Tahminleyici analitik, B2B pazarlama ekiplerine çabanın nereye harcanacağını sıralayan puanlar ve tahminler sunar: hangi potansiyel müşterilerin dönüşme olasılığı var, hangi hesaplar ideal müşteri profiline uyuyor, hangi müşteriler ayrılabilir ve bir çeyrekte ne kadar satış hunisi oluşacak. Kılavuzu ifade etmek basit, uygulamak ise zordur: bir satış eylemiyle bağlantılı bir kullanım durumuyla başlayın, güvendiğiniz CRM verilerini kullanın, mevcut kurala karşı test edin ve satış ekibini en başından itibaren sürece dahil edin.
Tüketici pazarlamasından farklı olarak, B2B’de daha az kayıt ve daha uzun döngüler vardır, bu nedenle yöntemler hesap düzeyindeki verilere dayanır ve birinci taraf CRM geçmişini firmaografik ve niyet verileriyle birleştirir. Salesforce ve HubSpot gibi modern CRM’ler, genellikle özel modellerden önceki ilk doğru adım olan yerleşik tahminleyici puanlamayı içerir.
B2B’de hangi tahminleyici kullanım durumları en önemlidir?
- Tahminleyici potansiyel müşteri puanlama: yeni bir potansiyel müşterinin fırsata dönüşme olasılığı
- Hesap uygunluğu puanlaması: bir şirketin geçmişteki kazanan müşterilerle ne kadar yakından eşleştiği
- Niyet ağırlıklı önceliklendirme: ilgili konularda araştırma faaliyeti gösteren hesaplar
- Mevcut müşteriler için kayıp veya genişleme riski
- Çeyrek bazında satış hunisi ve gelir tahmini
- Bir sonraki en iyi eylem: bir hesaba bir sonraki adımda hangi içeriği veya teklifi göndermek
Birini seçin. İlk proje, birinin her gün verdiği bir kararla bağlantılı olmalıdır, bu yüzden potansiyel müşteri puanlama ve hesap önceliklendirme en yaygın başlangıç noktalarıdır.
Tahminleyici B2B puanlaması hangi verilere ihtiyaç duyar?
Tahminleyici modeller geçmiş sonuçlardan öğrenir. CRM sonuçları tutarlı bir şekilde kaydetmiyorsa, modelin öğrenebileceği güvenilir hiçbir şey yoktur.
Minimum veri
- Oluşturma tarihleri ve kaynakları ile potansiyel müşteri ve iletişim kayıtları
- Aşama geçmişi ve kapanış nedeni ile hesaplara bağlı fırsat kayıtları
- En az bir veya iki yıl boyunca kapatılmış-kazanılmış ve kapatılmış-kaybedilmiş sonuçlar
- Şirket özellikleri: sektör, boyut, bölge, biliniyorsa teknoloji
- Etkileşim geçmişi: form doldurma, e-posta tıklamaları, web semineri katılımı, ana sayfa ziyaretleri
Faydalı eklemeler
Bombora veya G2 gibi sağlayıcılardan üçüncü taraf niyet verileri, yüklü yazılımlar hakkında teknografik veriler ve freemium veya deneme modelleri için ürün kullanım verileri. Bunlar puanları iyileştirir ancak maliyeti ve entegrasyon işini de artırır; uzun vadeli ödeme yapmadan önce artış sağlayıp sağlamadıklarını test edin.
İlk potansiyel müşteri puanını nasıl oluşturursunuz?
Platformun zaten sunduklarıyla başlayın. HubSpot’un tahminleyici potansiyel müşteri puanlaması ve Salesforce Einstein Lead Scoring, veri gereksinimlerini karşıladığınızda kendi geçmişiniz üzerinde eğitim yapar. Bu, hızlı bir şekilde bir temel oluşturur.
- Dönüşümü net bir şekilde tanımlayın: örneğin, doksan gün içinde potansiyel müşteriden satış tarafından kabul edilmiş fırsata dönüşüm
- Verileri temizleyin: kopyaları birleştirin, eksik kaynakları düzeltin, sektörleri standartlaştırın
- Yerleşik tahminleyici puanlamayı etkinleştirin veya geçmiş potansiyel müşteriler üzerinde basit bir model eğitin
- Puanları ham olasılıkları göstermek yerine A, B ve C gibi kademelere bölün
- Her kademenin ne anlama geldiği konusunda satış ekibiyle anlaşın: yanıt süresi, kanal, sahip
- Potansiyel müşterilerin bir kısmının eski yönlendirme kuralını izlediği bir test dönemi çalıştırın
Kademelerle hareket etmek sayılarla hareket etmekten daha kolaydır. Bir satış temsilcisi bir A potansiyel müşterisine farklı davranacaktır; 0.37’lik bir olasılık çoğu insan için pek bir şey ifade etmez.
Modelin çalıştığını nasıl anlarsınız?
AUC gibi doğruluk metrikleri, modelin geçmiş veriler üzerinde iyi sıralanıp sıralanmadığını size söyler. Satış davranışının değişip değişmediğini veya satış hunisinin büyüyüp büyümediğini söylemezler.
