De flesta besökare på en B2B-webbplats lämnar utan att fylla i ett formulär. Kontrollera dina egna siffror: dela antalet formulärinskick med antalet sessioner för det senaste kvartalet, så ser du att den andel av trafiken som aldrig identifierar sig oftast är den allra största. AI-baserad leadgenerering, i webbplatsbemärkelse, är de tekniker som arbetar med den tysta majoriteten: att ta reda på vilka företag som besöker webbplatsen, uppskatta vilka av dem som befinner sig i en köpcykel och ändra det som webbplatsen visar så att fler av dem tar ett nästa steg.
”AI” gör olika mycket av arbetet i varje del, och leverantörer använder ordet lättvindigt. Det här inlägget skiljer delarna åt, förklarar hur var och en fungerar och var den brister, och ger en 30-dagarsplan för att sätta ihop dem utan att bygga för mycket.
Vad AI-driven leadgenerering innebär på en webbplats
Etiketten omfattar chatbotar, prediktiv poängsättning, automatiserad outreach med mera. För ett B2B-team med fokus på webbplatsen spelar tre delar roll:
| Del | Vad det gör | Där maskininlärning faktiskt hjälper |
|---|---|---|
| Besöksidentifiering | Kopplar anonyma sessioner till företag med hjälp av IP-data och berikning | Mest datamatchning, inte ML; vissa leverantörer använder modeller för att tvätta och matcha poster |
| Poängsättning av köpintention | Uppskattar vilka konton som sannolikt kommer att köpa, utifrån passform och beteende | Den främsta användningen av ML: att lära sig vilka kombinationer av signaler som föregick dina tidigare affärer |
| Personaliserat engagemang | Ändrar rubriker, bevis och CTA:er utifrån vem som besöker och vad de har gjort | Valfritt; den mesta B2B-personaliseringen körs på uttryckliga regler, ibland med automatiskt val av variant |
Om en leverantör säger ”AI-driven”, fråga vilken av dessa tre det gäller och vad modellen är tränad på. En poängmodell som tränats på din egen data om vunna affärer är något helt annat än en generisk ”intentionspoäng” som en leverantör räknar fram för alla sina kunder.
Så fungerar besöksidentifiering
Formulärbaserad leadgenerering väntar på att folk ska identifiera sig själva. Besöksidentifiering arbetar från andra hållet: den försöker namnge företaget innan någon har fyllt i något.
- IP-matchning. Besökarens IP-adress matchas mot databaser som kopplar IP-intervall till organisationer. Företag med egna nätverksintervall (kontor, VPN som går ut via företagets gateways) matchas bra. Bredband i hemmet, mobilnät och delade nätverk på coworkingkontor matchas dåligt eller inte alls, vilket är skälet till att matchningsgraden varierar så mycket mellan webbplatser. Mät din egen matchningsgrad innan du planerar något kring den.
- Firmografisk berikning. När ett företag har namngetts lägger berikningen till bransch, storleksintervall, plats och ibland teknikstack. Se de här fälten som uppskattningar; stickprovskontrollera ett urval mot det du vet om verkliga konton.
- Beteende på webbplatsen. Visade sidor, antal besök och hur ofta besökaren återkommer kopplas till företaget, så att du ser ”tre personer från det här företaget läste prissidan den här veckan” i stället för tre anonyma sessioner.
- CRM-matchning. Om företaget matchar ett konto i ditt CRM kopplas besöket till dess ansvariga och öppna affärer. En säljare kan se att ett konto de arbetar med har öppnat säkerhetssidan två gånger.
Identifiering på företagsnivå är inte identifiering på personnivå. Den visar vilken organisation, inte vilken individ, och den ska presenteras så för sälj. En jämförelse av verktyg finns i vår guide till programvara för identifiering av webbplatsbesökare.
Poängsättning: från identifierad till kvalificerad
En lista med besökande företag är inte en pipeline. Det är i poängsättningssteget som det avgörs vilka som förtjänar uppmärksamhet. För hur du får in modellbaserad scoring i en fungerande pipeline, se den här pragmatiska guiden till AI-baserad leadscoring.
