Sebagian besar pengunjung website B2B pergi tanpa mengisi formulir. Periksa angka Anda sendiri: bagi pengiriman formulir dengan sesi untuk kuartal terakhir, dan persentase traffic yang tidak pernah mengidentifikasi dirinya biasanya merupakan bagian terbesar. AI lead generation, dalam konteks website, adalah sekumpulan teknik yang bekerja pada mayoritas diam tersebut: mengidentifikasi perusahaan mana yang berkunjung, memperkirakan mana di antaranya yang sedang dalam siklus pembelian, dan mengubah apa yang ditampilkan situs agar lebih banyak dari mereka mengambil langkah berikutnya.
"AI" melakukan porsi pekerjaan yang berbeda di setiap bagian, dan vendor menggunakan kata itu secara longgar. Artikel ini memisahkan bagian-bagiannya, menjelaskan cara kerja masing-masing dan di mana bisa gagal, serta memberikan rencana 30 hari untuk menggabungkannya tanpa membangun berlebihan.
Arti AI Lead Generation di Sebuah Website
Label ini mencakup chatbot, predictive scoring, outreach otomatis, dan lainnya. Bagi tim B2B yang berfokus pada website, tiga bagian yang penting:
| Bagian | Fungsinya | Di mana machine learning benar-benar membantu |
|---|---|---|
| Identifikasi pengunjung | Mengidentifikasi perusahaan di balik sesi anonim melalui data IP dan enrichment | Sebagian besar pencocokan data, bukan ML; beberapa penyedia memakai model untuk membersihkan dan mencocokkan record |
| Intent scoring | Memperkirakan akun mana yang kemungkinan akan membeli, berdasarkan kecocokan plus perilaku | Penggunaan ML yang utama: mempelajari kombinasi sinyal mana yang mendahului kemenangan Anda sebelumnya |
| Engagement yang dipersonalisasi | Mengubah headline, bukti, dan CTA berdasarkan siapa yang berkunjung dan apa yang mereka lakukan | Opsional; sebagian besar personalisasi B2B berjalan dengan aturan eksplisit, terkadang dengan pemilihan varian otomatis |
Jika vendor mengatakan "berbasis AI", tanyakan pada yang mana dari ketiga hal ini AI diterapkan dan dengan data apa modelnya dilatih. Model scoring yang dilatih dengan data closed-won Anda sendiri berbeda dengan "skor intent" generik yang dihitung penyedia di seluruh pelanggannya.
Cara Kerja Identifikasi Pengunjung
Lead generation berbasis formulir menunggu orang mengidentifikasi dirinya sendiri. Identifikasi pengunjung bekerja dari arah sebaliknya: berusaha mengenali perusahaannya sebelum ada yang mengisi apa pun.
- Resolusi IP. Alamat IP pengunjung dicocokkan dengan basis data yang memetakan rentang IP ke organisasi. Perusahaan yang punya rentang jaringan sendiri (kantor, VPN yang keluar melalui gateway korporat) mudah dikenali. Broadband rumahan, jaringan seluler, dan jaringan coworking bersama sulit atau sama sekali tidak bisa dikenali, itulah sebabnya tingkat kecocokan sangat bervariasi antarsitus. Ukur tingkat kecocokan Anda sendiri sebelum merencanakan apa pun berdasarkan angka itu.
- Enrichment firmografis. Setelah perusahaan diketahui namanya, enrichment menambahkan industri, rentang jumlah karyawan, lokasi, dan terkadang tech stack. Anggap kolom-kolom ini sebagai estimasi; periksa sampelnya dengan apa yang Anda ketahui tentang akun nyata.
- Perilaku di situs. Halaman yang dilihat, jumlah kunjungan dan frekuensi kunjungan ulang dikaitkan dengan perusahaan, sehingga Anda melihat "tiga orang dari perusahaan ini membaca halaman harga minggu ini", bukan tiga sesi anonim.
- Pencocokan CRM. Jika perusahaan cocok dengan akun di CRM Anda, kunjungan dikaitkan dengan pemilik akun dan deal yang sedang terbuka. Sales bisa melihat bahwa akun yang sedang mereka garap membuka halaman keamanan dua kali.
Identifikasi tingkat perusahaan bukanlah identifikasi tingkat individu. Ini memberi tahu Anda organisasi mana, bukan individu mana, dan harus disampaikan demikian kepada tim sales. Untuk perbandingan alat, lihat panduan kami tentang software identifikasi pengunjung website.
Skoring: Dari Teridentifikasi Menjadi Terkualifikasi
Daftar perusahaan yang berkunjung bukanlah pipeline. Langkah scoring menentukan mana yang layak mendapat perhatian. Untuk cara menerapkan scoring berbasis model ke pipeline yang berjalan, lihat panduan praktis AI lead scoring ini.
