De fleste som besøker et B2B-nettsted, forlater det uten å fylle ut et skjema. Sjekk dine egne tall: del innsendte skjemaer på økter for siste kvartal, og andelen trafikk som aldri identifiserer seg, er som regel mesteparten. AI-drevet leadgenerering, i nettstedsforstand, er settet med teknikker som virker på det tause flertallet: å finne ut hvilke selskaper som besøker, anslå hvilke av dem som er i en kjøpssyklus, og endre det nettstedet viser slik at flere av dem tar et neste steg.
«AI» gjør ulik mengde arbeid i hver del, og leverandører bruker ordet løst. Dette innlegget skiller delene fra hverandre, forklarer hvordan hver av dem fungerer og hvor de svikter, og gir en 30-dagersplan for å sette dem sammen uten å bygge for mye.
Hva AI-basert leadgenerering betyr på et nettsted
Betegnelsen dekker chatboter, prediktiv scoring, automatisert oppsøking og mer. For et B2B-team med fokus på nettstedet er det tre deler som betyr noe:
| Del | Hva det gjør | Der maskinlæring faktisk hjelper |
|---|---|---|
| Identifisering av besøkende | Knytter anonyme økter til selskaper via IP-data og berikelse | Hovedsakelig datamatching, ikke ML; noen leverandører bruker modeller til å rense og matche poster |
| Intensjonsscoring | Anslår hvilke kontoer som sannsynligvis vil kjøpe, ut fra match pluss atferd | Hovedbruken av maskinlæring: å lære hvilke signalkombinasjoner som gikk forut for tidligere gevinster |
| Personalisert engasjement | Endrer overskrifter, bevis og CTA-er basert på hvem som besøker og hva de har gjort | Valgfritt; mest B2B-personalisering kjører på eksplisitte regler, noen ganger med automatisk variantvalg |
Hvis en leverandør sier «AI-drevet», spør hvilken av disse tre det gjelder og hva modellen er trent på. En scoringmodell trent på dine egne vunne avtaler er noe helt annet enn en generisk «intensjonsscore» en leverandør beregner på tvers av alle sine kunder.
Slik fungerer identifisering av besøkende
Skjemabasert leadgenerering venter på at folk skal identifisere seg. Identifisering av besøkende jobber fra motsatt ende: den prøver å navngi bedriften før noen fyller ut noe.
- IP-oppslag. Den besøkendes IP-adresse matches mot databaser som kobler IP-områder til organisasjoner. Bedrifter med egne nettverksområder (kontorer, VPN-er som går ut gjennom bedriftens gatewayer) gir gode treff. Bredbånd hjemme, mobilnett og delte nettverk i kontorfellesskap gir dårlige eller ingen treff, og det er derfor matchraten varierer så mye mellom nettsteder. Mål din egen matchrate før du planlegger noe rundt den.
- Firmografisk berikelse. Når et selskap er navngitt, legger berikelsen til bransje, antall ansatte, beliggenhet og noen ganger teknologistakk. Behandle disse feltene som estimater; stikkprøvesjekk et utvalg mot det du vet om ekte kontoer.
- Atferd på nettstedet. Sidevisninger, antall besøk og hvor ofte de kommer tilbake knyttes til selskapet, så du ser «tre personer fra dette selskapet leste prissiden denne uken» i stedet for tre anonyme økter.
- CRM-matching. Hvis bedriften matcher en konto i CRM-et ditt, kobles besøket til den ansvarlige og åpne avtaler. En selger kan se at en konto de jobber med, åpnet sikkerhetssiden to ganger.
Identifisering på selskapsnivå er ikke identifisering på personnivå. Den forteller deg hvilken organisasjon, ikke hvilken person, og den bør presenteres slik for salg. For en sammenligning av verktøy, se guiden vår til programvare for identifisering av besøkende.
Scoring: fra identifisert til kvalifisert
En liste over besøkende bedrifter er ikke en pipeline. Scoringssteget avgjør hvilke som fortjener oppmerksomhet. For hvordan du setter modellbasert scoring inn i en fungerende pipeline, se denne pragmatiske guiden til AI-basert leadscoring.