1. Förankra profilen i dina egna vunna affärer
Ta fram dina senaste 50 till 100 vunna affärer och titta på bransch, storleksintervall, region och eventuell teknik som de har gemensamt. Det är din passformsprofil, och den bör ersätta vad poängmodellen än antog tidigare. Vårt inlägg om att bygga en ideal kundprofil går igenom analysen. Om du har färre än några dussin vunna affärer har en maskininlärd modell mycket lite att lära sig av; en transparent poängmodell som du kan förklara för sälj fungerar lika bra.
2. Hitta beteendet som föregick de vunna affärerna
Titta på webbaktiviteten hos vunna konton under veckorna innan affärsmöjligheten skapades. Signaler som ofta spelar roll inom B2B: upprepade besök på prissidan, kundcase från besökarens egen bransch, jämförelse- och integrationssidor, flera personer från samma konto inom kort tid. Kontrollera dem mot din data i stället för att anamma dem rakt av; en signal som aldrig dyker upp före dina vunna affärer ska inte väga tungt.
Det är här maskininlärning gör sig förtjänt av sin plats. Med tillräckligt mycket historik kan en modell väga kombinationer av passform och beteende bättre än handsatta poäng. Utan tillräcklig historik överanpassar den sig till brus, så börja enkelt och gå över till en modell när datan räcker till.
3. Gör om poäng till åtgärder
Definiera nivåerna utifrån vad som händer härnäst, inte enbart utifrån poäng:
- Agera nu: ICP-matchning plus beteende från sen fas. Avisera kontoansvarig samma dag med de visade sidorna.
- Värm upp: bra matchning, tidigt beteende. Anpassa webbplatsupplevelsen och, där du har samtycke, nurture.
- Bevaka: allt annat. Fortsätt samla in beteende och utvärdera på nytt när det förändras.
Sätt gränserna så att nivån ”agera nu” är så liten att sälj faktiskt tittar på varje avisering. Våra guider om att poängsätta konton med hög köpintention och fördela leads från webbplatsen går igenom tröskelvärdena och fördelningen mer i detalj.
Använd datan på själva webbplatsen
Identifiering och poängsättning visar vem som är där. Personalisering använder det för att ändra vad de ser. Tre vanliga användningsområden, och vad du ska vara uppmärksam på:
Identifierade men okända konton: branschrelevanta första intryck
När en session kopplas till en bransch eller ett storleksintervall kan startsidan visa en rubrik, bevis och ett användningsfall för det segmentet. Exempel: en besökare från logistikbranschen ser ett kundcase från logistik i stället för en generisk logotypvägg. Det fungerar bara om du har verkliga bevis för segmentet; en branschrubrik framför generiskt innehåll är sämre än standardversionen.
Kända målkonton: upplevelser på kontonivå
För konton i ett ABM-program eller med en öppen affär kan webbplatsen visa innehåll kopplat till relationen: bevis från deras sektor, integrationen de frågade om, en CTA till deras säljare i stället för ett generiskt demoformulär. Håll det diskret. Att nämna företaget i en banner kan kännas som övervakning; att visa relevant material gör det oftast inte.
Återkommande besökare: matcha nästa steg
Första besöket: ”Se hur det fungerar”. Återbesök efter produktsidor: ”Jämför abonnemang”. Återbesök efter prissidan: ”Prata med oss” med ett bokningsverktyg. De specifika reglerna spelar mindre roll än att testa dem; mät var och en mot en kontrollgrupp som ser standardversionen. Vårt inlägg om personaliserade CTA:er går igenom testdelen.
Stacken, del för del
- Identifiering och berikning: kopplar besök till företag och lägger till firmografisk data. Utan det vet inget längre ner i kedjan vem som besöker.
- Beteendespårning: dina analyshändelser (sidkategorier, besök, viktiga handlingar), mappade till företagsposten.
- Scoring: antingen poäng som du definierar eller en modell som tränats på dina utfall. Den kan ligga i ditt personaliseringsverktyg, ditt CRM eller en separat tjänst.
- Personalisering: utvärderar regler och visar varianter. Taggar på klientsidan är snabba att komma igång med; leverans på serversidan eller vid kanten undviker flimmer på nyckelsidor.
- CRM-synk åt båda hållen: identifiering och poäng in i CRM:et på kontonivå; kontostatus och ägare tillbaka till webbplatsen så att den till exempel inte visar en CTA för ”boka en demo” för en befintlig kund.