1. Dasarkan profil pada kemenangan Anda sendiri
Ambil 50 hingga 100 deal closed-won terakhir Anda dan lihat industri, rentang ukuran, wilayah, dan teknologi apa pun yang sama-sama mereka gunakan. Itulah profil kecocokan Anda, dan profil ini harus menggantikan asumsi model scoring sebelumnya. Artikel kami tentang menyusun ideal customer profile menjelaskan analisisnya. Jika kemenangan Anda kurang dari beberapa puluh, model machine learning hanya punya sedikit bahan untuk dipelajari; model poin yang transparan dan bisa Anda jelaskan kepada sales akan sama baiknya.
2. Temukan perilaku yang mendahului kemenangan tersebut
Lihat aktivitas web akun yang dimenangkan dalam beberapa minggu sebelum peluang dibuat. Sinyal yang sering berpengaruh di B2B: kunjungan berulang ke halaman harga, studi kasus dari industri pengunjung sendiri, halaman perbandingan dan integrasi, beberapa orang dari akun yang sama dalam rentang waktu singkat. Cocokkan dengan data Anda alih-alih mengadopsinya mentah-mentah; sinyal yang tidak pernah muncul sebelum kemenangan Anda tidak semestinya diberi bobot.
Di sinilah machine learning membuktikan nilainya. Dengan riwayat yang cukup, model bisa menimbang kombinasi kecocokan dan perilaku lebih baik daripada poin yang ditetapkan manual. Tanpa riwayat yang cukup, model akan overfit pada noise, jadi mulailah sederhana dan beralih ke model saat datanya mendukung.
3. Ubah skor menjadi tindakan
Tentukan tier berdasarkan apa yang terjadi selanjutnya, bukan hanya berdasarkan skor:
- Bertindak sekarang: kecocokan ICP ditambah perilaku tahap akhir. Beri peringatan kepada pemilik akun pada hari yang sama beserta halaman yang dilihat.
- Hangatkan: cocok, perilaku masih awal. Sesuaikan pengalaman situs web dan, jika Anda memiliki persetujuan, lakukan nurture.
- Pantau: semua yang lain. Terus kumpulkan data perilaku dan evaluasi ulang ketika berubah.
Tetapkan batasnya agar tier "tindak sekarang" cukup kecil sehingga sales benar-benar melihat setiap notifikasi. Panduan kami tentang memberi skor akun high-intent dan meneruskan lead dari situs web membahas ambang batas dan routing-nya secara lebih rinci.
Memanfaatkan Data di Website Itu Sendiri
Identifikasi dan scoring memberi tahu siapa yang ada di sana. Personalisasi menggunakannya untuk mengubah apa yang mereka lihat. Tiga penggunaan umum, beserta hal yang perlu diwaspadai:
Akun teridentifikasi tetapi belum dikenal: kesan pertama yang relevan dengan industri
Ketika sesi dikenali ke sebuah industri atau rentang ukuran, homepage bisa menampilkan headline, bukti, dan use case untuk segmen tersebut. Contoh: pengunjung dari logistik melihat kisah pelanggan logistik, bukan dinding logo generik. Ini hanya berhasil jika Anda punya bukti nyata untuk segmen itu; headline industri di depan konten generik lebih buruk daripada versi default.
Akun target yang dikenal: pengalaman tingkat akun
Untuk akun dalam program ABM atau dengan deal terbuka, situs dapat menampilkan konten yang terkait dengan hubungan tersebut: bukti dari sektor mereka, integrasi yang mereka tanyakan, CTA ke account executive mereka alih-alih formulir demo generik. Tetap bersikap wajar. Menyebut nama perusahaan di banner bisa terasa seperti pengawasan; menampilkan materi yang relevan biasanya tidak.
Pengunjung yang kembali: menyesuaikan langkah berikutnya
Kunjungan pertama: "Lihat cara kerjanya". Kunjungan berulang setelah halaman produk: "Bandingkan paket". Kunjungan berulang setelah halaman harga: "Bicara dengan kami" dengan alat penjadwalan. Aturan spesifiknya kurang penting dibanding mengujinya; ukur masing-masing terhadap holdout yang melihat versi default. Artikel kami tentang CTA yang dipersonalisasi membahas sisi pengujiannya.
Stack, Bagian demi Bagian
- Identifikasi dan enrichment: mengidentifikasi perusahaan dan menambahkan data firmografis. Tanpanya, tidak ada lapisan berikutnya yang tahu siapa yang berkunjung.
- Pelacakan perilaku: event analitik Anda (kategori halaman, kunjungan, tindakan utama), yang dipetakan ke data perusahaan.
- Scoring: berupa poin yang Anda tentukan atau model yang dilatih dari hasil Anda. Scoring bisa berada di tool personalisasi, CRM, atau layanan terpisah.
- Personalisasi: mengevaluasi aturan dan menyajikan varian. Tag sisi klien cepat untuk memulai; penyajian sisi server atau edge menghindari flicker di halaman-halaman kunci.
- Sinkronisasi CRM dua arah: identifikasi dan skor masuk ke CRM di level akun; status akun dan pemiliknya kembali ke situs web agar situs tidak, misalnya, menampilkan CTA "pesan demo" kepada pelanggan yang sudah ada.
