริ่มดำเนินการเมื่อพฤติกรรมเกิดขึ้นแล้ว (เช่น อีเมลถูกเปิด แบบฟอร์มถูกกรอก หน้าเว็บถูกเข้าชม ฯลฯ)

เราเรียกสิ่งนี้ว่าระบบอัตโนมัติแบบตอบสนอง ซึ่งแตกต่างจากระบบอัตโนมัติแบบคาดการณ์ ระบบอัตโนมัติแบบตอบสนองจะระบุพฤติกรรมที่จะเกิดขึ้นโดยอิงจากข้อมูลที่มีอยู่แล้วใน CRM ของคุณ ก่อนที่มันจะเกิดขึ้นจริง จากนั้นระบบจะมีข้อมูลทั้งหมดเพื่อเตรียมการตอบสนองล่วงหน้า

ความแตกต่างระหว่างระบบอัตโนมัติแบบตอบสนองและระบบอัตโนมัติแบบคาดการณ์คืออะไร?

ระบบอัตโนมัติแบบดั้งเดิมทำงานบนหลักการที่ค่อนข้างง่าย หาก X เกิดขึ้น Y จะต้องถูกกระตุ้น

• ผู้ติดต่อดาวน์โหลดเอกสารไวท์เปเปอร์? กระบวนการดูแลลูกค้าเริ่มต้นขึ้น
• ลูกค้าเป้าหมายเข้าชมหน้าราคา? ระบบจะแจ้งเตือนการขาย

ระบบอัตโนมัติเชิงคาดการณ์จะกลับตรรกะ โดยใช้ข้อมูลในอดีตของคุณเพื่อสร้างแบบจำลองทางสถิติที่สามารถคาดการณ์ได้ว่า การติดต่อประเภทนี้ ในบริบทนี้ ด้วยพฤติกรรมในอดีตนี้ มีโอกาส X% ที่จะทำการซื้อภายใน 14 วันข้างหน้า จากการคาดการณ์นี้ การดำเนินการจะถูกกระตุ้นแม้กระทั่งก่อนที่จะเห็นสัญญาณการซื้อ

นี่คือความแตกต่างระหว่างการโทรหาลูกค้าเป้าหมายเพราะพวกเขากลับมาเยี่ยมชมเว็บไซต์ของคุณอีกครั้ง กับการโทรหาพวกเขาเพราะโปรไฟล์ของพวกเขาตรงกับลูกค้าที่ลงทะเบียนภายในสองสัปดาห์

ข้อมูลพฤติกรรม: วัตถุดิบหลักของการคาดการณ์

คุณไม่สามารถคาดการณ์ได้หากไม่มีข้อมูล และข้อมูลนี้ต้องการสถาปัตยกรรมเฉพาะ การทำงานอัตโนมัติแบบคาดการณ์นั้นอาศัยคุณภาพและความลึกของประวัติพฤติกรรมที่คุณพบใน CRM ของคุณ ยิ่งประวัติเหล่านี้สมบูรณ์ แม่นยำ และเป็นศูนย์กลางมากเท่าไร โมเดลการคาดการณ์ก็จะยิ่งน่าเชื่อถือมากขึ้นเท่านั้น ข้อมูลที่มีค่าที่สุดสำหรับการคาดการณ์พฤติกรรมในอนาคตไม่ใช่สิ่งที่คุณรวบรวมผ่านแบบฟอร์ม

นี่คือข้อมูลโดยนัย: หน้าที่เข้าชมและลำดับการเข้าชม ความถี่ในการเข้าใช้งานในช่วง 30 วันที่ผ่านมา เวลาที่ใช้ในแต่ละส่วน อีเมลที่เปิดอ่านหลายครั้ง และเอกสารที่ดาวน์โหลด นี่คือสัญญาณพฤติกรรมระดับจุลภาคซึ่งมองไม่เห็นด้วยตาเปล่าในการปฏิสัมพันธ์เพียงครั้งเดียว แต่จะกลายเป็นตัวบ่งชี้ที่คาดการณ์ได้เมื่อวิเคราะห์จากการเดินทางที่คล้ายคลึงกันหลายร้อยครั้ง

ตราบใดที่ข้อมูลพฤติกรรมของคุณกระจัดกระจายอยู่ระหว่างเครื่องมือการตลาดอีเมล CRM และเครื่องมือวิเคราะห์ของคุณ คุณจะตระหนักได้อย่างรวดเร็วว่าการสร้างแบบจำลองการคาดการณ์ที่สอดคล้องกันนั้นเป็นไปไม่ได้