1. Forankre profilen i dine egne seiere
Hent ut de siste 50 til 100 vunne avtalene og se på bransje, størrelsesintervall, region og eventuell teknologi de deler. Det er match-profilen din, og den bør erstatte det scoringsmodellen antok tidligere. Innlegget vårt om å bygge en idealkundeprofil går gjennom analysen. Har du færre enn noen dusin vunne avtaler, har en maskinlært modell svært lite å lære av; en transparent poengmodell du kan forklare for salg, gjør jobben like godt.
2. Finn atferden som gikk forut for gevinstene
Se på nettaktiviteten til vunne kontoer i ukene før salgsmuligheten ble opprettet. Signaler som ofte betyr noe i B2B: gjentatte besøk på prissiden, kundecaser fra den besøkendes egen bransje, sammenlignings- og integrasjonssider, flere personer fra samme konto i løpet av kort tid. Sjekk dem mot dine egne data i stedet for å ta dem i bruk ukritisk; et signal som aldri dukker opp før gevinstene dine, bør ikke tillegges vekt.
Det er her maskinlæring gjør seg fortjent. Med nok historikk kan en modell vekte kombinasjoner av match og atferd bedre enn manuelt satte poeng. Uten nok historikk tilpasser den seg støy, så start enkelt og gå over til en modell når dataene støtter det.
3. Gjør scorer om til handlinger
Definer nivåer ut fra hva som skjer videre, ikke bare ut fra score:
- Handle nå: ICP-fit pluss atferd fra sen fase. Varsle kontoeieren samme dag med sidene som er sett.
- Varm opp: passer godt, tidlig atferd. Tilpass opplevelsen på nettstedet og, der du har samtykke, driv oppvarming.
- Følg med: alt annet. Fortsett å samle inn atferd og vurder på nytt når den endrer seg.
Sett grensene slik at nivået «handle nå» er lite nok til at salg faktisk ser på hvert varsel. Guidene våre om å score kontoer med høy intensjon og rute leads fra nettstedet tar for seg tersklene og rutingen mer detaljert.
Bruke dataene på selve nettstedet
Identifisering og scoring forteller deg hvem som er der. Personalisering bruker det til å endre hva de ser. Tre vanlige bruksområder, med hva du bør passe på:
Identifiserte, men ukjente kontoer: bransjerelevante førsteinntrykk
Når en økt kobles til en bransje eller et størrelsesintervall, kan forsiden vise en overskrift, bevis og et bruksområde for det segmentet. Eksempel: en besøkende fra logistikk ser en kundehistorie fra logistikk i stedet for en generisk logovegg. Dette fungerer bare hvis du har ekte bevis for segmentet; en bransjeoverskrift foran generisk innhold er verre enn standardversjonen.
Kjente målkontoer: opplevelser på kontonivå
For kontoer i et ABM-program eller med en åpen avtale kan nettstedet vise innhold knyttet til den relasjonen: bevis fra sektoren deres, integrasjonen de spurte om, en CTA til kundeansvarlig selger i stedet for et generisk demoskjema. Hold det nøkternt. Å nevne bedriften i et banner kan føles som overvåking; å vise relevant materiale gjør som regel ikke det.
Tilbakevendende besøkende: tilpass neste steg
Første besøk: «Se hvordan det fungerer». Gjentatt besøk etter produktsider: «Sammenlign abonnementer». Gjentatt besøk etter prissiden: «Snakk med oss» med en bookingkalender. De konkrete reglene betyr mindre enn å teste dem; mål hver av dem mot en holdout-gruppe som ser standardversjonen. Innlegget vårt om personaliserte CTA-er tar for seg testdelen.
Stacken, del for del
- Identifisering og berikelse: finner selskaper og legger til firmografiske data. Uten dette vet ingenting lenger ned i kjeden hvem som besøker.
- Atferdssporing: analysehendelsene dine (sidekategorier, besøk, nøkkelhandlinger), koblet til selskapsposten.
- Scoring: enten poeng du definerer selv, eller en modell trent på resultatene dine. Den kan ligge i personaliseringsverktøyet, i CRM eller i en egen tjeneste.
- Personalisering: evaluerer regler og viser varianter. Tagger på klientsiden er raske å komme i gang med; levering på serversiden eller på edge unngår flimring på viktige sider.
- CRM-synkronisering begge veier: identifisering og score inn i CRM-et på kontonivå; kontostatus og eier tilbake til nettstedet, slik at det for eksempel ikke viser en «book en demo»-CTA til en eksisterende kunde.
