Предиктивная аналитика предоставляет B2B-маркетинговым командам оценки и прогнозы, которые ранжируют, куда направить усилия: какие лиды с наибольшей вероятностью конвертируются, какие аккаунты соответствуют идеальному профилю клиента, какие клиенты могут уйти и какой объем воронки продаж будет создан за квартал. Руководство просто сформулировать, но сложно выполнить: начните с одного сценария использования, связанного с действием по продажам, используйте данные CRM, которым доверяете, протестируйте текущее правило и вовлеките отдел продаж с самого начала.
В отличие от потребительского маркетинга, в B2B меньше записей и более длинные циклы, поэтому методы опираются на данные на уровне аккаунта и объединяют историю CRM с фирмографическими данными и данными о намерениях. Современные CRM, такие как Salesforce и HubSpot, включают встроенный предиктивный скоринг, что обычно является правильным первым шагом перед созданием пользовательских моделей.
Какие сценарии использования предиктивной аналитики наиболее важны в B2B?
- Предиктивный скоринг лидов: вероятность того, что новый лид станет возможностью
- Скоринг соответствия аккаунта: насколько компания соответствует прошлым успешным клиентам
- Приоритизация на основе намерений: аккаунты, проявляющие исследовательскую активность по релевантным темам
- Риск оттока или расширения для существующих клиентов
- Прогнозирование воронки продаж и выручки по кварталам
- Следующее лучшее действие: какой контент или предложение отправить аккаунту в следующий раз
Выберите один. Первый проект должен быть связан с решением, которое кто-то принимает каждый день, поэтому скоринг лидов и приоритизация аккаунтов являются наиболее распространенными отправными точками.
Какие данные нужны для предиктивного B2B-скоринга?
Предиктивные модели учатся на прошлых результатах. Если CRM не записывает результаты последовательно, у модели нет надежной базы для обучения.
Минимальные данные
- Записи о лидах и контактах с датами создания и источниками
- Записи о возможностях, связанных с аккаунтами, с историей этапов и причиной закрытия
- Результаты закрытых-выигранных и закрытых-проигранных сделок за последние год или два
- Атрибуты компании: отрасль, размер, регион, технологии, если известны
- История взаимодействия: заполнение форм, клики по ссылкам в письмах, посещение вебинаров, посещение ключевых страниц
Полезные дополнения
Данные о намерениях от сторонних провайдеров, таких как Bombora или G2, технографические данные об установленном ПО и данные об использовании продукта для freemium или пробных моделей. Они улучшают оценки, но также увеличивают затраты и объем работы по интеграции; проверьте, дают ли они прирост, прежде чем платить за них в долгосрочной перспективе.
Как создать первый скоринг лидов?
Начните с того, что уже предлагает платформа. Предиктивный скоринг лидов HubSpot и Salesforce Einstein Lead Scoring обучаются на вашей собственной истории, когда вы соответствуете их требованиям к данным. Это быстро дает базовый уровень.
- Четко определите конверсию: например, лид в принятую отделом продаж возможность в течение девяноста дней
- Очистите данные: объедините дубликаты, исправьте отсутствующие источники, стандартизируйте отрасли
- Включите встроенный предиктивный скоринг или обучите простую модель на исторических лидах
- Разделите оценки на уровни, такие как A, B и C, вместо отображения необработанных вероятностей
- Согласуйте с отделом продаж, что означает каждый уровень: время ответа, канал, владелец
- Проведите тестовый период, когда часть лидов следует старому правилу маршрутизации
С уровнями работать проще, чем с числами. Торговый представитель будет относиться к лиду уровня A иначе; вероятность 0.37 мало что значит для большинства людей.
Как узнать, работает ли модель?
Метрики точности, такие как AUC, показывают, хорошо ли модель ранжирует прошлые данные. Они не говорят о том, изменилось ли поведение отдела продаж или выросла ли воронка продаж.