ความตั้งใจซื้อเป็นสัญญาณที่ทรงพลังที่สุด

ในบรรดาสัญญาณการคาดการณ์ที่นำไปปฏิบัติได้ทั้งหมดความตั้งใจซื้อ ความตั้งใจซื้อมีมูลค่าทางการค้ามากที่สุด ผู้เข้าชมที่ดูหน้าแสดงราคาของคุณ ดาวน์โหลดเครื่องมือเปรียบเทียบ และอ่านกรณีศึกษา 2 เรื่องในสัปดาห์เดียวกันนั้น ไม่ได้มีพฤติกรรมเหมือนผู้ที่มีแนวโน้มจะเป็นลูกค้าในขั้นตอนการค้นหาข้อมูล พฤติกรรมของพวกเขานั้นคล้ายกับผู้ซื้อที่กำลังจะตัดสินใจ ดังนั้น คุณต้องตรวจจับสัญญาณความตั้งใจเหล่านี้แบบเรียลไทม์และเปรียบเทียบกับข้อมูลบริษัทของลูกค้า (อุตสาหกรรม ขนาดบริษัท ตำแหน่งงาน) จากนั้นคุณจึงสามารถประเมินความเร่งด่วนทางการค้าของโอกาสนั้นได้ ระบบการให้คะแนนนี้ไม่ได้อิงตามกฎที่กำหนดเอง แต่ขึ้นอยู่กับรูปแบบพฤติกรรมของลูกค้าที่ตัดสินใจซื้อในอดีต ส่งผลให้พนักงานขายไม่ต้องเสียเวลากับลูกค้าที่ไม่ค่อยสนใจ ในขณะที่โอกาสที่ดีกลับกลายเป็นโอกาสที่เงียบหายไปเพราะไม่ถูกตรวจพบ การจัดลำดับความสำคัญจึงขึ้นอยู่กับข้อมูล ไม่ใช่สัญชาตญาณหรือลำดับการปรากฏในรายการ ศิลปะแห่งการให้คะแนนและการคาดการณ์ด้วย HubSpot HubSpot ผสานรวมคุณสมบัติการให้คะแนนและการคาดการณ์เข้ากับ CRM โดยตรง โดยไม่ต้องเชื่อมต่อเครื่องมือภายนอก การให้คะแนนลูกค้าเป้าหมายช่วยให้คุณสร้างคะแนนด้านพฤติกรรมและข้อมูลประชากรในบันทึกของลูกค้าของคุณได้ นอกจากนี้ยังมีการอัปเดตแบบเรียลไทม์ตามการโต้ตอบที่บันทึกไว้ การให้คะแนนด้วยตนเองจะทำงานโดยการกำหนดคะแนนบวกและลบตามเกณฑ์ที่คุณกำหนด ผู้ติดต่อที่เข้าชมหน้าแสดงราคาของคุณจะได้รับคะแนน ผู้ติดต่อที่ไม่มีการใช้งานเป็นเวลา 60 วันจะเสียคะแนน โมเดลนี้ใช้งานได้และมีประโยชน์ แต่ยังคงมีข้อจำกัดเนื่องจากคุณภาพของสมมติฐานของมนุษย์ที่เป็นพื้นฐาน

ฟีเจอร์ AI ของ HubSpot ที่มีให้ใช้งานผ่าน Breeze นั้นก้าวไปอีกขั้น โดยจะวิเคราะห์ข้อมูลประวัติของผู้ติดต่อของคุณเพื่อระบุรูปแบบที่นำไปสู่การซื้อขายโดยอัตโนมัติ โดยที่คุณไม่ต้องกำหนดเอง โมเดลจะปรับตัวอย่างต่อเนื่องเมื่อมีข้อมูลใหม่เข้ามาลูกค้า HubSpot ที่ใช้ฟีเจอร์ AI เหล่านี้จะเห็นเวลาในการปิดการขายลดลง 65%ตัวเลขนี้สะท้อนให้เห็นถึงผลกระทบของการให้คะแนนเชิงคาดการณ์โดยตรง ซึ่งช่วยให้สามารถแทรกแซงได้ทันท่วงที

การเพิ่มคุณค่าข้อมูลใน HubSpot ช่วยเสริมระบบนี้โดยการเติมข้อมูลภายนอกลงในบันทึกผู้ติดต่อโดยอัตโนมัติ เช่น ขนาดบริษัท อุตสาหกรรม เทคโนโลยีที่ใช้ และสัญญาณการเติบโต ข้อมูลนี้ช่วยเสริมโมเดลการคาดการณ์ของคุณโดยที่คุณไม่ต้องป้อนข้อมูลด้วยตนเอง

แล้วถ้าคุณทำให้การตอบสนองต่อพฤติกรรมที่คาดการณ์ไว้เป็นไปโดยอัตโนมัติล่ะ?