Delarna är bara användbara tillsammans. Identifiering utan handling är en lista. Personalisering utan identifiering är gissningar. Poäng som aldrig når CRM:et når aldrig sälj.
Så ser du om det fungerar
| Fråga | Mått | Jämförelse |
|---|---|---|
| Når vi rätt konton? | Andel identifierad trafik som matchar din ICP | Månad för månad |
| Skiljer poängsättningen ut något? | Andel affärsmöjligheter per poängnivå | Den högsta nivån ska tydligt slå de lägre nivåerna; annars förutsäger modellen ingenting |
| Agerar sälj på larmen? | Tid från avisering till första kontakt; andel aviseringar som följts upp | Mot din målsatta svarstid |
| Hjälper personalisering? | Konvertering per segment, personaliserad vs kontrollgrupp | Kontrollgrupp från samma segment, inte webbplatsens genomsnitt |
| Är det värt kostnaden? | Kostnad per säljaccepterat lead eller affärsmöjlighet från det här upplägget | Mot dina andra kanaler, med samma definition |
En snedvridning att räkna med: identifierade konton lutar åt större företag, eftersom det är de nätverk som IP-upplösning hanterar bäst. Det kan få affärsstorlekarna att se bättre ut än arbetssättet förtjänar. Jämför lika med lika.
En 30-dagarsplan
- Vecka 1: identifiering, ingen åtgärd. Installera identifiering, koppla på berikning och registrera vilka företag som besöker och vad de läser. Mät din matchningsgrad och stickprovskontrollera träffsäkerheten mot konton du känner till.
- Vecka 2: en första poängmodell. Analysera nyligen vunna affärer med avseende på passform och beteende före affärsmöjligheten. Bygg en enkel modell i nivåer och kom överens med sälj om definitionen av ”agera nu”.
- Vecka 3: en personalisering. Välj den vanligaste ICP-branschen eller storleksklassen i din identifierade trafik och personalisera startsidans rubrik och bevis för den. Behåll en kontrollgrupp.
- Vecka 4: koppla in sälj. Synka identifiering på kontonivå och nivåindelning till CRM, slå på aviseringar till ansvariga för den högsta nivån och informera säljarna om vad datan visar och inte visar, inklusive hur de kan referera till den utan att verka påträngande (”Jag såg att ditt team har tittat på integrationer” är en replik som många köpare tycker är konstig; att inleda med relevant material brukar inte vara det).
Efter fyra veckor har du infrastrukturen och ett första test. Poängsättningen blir bara bättre om någon går igenom hur nivåerna presterar varje månad och justerar; den förbättras inte av sig själv.
Misstag att undvika
- Att poängsätta enbart på passform. Ett stort företag inom din ICP som läser ett blogginlägg är ingen het lead. Beteende skiljer oftast köpare från surfare bättre än firmografi.
- Larm om allt. Om säljarna får dussintals larm om dagen slutar de läsa dem. Håll den högsta nivån liten.
- Att personalisera utifrån data med låg säkerhet. Om berikningen är osäker på branschen, visa standardversionen. En sida för fel bransch är sämre än en generisk.
- Att betrakta integriteten som löst eftersom det är ”företagsdata”. IP-adresser och beteendespårning kan vara personuppgifter enligt GDPR, även när ditt mål är på företagsnivå. Involvera din integritetsansvarige, respektera samtyckesval för cookies och spårning och uppdatera din integritetspolicy. Vårt inlägg om B2B-personalisering och dataskydd går igenom detaljerna.
- Att anta att modellen sköter sig själv. Din kundbas, produkt och dina budskap förändras. Gå igenom poängsättningen varje månad och personaliseringsreglerna varje kvartal.
Var Markettailor passar in
Markettailor kombinerar besöksidentifiering på företagsnivå, firmografisk berikning och personalisering av webbplatsen, så att identifieringsdatan matar segment och varianter direkt och resultaten kan jämföras mot en kontrollgrupp. Oavsett vilket verktyg du använder gäller ordningen ovan: mät vem som besöker, lär dig vad som föregick dina vunna affärer, agera på en liten nivå med hög köpavsikt och testa varje ändring av sidan mot en kontrollgrupp.
