De fleste besøgende på et B2B-website forlader det uden at udfylde en formular. Tjek dine egne tal: Divider formularindsendelser med sessioner for sidste kvartal, og den andel af trafikken, der aldrig identificerer sig, er som regel størstedelen. AI-leadgenerering, i websiteforstand, er de teknikker, der virker på det tavse flertal: at finde ud af, hvilke virksomheder der besøger sitet, estimere, hvilke af dem der er i en købscyklus, og ændre det, sitet viser, så flere af dem tager et næste skridt.
»AI« udfører forskellige mængder arbejde i hver del, og leverandører bruger ordet løst. Dette indlæg skiller delene ad, forklarer hvordan hver virker, og hvor den fejler, og giver en 30-dages plan for at sætte dem sammen uden at overbygge.
Hvad AI-leadgenerering betyder på et website
Betegnelsen dækker chatbots, prædiktiv scoring, automatiseret outreach og meget mere. For et B2B-team med fokus på websitet er tre dele vigtige:
| Element | Hvad det gør | Hvor machine learning reelt hjælper |
|---|---|---|
| Identifikation af besøgende | Kobler anonyme sessioner til virksomheder via IP-data og berigelse | Primært datamatching, ikke ML; nogle udbydere bruger modeller til at rense og matche poster |
| Intent-scoring | Vurderer, hvilke konti der sandsynligvis køber, ud fra fit plus adfærd | Den primære brug af ML: at lære, hvilke kombinationer af signaler der gik forud for jeres tidligere vundne deals |
| Personaliseret engagement | Ændrer overskrifter, bevis og CTA'er ud fra, hvem der besøger, og hvad de har gjort | Valgfrit; det meste B2B-personalisering kører på eksplicitte regler, nogle gange med automatisk valg af variant |
Hvis en leverandør siger "AI-drevet", så spørg, hvilken af disse tre det gælder, og hvad modellen er trænet på. En scoringsmodel trænet på dine egne data om vundne deals er noget andet end en generisk "intent-score", som en udbyder beregner på tværs af alle sine kunder.
Sådan fungerer identifikation af besøgende
Formularbaseret leadgenerering venter på, at folk selv giver sig til kende. Identifikation af besøgende arbejder fra den anden ende: Den forsøger at sætte navn på virksomheden, før nogen har udfyldt noget.
- IP-opslag. Den besøgendes IP-adresse matches mod databaser, der kobler IP-intervaller til organisationer. Virksomheder med deres egne netværksintervaller (kontorer, VPN'er, der går ud gennem virksomhedens gateways) kan identificeres godt. Privat bredbånd, mobilnetværk og delte coworking-netværk kan identificeres dårligt eller slet ikke, og derfor varierer matchraterne så meget mellem sites. Mål din egen matchrate, før du planlægger noget ud fra den.
- Firmografisk berigelse. Når en virksomhed er navngivet, tilføjer berigelse branche, antal ansatte, placering og nogle gange tech stack. Betragt disse felter som estimater; stikprøvetjek et udsnit mod det, du ved om rigtige konti.
- Adfærd på sitet. Sete sider, antal besøg og hyppighed af tilbagevendende besøg knyttes til virksomheden, så du ser "tre personer fra denne virksomhed læste prissiden i denne uge" i stedet for tre anonyme sessioner.
- CRM-matching. Hvis virksomheden matcher en konto i dit CRM, kobles besøget til dens ejer og åbne deals. En sælger kan se, at en konto, de arbejder med, har åbnet sikkerhedssiden to gange.
Identifikation på virksomhedsniveau er ikke identifikation på personniveau. Den fortæller dig hvilken organisation, ikke hvilken person, og den bør præsenteres sådan for salg. Se vores guide til software til identifikation af besøgende på websitet for en sammenligning af værktøjer.
Scoring: fra identificeret til kvalificeret
En liste over besøgende virksomheder er ikke en pipeline. Scoringstrinnet afgør, hvilke af dem der fortjener opmærksomhed. Se denne pragmatiske guide til AI-leadscoring for, hvordan du får modelbaseret scoring ind i en fungerende pipeline.