เรารู้ว่าการตรวจจับสัญญาณการคาดการณ์โดยไม่กระตุ้นให้เกิดการดำเนินการในขั้นตอนถัดไปนั้นไร้ประโยชน์ การทำงานอัตโนมัติในการคาดการณ์จะน่าสนใจมากขึ้นเมื่อการตรวจจับเชื่อมต่อโดยตรงกับการตอบสนองเชิงปฏิบัติการ เราได้ระบุขั้นตอนของสถานการณ์การคาดการณ์เชิงปฏิบัติการใน HubSpot แล้ว กำหนดเกณฑ์การกระตุ้นการคาดการณ์: คะแนนลูกค้าเป้าหมายที่สูงกว่าเกณฑ์ พฤติกรรมในช่วง 7 วันที่ผ่านมา และการรวมกันของคุณสมบัติทางด้านข้อมูลบริษัท สร้างรายการแบบไดนามิกที่จะอัปเดตโดยอัตโนมัติทันทีที่ผู้ติดต่อตรงตามเกณฑ์เหล่านี้

400">กำหนดค่าเวิร์กโฟลว์ที่เกี่ยวข้อง&nbsp: การแจ้งเตือนการขายพร้อมบริบททั้งหมดของผู้ติดต่อ ซึ่งจะกระตุ้นลำดับอีเมลส่วนบุคคล และสร้างดีลในไปป์ไลน์โดยอัตโนมัติ

กำหนดเงื่อนไขการออกจากเวิร์กโฟลว์&nbsp: ผู้ติดต่อจะออกจากเวิร์กโฟลว์ทันทีที่พวกเขาตอบกลับ ลงชื่อ หรือให้สัญญาณที่ตรงกันข้าม

วัดผลลัพธ์&nbsp: นำอัตราการแปลงของผู้ติดต่อที่ถูกกระตุ้นโดยแบบจำลองการคาดการณ์และผู้ติดต่อที่ประมวลผลโดยไม่ให้คะแนน เพื่อปรับปรุงเกณฑ์อย่างต่อเนื่อง

สถานการณ์ประเภทนี้ทำงานอย่างต่อเนื่องใน HubSpot โดยไม่ต้องมีการแทรกแซงจากมนุษย์ ผู้มีโอกาสเป็นลูกค้าที่เข้าถึงการคาดการณ์ ระบบจะแจ้งเตือนในเช้าวันอาทิตย์เมื่อเวลา 8 โมงเช้า และแจ้งเตือนในระบบ CRM ของพนักงานขายก่อนที่วันทำงานจะเริ่มต้นขึ้น มันง่ายและมีประสิทธิภาพอย่างแท้จริง!

เงื่อนไขใดบ้างที่จำเป็นสำหรับโหมดนี้ที่จะใช้งานได้จริง?

การนำระบบอัตโนมัติเชิงคาดการณ์มาใช้ คุณไม่ได้มีไม้กายสิทธิ์วิเศษ ผลลัพธ์ที่เชื่อถือได้เป็นสิ่งสำคัญ และต้องมีเงื่อนไขหลายประการ

1. ข้อมูล ปริมาณแบบจำลองการคาดการณ์ที่สร้างขึ้นจากข้อตกลงในอดีต 50 รายการจะไม่น่าเชื่อถือ ชุดข้อมูลในอดีตที่มีขนาดใหญ่เพียงพอ รวมถึงผู้ติดต่อทั้งที่แปลงเป็นลูกค้าแล้วและยังไม่แปลงเป็นลูกค้า จำเป็นสำหรับรูปแบบที่ระบุเพื่อให้มีความสำคัญทางสถิติ องค์กรที่เริ่มต้นระบบ CRM ควรสร้างรากฐานข้อมูลก่อนที่จะเปิดใช้งานการวิเคราะห์เชิงคาดการณ์
2. คุณภาพข้อมูล: คุณสมบัติที่กำหนดไว้ไม่ถูกต้อง ข้อมูลซ้ำที่ยังไม่ได้รับการแก้ไข พฤติกรรมที่ไม่ได้รับการติดตาม… สิ่งเหล่านี้ล้วนเป็นช่องว่างในแบบจำลองที่ทำให้การคาดการณ์คลาดเคลื่อน การตรวจสอบฐานข้อมูลใน HubSpot เป็นประจำมีความจำเป็นเพื่อรักษาความน่าเชื่อถือของการให้คะแนน การประสานงานระหว่างฝ่ายการตลาดและฝ่ายขายในการตีความคะแนน: คะแนนการคาดการณ์สูงไม่ได้หมายความว่าผู้ติดต่อจะลงนามภายใน 48 ชั่วโมง ในความเป็นจริง โปรไฟล์ของพวกเขาตรงกับผู้ที่ลงนามภายในกรอบเวลาที่ใกล้เคียงกัน พนักงานขายที่เข้าใจความแตกต่างเล็กน้อยนี้จะใช้คะแนนเป็นสัญญาณการจัดลำดับความสำคัญ ไม่ใช่การรับประกันการแปลง

