Tahmine dayalı otomasyon: Müşteri davranışını gerçekleşmeden önce öngörmek.

Hızlı tepki vermek her zaman önemlidir, ancak önceden tahmin etmek daha iyidir. Çoğu pazarlama ekibi, bir davranış gerçekleştiğinde (bir e-posta açıldığında, bir form doldurulduğunda, bir sayfa ziyaret edildiğinde vb.) eylemlerini tetikler.

Buna reaktif otomasyon diyoruz ve bu, tahmine dayalı otomasyondan farklıdır. CRM'inizdeki mevcut verilere dayanarak, gerçekleşmeden önce meydana gelecek davranışları belirler. Ardından, yanıtı önceden hazırlamak için tüm verilere sahip olur.

Reaktif ve tahmine dayalı otomasyon arasındaki fark nedir?

Geleneksel otomasyon oldukça basit bir prensiple çalışır. Eğer X gerçekleşirse, Y tetiklenmelidir.

• Bir kişi teknik bir belge indirirse, bir müşteri ilişkileri geliştirme süreci başlar.
• Bir potansiyel müşteri fiyatlandırma sayfasını ziyaret ederse, bir satış uyarısı tetiklenir.

Tahminleyici otomasyon bu mantığı tersine çevirir. Geçmiş verilerinizi kullanarak, bu tür bir kişinin, bu bağlamda, bu geçmiş davranışıyla, önümüzdeki 14 gün içinde %X olasılıkla satın alma yapma olasılığını tahmin edebilen istatistiksel modeller oluşturur. Bu tahmine dayanarak, satın alma sinyali görünür hale gelmeden önce bile işlem tetiklenir.

Bu, bir potansiyel müşteriyi sitenizi tekrar ziyaret ettiği için aramakla, profilinin iki hafta içinde kayıt olan müşterilerin profiliyle eşleştiği için aramak arasındaki farktır.

Davranışsal Veriler: Tahminin Ham Maddesi

Veri olmadan tahmin yapamazsınız ve bu veriler belirli bir mimari gerektirir. Tahmine dayalı otomasyon, CRM'nizde bulduğunuz davranışsal geçmişin kalitesine ve derinliğine dayanır. Bu geçmiş ne kadar zengin, hassas ve merkezileştirilmiş olursa, tahmine dayalı modeller o kadar güvenilir olur. Gelecekteki davranışı tahmin etmek için en değerli veri, bir form aracılığıyla topladığınız veri değildir. Bunlar örtük verilerdir: ziyaret edilen sayfalar ve ziyaret sırası, son 30 gündeki oturum sıklığı, belirli bölümlerde geçirilen süre, birden fazla kez açılan e-postalar ve indirilen belgeler. Bunlar, tek bir etkileşimde çıplak gözle görülemeyen, ancak yüzlerce benzer yolculukta analiz edildiğinde tahmin edici hale gelen mikro-davranışsal sinyallerdir. Davranışsal verileriniz e-posta pazarlama aracınız, CRM'iniz ve analiz aracınız arasında dağınık olduğu sürece, tutarlı bir tahmin modeli oluşturmanın imkansız olduğunu hızla fark edersiniz. Satın alma niyeti en güçlü sinyaldir. Tüm eyleme geçirilebilir tahmin edici sinyaller arasında, satın alma niyeti en yüksek ticari değere sahiptir. Fiyatlandırma sayfanızı görüntüleyen, bir karşılaştırma aracı indiren ve aynı hafta içinde iki vaka çalışması okuyan bir ziyaretçi, keşif aşamasındaki bir potansiyel müşteri gibi davranmıyor. Davranışları, karar vermek üzere olan bir alıcınınkine benziyor. Bu nedenle, bu niyet sinyallerini gerçek zamanlı olarak tespit etmeli ve bunları ilgili kişinin demografik verileriyle (sektör, şirket büyüklüğü, iş unvanı) karşılaştırmalısınız. Ardından, bir fırsatın ticari aciliyetini değerlendirebilirsiniz. Bu puanlama sistemi, keyfi bir manuel kurala değil, geçmişte nihayetinde imza atan kişilerin davranış kalıplarına dayanmaktadır. Sonuç olarak, satış elemanları artık sıcak fırsatlar tespit edilmediği için soğurken, ılımlı potansiyel müşterilerle zaman kaybetmiyor. Önceliklendirme daha sonra sezgiye veya listedeki görünme sırasına değil, verilere dayanıyor. HubSpot ile puanlama ve tahmin sanatı HubSpot, harici bir araç bağlamanızı gerektirmeden, puanlama ve tahmin özelliklerini doğrudan CRM'sine entegre eder. Potansiyel müşteri puanlaması, ilgili kişinin kaydında davranışsal ve demografik bir puan oluşturmanıza olanak tanır. Ayrıca, kaydedilen etkileşimlere göre gerçek zamanlı olarak güncellenir. Manuel puanlama, tanımladığınız kriterlere göre pozitif ve negatif puanlar atayarak çalışır. Fiyatlandırma sayfanızı ziyaret eden bir kişi puan kazanır. 60 gün boyunca aktif olmayan bir kişi puan kaybeder. Bu model işlevsel ve kullanışlıdır, ancak dayandığı insan varsayımlarının kalitesi nedeniyle sınırlı kalmaktadır.