1. Forankr profilen i dine egne vundne handler
Træk dine seneste 50 til 100 vundne aftaler, og se på branche, størrelsesinterval, region og eventuel teknologi, de har til fælles. Det er din fit-profil, og den bør erstatte det, scoringsmodellen antog før. Vores indlæg om at bygge en ideel kundeprofil gennemgår analysen. Hvis du har færre end et par dusin vundne aftaler, har en maskinlært model meget lidt at lære af; en gennemsigtig pointmodel, du kan forklare for salg, klarer sig lige så godt.
2. Find den adfærd, der gik forud for de vundne deals
Se på webaktiviteten for vundne konti i ugerne før salgsmuligheden blev oprettet. Signaler, der ofte betyder noget i B2B: gentagne besøg på priser, cases fra den besøgendes egen branche, sammenlignings- og integrationssider, flere personer fra den samme konto inden for kort tid. Tjek dem mod dine egne data i stedet for at overtage dem ukritisk; et signal, der aldrig optræder før dine vundne deals, bør ikke vægte.
Det er her, machine learning gør sig fortjent til sin plads. Med nok historik kan en model vægte kombinationer af fit og adfærd bedre end manuelt fastsatte point. Uden nok historik overtilpasser den sig til støj, så start enkelt, og gå videre til en model, når dataene understøtter det.
3. Gør scorer til handlinger
Definér niveauer efter, hvad der sker bagefter, ikke kun efter score:
- Handl nu: ICP-fit plus adfærd fra sene faser. Giv kontoejeren besked samme dag med de sete sider.
- Opvarmning: godt fit, tidlig adfærd. Tilpas websiteoplevelsen og, hvor du har samtykke, nurture.
- Overvåg: alt andet. Bliv ved med at indsamle adfærd, og revurdér, når den ændrer sig.
Sæt grænserne, så niveauet "handl nu" er lille nok til, at salg faktisk ser på hver alarm. Vores guides til scoring af konti med høj intent og fordeling af leads fra websitet gennemgår tærsklerne og fordelingen mere detaljeret.
Brug af dataene på selve websitet
Identifikation og scoring fortæller dig, hvem der er der. Personalisering bruger det til at ændre, hvad de ser. Tre almindelige anvendelser, og hvad du skal holde øje med:
Identificerede, men ukendte accounts: brancherelevante førstehåndsindtryk
Når en session kobles til en branche eller et størrelsesinterval, kan forsiden vise en overskrift, beviser og en use case for det segment. Eksempel: En besøgende fra logistik ser en kundehistorie fra logistik i stedet for en generisk logovæg. Det virker kun, hvis du har reelle beviser for segmentet; en brancheoverskrift foran generisk indhold er værre end standardversionen.
Kendte målkonti: oplevelser på kontoniveau
For konti i et ABM-program eller med en åben aftale kan sitet vise indhold knyttet til den relation: beviser fra deres sektor, den integration, de spurgte om, en CTA til deres account executive i stedet for en generisk demoformular. Hold det beskedent. At nævne virksomheden i et banner kan føles som overvågning; at vise relevant materiale gør det som regel ikke.
Tilbagevendende besøgende: match det næste skridt
Første besøg: "Se, hvordan det virker". Genbesøg efter produktsider: "Sammenlign planer". Genbesøg efter prissiden: "Tal med os" med en kalender. De konkrete regler betyder mindre end at teste dem; mål hver af dem mod en holdout-gruppe, der ser standardversionen. Vores indlæg om personaliserede CTA'er gennemgår testdelen.
Stacken, del for del
- Identifikation og berigelse: kobler virksomheder og tilføjer firmografi. Uden den ved intet længere nede i kæden, hvem der besøger.
- Adfærdssporing: dine analysehændelser (sidekategorier, besøg, vigtige handlinger) koblet til virksomhedsposten.
- Scoring: enten point, du selv definerer, eller en model trænet på dine resultater. Den kan ligge i dit personaliseringsværktøj, dit CRM eller en separat tjeneste.
- Personalisering: evaluerer regler og viser varianter. Tags på klientsiden er hurtige at komme i gang med; levering på serversiden eller edge undgår flimren på nøglesider.
- CRM-synkronisering begge veje: identifikation og scores ind i CRM'et på kontoniveau; kontostatus og ejer tilbage til websitet, så det fx ikke viser en »book en demo«-CTA til en eksisterende kunde.