หากระบบปัจจุบันของคุณยังคงพึ่งพาการติดตามด้วยตนเองและกฎการทำงานอัตโนมัติที่สร้างขึ้นจากสัญชาตญาณ คุณต้องเปิดบัญชีฟรี.

คำถามที่พบบ่อยเกี่ยวกับการทำงานอัตโนมัติเชิงทำนาย

คุณจำเป็นต้องเป็นนักวิทยาศาสตร์ข้อมูลเพื่อนำการทำงานอัตโนมัติเชิงทำนายไปใช้หรือไม่?

แน่นอนว่าไม่จำเป็น! คุณสมบัติการให้คะแนนเชิงทำนายที่สร้างขึ้นในแพลตฟอร์มต่างๆ เช่น HubSpot สามารถเข้าถึงได้แม้ว่าคุณจะไม่มีทักษะด้านวิทยาศาสตร์ข้อมูล การตั้งค่าทำได้ผ่านอินเทอร์เฟซแบบกราฟิก

สิ่งที่สำคัญที่สุดคือคุณภาพของข้อมูลต้นทางและความถูกต้องของวัตถุประสงค์

ความแตกต่างระหว่างการให้คะแนนลูกค้าเป้าหมายแบบแมนนวลและการให้คะแนนลูกค้าเป้าหมายเชิงทำนายคืออะไร?

การให้คะแนนด้วยตนเองจะกำหนดคะแนนตามกฎที่คุณกำหนดเอง โดยอิงจากสมมติฐานของคุณการให้คะแนนแบบทำนายอาศัยข้อมูลประวัติจริงของผู้ติดต่อของคุณเพื่อระบุชุดค่าผสมที่นำไปสู่การแปลงโดยอัตโนมัติ

ระบบอัตโนมัติแบบทำนายเหมาะสำหรับทีมขนาดเล็กหรือไม่

ใช่ แต่เฉพาะในกรณีที่คุณเริ่มต้นอย่างง่ายๆ ทีมขนาดเล็กสามารถเริ่มต้นด้วยการให้คะแนนพฤติกรรมพื้นฐานใน HubSpot ค่อยๆ ปรับปรุงเกณฑ์ และเปิดใช้งานคุณสมบัติการทำนายเมื่อฐานข้อมูลเติบโตขึ้น ข้อผิดพลาดคือการพยายามกำหนดค่าทุกอย่างตั้งแต่เริ่มต้นโดยไม่มีข้อมูลป้อนเข้าโมเดล

วิธีหลีกเลี่ยงผลลัพธ์ที่ผิดพลาดในโมเดลการทำนาย

คุณต้องเปรียบเทียบสัญญาณหลายๆ อย่างและไม่พึ่งพาเกณฑ์เพียงอย่างเดียว

ผู้ติดต่อที่เข้าชมหน้าแสดงราคาของคุณเพียงครั้งเดียว อาจเป็นคู่แข่งหรือผู้ที่เพียงแค่สนใจ การรวมเกณฑ์ต่างๆ เข้าด้วยกันโดยอัตโนมัติจะช่วยลดอัตราการเกิดผลลัพธ์ที่ผิดพลาดได้

คุณควรปรับเทียบโมเดลการคาดการณ์ของคุณบ่อยแค่ไหน?

อย่างน้อยปีละสองครั้ง และทุกครั้งที่มีการเปลี่ยนแปลงที่สำคัญเกี่ยวกับข้อเสนอหรือกลุ่มเป้าหมายของคุณ โมเดลที่สร้างขึ้นจากข้อมูลของปีที่แล้วไม่ได้คำนึงถึงการเปลี่ยนแปลงล่าสุด การตรวจสอบอัตราการแปลงตามกลุ่มคะแนนเป็นประจำจะช่วยให้คุณตรวจจับโมเดลที่เริ่มสูญเสียความแม่นยำได้อย่างรวดเร็ว และคุณจะสามารถปรับเปลี่ยนได้ง่ายขึ้นมาก