Вместо этого измеряйте результаты. Сравните коэффициент конверсии по уровням, время до первого контакта для лидов высшего уровня и объем воронки продаж, созданной в тестовой группе по сравнению с контрольной. Если лиды уровня A конвертируются с явно более высоким показателем, чем лиды уровня C, и отдел продаж действительно работает с ними быстрее, модель выполняет свою задачу.
Что идет не так с предиктивной аналитикой в B2B?
- Предвзятая история: если отдел продаж звонил только корпоративным лидам, модель учится тому, что малые компании никогда не конвертируются
- Утечка: включение полей, заполненных после конверсии, таких как этап сделки, делает точность идеальной и бесполезной
- Игнорируемые оценки: если отдел продаж не доверяет уровням, ничего не меняется
- Устаревшие модели: изменения в продукте, ценах или рынке делают старые паттерны вводящими в заблуждение
- Сопротивление «черному ящику»: продавцы хотят знать, почему аккаунт получил высокую оценку
Инструменты объяснимости помогают с последним пунктом. Большинство функций скоринга в CRM теперь показывают основные факторы, стоящие за каждой оценкой, такие как размер компании или недавние посещения страницы с ценами. Выведите их в представление записи, чтобы продавец видел причину.
Как Alien Road применяет предиктивную аналитику
В типичном проекте мы начинаем с проверки состояния CRM: уровень дубликатов, отсутствующие источники лидов, несогласованные определения этапов и то, как записываются причины закрытых-проигранных сделок. Мы также проводим интервью с руководителями продаж о том, как они расставляют приоритеты сегодня, потому что текущее правило становится контрольным в тесте.
Настройка обычно начинается со встроенного скоринга CRM, настроенного вокруг определения конверсии, согласованного с отделом продаж, и правил маршрутизации по уровням в платформе автоматизации маркетинга. Там, где встроенный скоринг слишком ограничен, мы строим модель в блокноте или BigQuery и записываем оценки обратно в CRM. Измерение использует контрольную группу и отслеживает конверсию по уровням, времени ответа и воронке продаж.
Ежемесячные отчеты включают основные драйверы оценок, чтобы маркетинг мог корректировать таргетинг, а отдел продаж мог видеть, почему оценки выглядят именно так.
Масштабирование за пределы первой модели
Как только скорингу лидов начинают доверять, те же данные поддерживают скоринг аккаунтов для account-based маркетинга. Рекламные аудитории в LinkedIn и Google могут быть построены на основе аккаунтов с высоким соответствием, а бюджет может быть направлен на них.
Прогнозирование приходит позже. Прогнозы воронки продаж хороши настолько, насколько хороша дисциплина этапов в CRM, и эта дисциплина обычно улучшается благодаря проекту по скорингу, а не до него.
Сколько времени нужно, чтобы предиктивные оценки начали окупаться?
Рассчитывайте минимум на квартал. Первый месяц обычно уходит на очистку данных и согласование определений, второй — на запуск оценок параллельно со старым правилом маршрутизации, а третий — на чтение результатов. B2B-циклы продаж означают, что некоторые эффекты проявляются в воронке продаж еще позже.
Установите промежуточные проверки, чтобы проект не застопорился. Через четыре недели подтвердите, что оценки заполняются для новых лидов и отдел продаж их видит. Через восемь недель сравните ранние коэффициенты конверсии по уровням. Эти контрольные точки поддерживают вовлеченность всех участников, пока основной результат созревает.
С чего начать на этой неделе
Выгрузите отчет по всем лидам, созданным за последние восемнадцать месяцев, с их источником, размером компании, отраслью и информацией о том, стали ли они возможностью. Посмотрите на коэффициенты конверсии по каждому атрибуту в простой сводной таблице. Если появляются четкие различия, у вас есть сигнал, необходимый для предиктивной оценки. Забронируйте час с руководителем отдела продаж, чтобы согласовать определение конверсии, прежде чем кто-либо включит модель. Продолжайте читать: · ИИ-оптимизация