Breeze aracılığıyla sunulan HubSpot'ın yapay zeka özellikleri bir adım daha ileri gidiyor. Kişilerinizin geçmiş verilerini analiz ederek, manuel olarak tanımlamanıza gerek kalmadan, dönüşümden önce gelen kalıpları otomatik olarak belirliyor. Model, yeni veriler geldikçe sürekli olarak ayarlanıyor.Bu yapay zeka özelliklerinden yararlanan HubSpot müşterileri, satış kapanış süresinde %65'lik bir azalma görüyor. Bu rakam, zamanında müdahaleye olanak tanıyan tahmine dayalı puanlamanın etkisini doğrudan yansıtıyor.

HubSpot'taki veri zenginleştirme, şirket büyüklüğü, sektör, kullanılan teknolojiler ve büyüme sinyalleri gibi harici verilerle kişi kayıtlarını otomatik olarak doldurarak bu sistemi tamamlıyor. Bu bilgiler, manuel olarak girmenize gerek kalmadan tahmin modelinizi zenginleştirir.

Peki ya tahmin edilen davranışlara verilen yanıtı otomatikleştirirseniz?

Tahmin sinyalini tespit etmenin, aşağı yönlü bir eylemi tetiklemeden anlamsız olduğunu biliyoruz. Tespit doğrudan operasyonel bir yanıta bağlandığında, tahmin otomasyonu çok daha ilgi çekici hale gelir. HubSpot'ta operasyonel bir tahmin senaryosunun adımlarını belirledik. Tahmin tetikleme kriterlerini tanımlayın: bir eşiğin üzerindeki potansiyel müşteri puanı, son 7 gündeki davranış ve şirket demografik özelliklerinin bir kombinasyonu. Bir kişi bu kriterleri karşıladığı anda otomatik olarak güncellenen dinamik bir liste oluşturun. 400">İlgili iş akışını yapılandırın : Kişinin tüm bağlamını içeren bir satış bildirimi, kişiselleştirilmiş e-posta dizisini tetikler ve otomatik olarak satış hattında bir anlaşma oluşturur.

Çıkış koşullarını ayarlayın : Kişi, yanıt verdiğinde, imzaladığında veya aksi yönde bir sinyal verdiğinde iş akışından ayrılır.

Sonuçları ölçün : Eşikleri kademeli olarak iyileştirmek için, tahmine dayalı model tarafından tetiklenen kişilerin ve puanlama yapılmadan işlenen kişilerin dönüşüm oranını alın.

Bu tür senaryolar sürekli olarak çalışır

Bu modun gerçekten çalışması için hangi koşullar gereklidir?