Delene er kun nyttige sammen. Identifikation uden handling er en liste. Personalisering uden identifikation er gætværk. Scorer, der aldrig når CRM'et, når aldrig salg.
Sådan ser du, om det virker
| Spørgsmål | Måling | Sammenligning |
|---|---|---|
| Når vi de rette konti? | Andel af identificeret trafik, der matcher din ICP | Måned for måned |
| Adskiller scoringen noget? | Andel af salgsmuligheder pr. scoreniveau | Det øverste niveau bør klart slå de lavere niveauer; ellers forudsiger modellen ikke noget |
| Handler salg på alarmerne? | Tid fra alarm til første kontakt; andel af alarmer, der følges op | I forhold til din målsvartid |
| Hjælper personalisering? | Konvertering pr. segment, personaliseret vs. holdout | Holdout fra samme segment, ikke sitets gennemsnit |
| Er det prisen værd? | Pris pr. salgsaccepteret lead eller salgsmulighed fra denne indsats | Mod dine andre kanaler, med den samme definition |
Én skævhed at forvente: identificerede konti hælder mod større virksomheder, fordi det er de netværk, IP-opslag håndterer bedst. Det kan få aftalestørrelserne til at se bedre ud, end modellen fortjener. Sammenlign lige med lige.
En 30-dages plan
- Uge 1: identifikation, ingen handling. Installér identifikation, tilslut berigelse, og registrér, hvilke virksomheder der besøger, og hvad de læser. Mål din matchrate, og stikprøvekontrollér nøjagtigheden mod konti, du kender.
- Uge 2: en første scoringsmodel. Analysér nylige lukket vundne deals for fit og adfærd før salgsmuligheden. Byg en simpel model med niveauer, og aftal definitionen af "handl nu" med salg.
- Uge 3: én personalisering. Vælg den mest almindelige ICP-branche eller det mest almindelige størrelsesinterval i din identificerede trafik, og personalisér forsidens overskrift og beviser til den. Behold en holdout-gruppe.
- Uge 4: forbind salg. Synkroniser identifikation på kontoniveau og niveauer til CRM'et, slå ejeralarmer til for det øverste niveau, og brief sælgerne om, hvad dataene viser og ikke viser, herunder hvordan de kan henvise til dem uden at virke påtrængende ("Jeg kunne se, at dit team har kigget på integrationer" er en sætning, mange købere vil finde mærkelig; at starte med relevant materiale er det som regel ikke).
Efter fire uger har du rørføringen og en første test. Scoringen bliver kun bedre, hvis nogen gennemgår niveauernes performance hver måned og justerer den; den forbedrer sig ikke af sig selv.
Fejl, du skal undgå
- At score alene på fit. En stor virksomhed i din ICP, der læser ét blogindlæg, er ikke et varmt lead. Adfærd adskiller som regel købere fra nysgerrige bedre end firmografi.
- Alarmer på alt. Hvis sælgerne får snesevis af alarmer om dagen, holder de op med at læse dem. Hold det øverste niveau lille.
- At personalisere på data med lav sikkerhed. Hvis berigelsen er usikker på branchen, så vis standardversionen. En side til den forkerte branche er værre end en generisk.
- At betragte privatliv som løst, fordi det er »virksomhedsdata«. IP-adresser og adfærdssporing kan være personoplysninger under GDPR, selv når dit mål er virksomhedsniveau. Involver din ansvarlige for databeskyttelse, respektér samtykkevalg for cookies og sporing, og opdatér din privatlivserklæring. Vores indlæg om B2B-personalisering og databeskyttelse gennemgår detaljerne.
- At antage, at modellen vedligeholder sig selv. Din kundebase, dit produkt og dine budskaber ændrer sig. Gennemgå scoringen hver måned og personaliseringsreglerne hvert kvartal.
Hvor Markettailor passer ind
Markettailor kombinerer identifikation af besøgende på virksomhedsniveau, firmografisk berigelse og personalisering af websitet, så identifikationsdataene fodrer segmenter og varianter direkte, og resultaterne kan sammenlignes med en holdout-gruppe. Uanset hvilket værktøj du bruger, gælder rækkefølgen ovenfor: mål, hvem der besøger, lær, hvad der gik forud for dine vundne deals, handl på et lille niveau med høj købsintention, og test hver ændring på siden mod en kontrolgruppe.