Delene er bare nyttige sammen. Identifisering uten handling er en liste. Personalisering uten identifisering er gjetting. Scorer som aldri når CRM-et, når aldri salg.
Slik ser du om det fungerer
| Spørsmål | Måltall | Sammenligning |
|---|---|---|
| Når vi de riktige kontoene? | Andelen identifisert trafikk som passer med ICP-en din | Måned for måned |
| Skiller poengsettingen noe fra hverandre? | Andel salgsmuligheter per scorenivå | Øverste nivå bør tydelig slå de lavere nivåene; hvis ikke, predikerer ikke modellen |
| Handler salg på varslene? | Tid fra varsel til første kontakt; andel varsler som følges opp | Mot målet ditt for svartid |
| Hjelper personalisering? | Konvertering per segment, personalisert vs. kontrollgruppe | Kontrollgruppe fra samme segment, ikke gjennomsnittet for nettstedet |
| Er det verdt kostnaden? | Kostnad per salgsakseptert lead eller salgsmulighet fra denne aktiviteten | Mot de andre kanalene dine, med samme definisjon |
Én skjevhet du bør forvente: identifiserte kontoer heller mot større bedrifter, fordi det er de nettverkene IP-oppslag håndterer best. Det kan få avtalestørrelsene til å se bedre ut enn modellen fortjener. Sammenlign likt med likt.
En 30-dagersplan
- Uke 1: identifisering, ingen handling. Installer identifisering, koble til berikelse, og registrer hvilke selskaper som besøker og hva de leser. Mål matchraten og stikkprøvesjekk nøyaktigheten mot kontoer du kjenner.
- Uke 2: en første scoringsmodell. Analyser nylig vunne avtaler for match og atferd før salgsmuligheten. Bygg en enkel nivådelt modell og bli enige med salg om definisjonen av «handle nå».
- Uke 3: én personalisering. Velg den vanligste ICP-bransjen eller størrelsesgruppen i den identifiserte trafikken din, og personaliser overskriften og beviset på forsiden for den. Behold en holdout-gruppe.
- Uke 4: koble på salg. Synkroniser identifisering og nivåer på kontonivå til CRM-et, slå på eiervarsler for toppnivået, og orienter selgerne om hva dataene viser og ikke viser, inkludert hvordan de kan bruke dem uten å virke påtrengende («Jeg ser at teamet ditt har sett på integrasjoner» er en replikk mange kjøpere vil synes er rar; å åpne med relevant materiale er det som regel ikke).
Etter fire uker har du rørleggerarbeidet og en første test. Scoringen blir bare bedre hvis noen går gjennom resultatene per nivå hver måned og justerer; den forbedrer seg ikke av seg selv.
Feil du bør unngå
- Å score bare på match. Et stort selskap i ICP-en din som leser ett blogginnlegg, er ikke en varm lead. Atferd skiller som regel kjøpere fra nysgjerrige bedre enn firmografi gjør.
- Varsler om alt. Hvis selgerne får dusinvis av varsler om dagen, slutter de å lese dem. Hold det øverste nivået lite.
- Personalisering på data med lav sikkerhet. Hvis berikelsen er usikker på bransjen, vis standardversjonen. En side for feil bransje er verre enn en generisk side.
- Å anse personvern som løst fordi det er «selskapsdata». IP-adresser og atferdssporing kan være personopplysninger etter GDPR, selv om målet ditt er på selskapsnivå. Involver personvernansvarlig, respekter samtykkevalg for informasjonskapsler og sporing, og oppdater personvernerklæringen din. Innlegget vårt om B2B-personalisering og personvern går inn på detaljene.
- Å anta at modellen vedlikeholder seg selv. Kundebasen, produktet og budskapet ditt endrer seg. Gå gjennom scoringen månedlig og personaliseringsreglene kvartalsvis.
Der Markettailor passer inn
Markettailor kombinerer besøksidentifikasjon på bedriftsnivå, firmografisk berikelse og personalisering av nettstedet, slik at identifikasjonsdataene mater segmenter og varianter direkte og resultatene kan sammenlignes med en kontrollgruppe. Uansett hvilket verktøy du bruker, gjelder rekkefølgen ovenfor: mål hvem som besøker deg, lær hva som gikk forut for gevinstene dine, handle på et lite nivå med høy kjøpsintensjon, og test hver endring på siden mot en kontrollgruppe.