Tahmin otomasyonunu benimseyerek sihirli bir değneğe sahip değilsiniz. Güvenilir sonuçlar şarttır ve çeşitli koşulların karşılanması gerekir.

1. Verihacmi: 50 geçmiş anlaşmaya dayalı bir tahmin modeli güvenilir olmayacaktır. Tanımlanan kalıpların istatistiksel olarak anlamlı olması için hem dönüştürülmüş hem de dönüştürülmemiş kişileri içeren yeterince büyük bir geçmiş veri kümesi gereklidir. CRM'lerine başlayan kuruluşlar öncelikle veri temellerini oluşturmalıdır. Tahmine dayalı analitiği etkinleştirmeden önce.
2. Veri kalitesi: Yanlış tanımlanmış özellikler, çözülmemiş kopyalar, izlenmeyen davranışlar… Bunların hepsi tahminleri çarpıtan modeldeki boşluklardır. Puanlamanın güvenilirliğini korumak için HubSpot'taki veritabanının düzenli denetimleri gereklidir. Puanların yorumlanmasında pazarlama ve satış arasında uyum: yüksek bir tahmin puanı, ilgili kişinin 48 saat içinde imzalayacağı anlamına gelmez. Gerçekte, profilleri benzer bir zaman diliminde imzalayanlarla eşleşir. Bu nüansı anlayan satış elemanları, puanı bir dönüşüm garantisi olarak değil, bir önceliklendirme sinyali olarak kullanırlar.

Mevcut sisteminiz hala manuel takiplere ve içgüdüye dayalı otomasyon kurallarına dayanıyorsa, kesinlikle şunları yapmalısınız:Ücretsiz bir hesap açın.

Tahmin Otomasyonu SSS'lerimiz

Tahmin otomasyonunu uygulamak için veri bilimci olmanız gerekiyor mu?

Elbette hayır! HubSpot gibi platformlara entegre edilmiş tahmin puanlama özellikleri, veri bilim becerileriniz olmasa bile erişilebilirdir. Kurulum görsel arayüzler aracılığıyla yapılır.

En önemli şey, kaynak verilerin kalitesi ve hedeflerin doğruluğudur.

Manuel ve tahmin puanlama arasındaki fark nedir?

Manuel puanlama, kendi tanımladığınız kurallara göre puan atar. Bunlar varsayımlarınıza dayanır.Tahminleyici puanlama dönüşümden önce gelen kombinasyonları otomatik olarak belirlemek için kişilerin gerçek geçmiş verilerine dayanır.

Tahminleyici otomasyon küçük ekipler için uygun mudur?

Evet, ancak yalnızca basit bir şekilde başlarsanız. Küçük bir ekip, HubSpot'ta temel davranışsal puanlama ile başlayabilir, kriterlerini kademeli olarak iyileştirebilir ve veritabanı büyüdükçe tahminleyici özellikleri etkinleştirebilir. En büyük hata, modeli besleyecek verilere sahip olmadan her şeyi baştan yapılandırmaya çalışmaktır. Tahmin modelinde yanlış pozitiflerden nasıl kaçınılır? Birkaç sinyali çapraz referanslamanız ve tek bir kritere güvenmemeniz gerekir. Fiyatlandırma sayfanızı yalnızca bir kez ziyaret eden bir kişi rakip veya sadece meraklı biri olabilir. Kriterleri birleştirmek, yanlış pozitif oranını mekanik olarak azaltır. Tahmin modelinizi ne sıklıkla yeniden kalibre etmelisiniz? Yılda en az iki kez ve teklifinizde veya hedef kitlenizde her önemli değişiklikte. Geçen yılın verilerine dayalı bir model, en son değişiklikleri dikkate almaz. Dönüşüm oranlarını puan segmentine göre düzenli olarak incelemek, doğruluğunu kaybeden bir modeli hızlı bir şekilde tespit etme fırsatı verir. Bunu çok daha kolay bir şekilde ayarlayabileceksiniz.