Bunun yerine sonuçları ölçün. Kademe bazında dönüşüm oranını, üst düzey potansiyel müşteriler için ilk temasa kadar geçen süreyi ve test grubunda oluşturulan satış hunisini kontrol grubuyla karşılaştırın. Eğer A potansiyel müşterileri C potansiyel müşterilerinden daha yüksek bir oranda dönüşüyorsa ve satış ekibi onlarla gerçekten daha hızlı çalışıyorsa, model işini yapıyor demektir.
B2B’de tahminleyici analitikte ne ters gider?
- Önyargılı geçmiş: eğer satış ekibi sadece kurumsal potansiyel müşterileri aradıysa, model küçük şirketlerin asla dönüşmediğini öğrenir
- Sızıntı: dönüşümden sonra doldurulan alanları (örneğin anlaşma aşaması) dahil etmek, doğruluğun mükemmel ama yararsız görünmesine neden olur
- Göz ardı edilen puanlar: eğer satış ekibi kademelere güvenmiyorsa, hiçbir şey değişmez
- Eskimiş modeller: ürün, fiyat veya pazar değişiklikleri eski kalıpları yanıltıcı hale getirir
- Kara kutu direnci: satıcılar bir hesabın neden yüksek puan aldığını bilmek ister
Açıklanabilirlik araçları son noktada yardımcı olur. Çoğu CRM puanlama özelliği artık şirket boyutu veya son fiyat sayfası ziyaretleri gibi her puanın arkasındaki en önemli faktörleri gösterir. Bunları kayıt görünümünde yüzeye çıkarın ki satıcı nedeni görebilsin.
Alien Road tahminleyici analitiği nasıl uygular
Tipik bir çalışmada CRM sağlık kontrolü ile başlarız: kopya oranları, eksik potansiyel müşteri kaynakları, tutarsız aşama tanımları ve kapatılmış-kaybedilmiş nedenlerinin nasıl kaydedildiği. Ayrıca satış liderleriyle bugün nasıl önceliklendirme yaptıkları hakkında görüşürüz, çünkü mevcut kural testte kontrol haline gelir.
Kurulum genellikle CRM’in yerleşik puanlamasıyla, satış ekibiyle anlaşılan bir dönüşüm tanımı etrafında yapılandırılmış ve pazarlama otomasyon platformundaki kademeli yönlendirme kurallarıyla başlar. Yerel puanlamanın çok sınırlı olduğu durumlarda, bir notebook veya BigQuery’de bir model oluşturur ve puanları CRM’e geri yazarız. Ölçüm bir kontrol grubu kullanır ve kademe, yanıt süresi ve satış hunisi bazında dönüşümü izler.
Aylık raporlar en iyi puan sürücülerini içerir, böylece pazarlama hedeflemeyi ayarlayabilir ve satış ekibi puanların neden böyle göründüğünü anlayabilir.
İlk modelin ötesine ölçeklendirme
Potansiyel müşteri puanlamasına güvenildiğinde, aynı veriler hesap tabanlı pazarlama için hesap puanlamasını destekler. LinkedIn ve Google’daki reklam kitleleri daha sonra yüksek uygunluklu hesaplardan oluşturulabilir ve bütçe onlara doğru ağırlıklandırılabilir.
Tahminleme daha sonra gelir. Satış hunisi tahminleri ancak CRM’deki aşama disiplini kadar iyidir ve bu disiplin genellikle puanlama projesi sayesinde iyileşir, ondan önce değil.
Tahminleyici puanların karşılığını vermesi ne kadar sürer?
En az bir çeyrek bekleyin. İlk ay genellikle veri temizleme ve tanımları kabul etme ile geçer, ikincisi puanları eski yönlendirme kuralıyla birlikte çalıştırma ile, üçüncüsü ise sonuçları okuma ile. B2B satış döngüleri, bazı etkilerin satış hunisinde ancak daha sonra göründüğü anlamına gelir.
Projenin durmaması için ara kontroller belirleyin. Dört hafta sonra, puanların yeni potansiyel müşterilerde doldurulduğunu ve satış ekibinin bunları görebildiğini doğrulayın. Sekiz hafta sonra, erken dönüşüm oranlarını kademe bazında karşılaştırın. Bu kontrol noktaları, ana sonuç olgunlaşırken herkesi meşgul tutar.
Bu hafta nereden başlamalı
Son on sekiz ayda oluşturulan tüm potansiyel müşterilerin kaynağı, şirket boyutu, sektörü ve fırsata dönüşüp dönüşmedikleri hakkında bir rapor çekin. Basit bir pivot tabloda her özellik bazında dönüşüm oranlarına bakın. Eğer net farklılıklar ortaya çıkarsa, tahminleyici bir puanın ihtiyaç duyduğu sinyale sahipsiniz demektir. Bir model açmadan önce dönüşüm tanımını kabul etmek için satış liderinizle bir saatlik bir görüşme ayarlayın. Okumaya devam edin: · Yapay Zekâ Optimizasyonu