Bagian-bagian ini hanya berguna jika digabungkan. Identifikasi tanpa tindakan hanyalah sebuah daftar. Personalisasi tanpa identifikasi hanya menebak. Skor yang tidak pernah sampai ke CRM tidak akan pernah sampai ke sales.
Cara Mengetahui Apakah Ini Berhasil
| Pertanyaan | Metrik | Perbandingan |
|---|---|---|
| Apakah kita menjangkau akun yang tepat? | Porsi traffic teridentifikasi yang cocok dengan ICP Anda | Bulan ke bulan |
| Apakah skoring memisahkan sesuatu? | Rasio peluang per tingkat skor | Tier teratas harus jelas mengungguli tier di bawahnya; jika tidak, model tersebut tidak memprediksi apa pun |
| Apakah sales menindaklanjuti alert? | Waktu dari notifikasi hingga kontak pertama; persentase notifikasi yang ditindaklanjuti | Dibandingkan target waktu respons Anda |
| Apakah personalisasi membantu? | Konversi per segmen, dipersonalisasi vs holdout | Holdout dari segmen yang sama, bukan rata-rata situs |
| Apakah sepadan dengan biayanya? | Biaya per lead yang diterima sales atau per peluang dari pola ini | Dibandingkan dengan saluran Anda yang lain, menggunakan definisi yang sama |
Satu bias yang perlu diantisipasi: akun yang teridentifikasi condong ke perusahaan yang lebih besar, karena jaringan merekalah yang paling baik ditangani resolusi IP. Hal ini dapat membuat ukuran deal terlihat lebih baik daripada yang sebenarnya pantas. Bandingkan yang sebanding.
Rencana 30 Hari
- Minggu 1: identifikasi, tanpa tindakan. Pasang identifikasi, hubungkan pengayaan data, dan catat perusahaan mana yang berkunjung dan apa yang mereka baca. Ukur match rate Anda dan cek akurasinya secara acak terhadap akun yang Anda kenal.
- Minggu 2: model scoring pertama. Analisis deal closed-won terbaru dari sisi kecocokan dan perilaku sebelum menjadi peluang. Bangun model berjenjang yang sederhana dan sepakati definisi "tindak sekarang" dengan sales.
- Minggu 3: satu personalisasi. Pilih industri atau kelompok ukuran ICP yang paling umum dalam traffic teridentifikasi Anda dan personalisasikan headline serta bukti di beranda untuknya. Pertahankan holdout.
- Minggu 4: hubungkan sales. Sinkronkan identifikasi tingkat akun dan tingkatannya ke CRM, aktifkan peringatan pemilik untuk tingkat teratas, dan beri pengarahan kepada sales tentang apa yang ditunjukkan dan tidak ditunjukkan data ini, termasuk cara merujuknya tanpa terdengar mengganggu ("Saya perhatikan tim Anda sedang melihat-lihat integrasi" adalah kalimat yang terasa aneh bagi banyak pembeli; membuka dengan materi yang relevan biasanya tidak).
Setelah empat minggu, Anda punya infrastrukturnya dan pengujian pertama. Penilaian hanya akan membaik jika seseorang meninjau performa tier setiap bulan dan menyesuaikannya; penilaian tidak membaik dengan sendirinya.
Kesalahan yang Harus Dihindari
- Scoring hanya berdasarkan kecocokan. Perusahaan besar dalam ICP Anda yang membaca satu postingan blog bukanlah hot lead. Perilaku biasanya lebih baik dalam membedakan pembeli dari sekadar penjelajah dibanding firmografi.
- Mengirim alert untuk semua hal. Jika rep menerima puluhan alert sehari, mereka berhenti membacanya. Jaga agar tier teratas tetap kecil.
- Personalisasi berdasarkan data yang kurang meyakinkan. Jika hasil enrichment tidak yakin dengan industrinya, tampilkan versi default. Halaman dengan industri yang salah lebih buruk daripada halaman generik.
- Menganggap privasi sudah beres karena ini "data perusahaan". Alamat IP dan pelacakan perilaku bisa termasuk data pribadi menurut GDPR, meskipun tujuan Anda di tingkat perusahaan. Libatkan penanggung jawab privasi Anda, hormati pilihan persetujuan untuk cookie dan pelacakan, dan perbarui pemberitahuan privasi Anda. Artikel kami tentang personalisasi B2B dan privasi data membahas detailnya.
- Berasumsi model akan merawat dirinya sendiri. Basis pelanggan, produk, dan pesan Anda berubah. Tinjau penilaian setiap bulan dan aturan personalisasi setiap kuartal.
Posisi Markettailor
Markettailor menggabungkan identifikasi pengunjung tingkat perusahaan, enrichment firmografis, dan personalisasi website, sehingga data identifikasi langsung mengisi segmen dan varian, dan hasilnya bisa dibandingkan dengan holdout. Apa pun tool yang Anda gunakan, urutan di atas tetap berlaku: ukur siapa yang berkunjung, pelajari apa yang mendahului kemenangan Anda, bertindak pada tier kecil dengan intent tinggi, dan uji setiap perubahan halaman terhadap kontrol.
