Bir B2B web sitesinin ziyaretçilerinin çoğu form doldurmadan ayrılır. Kendi rakamlarınızı kontrol edin: son çeyreğin form gönderimlerini oturumlara bölün; kendini hiç tanıtmayan trafik oranı genellikle büyük çoğunluktur. Web sitesi anlamında yapay zekâ ile lead üretimi, bu sessiz çoğunluk üzerinde çalışan teknikler bütünüdür: hangi şirketlerin ziyaret ettiğini belirlemek, bunlardan hangilerinin bir satın alma döngüsünde olduğunu tahmin etmek ve daha fazlasının bir sonraki adımı atması için sitenin gösterdiklerini değiştirmek.
"Yapay zeka" her bölümde farklı miktarda iş yapıyor ve tedarikçiler bu kelimeyi gelişigüzel kullanıyor. Bu yazı bölümleri birbirinden ayırıyor, her birinin nasıl çalıştığını ve nerede başarısız olduğunu açıklıyor ve bunları aşırı yapılandırmadan bir araya getirmek için 30 günlük bir plan sunuyor.
Bir Web Sitesinde Yapay Zekâ ile Lead Üretimi Ne Anlama Gelir?
Bu etiket sohbet botlarını, tahmine dayalı puanlamayı, otomatik erişimi ve daha fazlasını kapsar. Web sitesine odaklanan bir B2B ekibi için üç parça önemlidir:
| Parça | Ne yapar | Makine öğreniminin gerçekten yardımcı olduğu yerler |
|---|---|---|
| Ziyaretçi tanımlama | Anonim oturumları IP verisi ve zenginleştirme yoluyla şirketlere çözümler | Çoğunlukla makine öğrenmesi değil veri eşleştirme; bazı sağlayıcılar kayıtları temizlemek ve eşleştirmek için modeller kullanır |
| Niyet puanlaması | Uyum ve davranıştan yola çıkarak hangi hesapların satın alma olasılığının yüksek olduğunu tahmin eder | Makine öğreniminin başlıca kullanımı: geçmiş kazanımlarınızdan önce hangi sinyal kombinasyonlarının geldiğini öğrenmek |
| Kişiselleştirilmiş etkileşim | Başlıkları, kanıtları ve CTA'ları kimin ziyaret ettiğine ve ne yaptığına göre değiştirir | İsteğe bağlı; B2B kişiselleştirmenin çoğu açık kurallarla, bazen de otomatik varyant seçimiyle çalışır |
Bir tedarikçi "yapay zekâ destekli" diyorsa, bunun bu üçünden hangisi için geçerli olduğunu ve modelin neyle eğitildiğini sorun. Kendi kazanılmış anlaşma verilerinizle eğitilmiş bir puanlama modeli, bir sağlayıcının tüm müşterileri genelinde hesapladığı genel bir "niyet puanından" farklı bir şeydir.
Ziyaretçi Tanımlama Nasıl Çalışır
Form tabanlı lead üretimi, insanların kendilerini tanıtmasını bekler. Ziyaretçi tanımlama ise diğer uçtan çalışır: kimse bir şey doldurmadan önce şirketin adını belirlemeye çalışır.
- IP çözümleme. Ziyaretçinin IP adresi, IP aralıklarını kuruluşlarla eşleştiren veritabanlarıyla karşılaştırılır. Kendi ağ aralıklarına sahip şirketler (ofisler, kurumsal ağ geçitlerinden çıkan VPN'ler) iyi eşleşir. Ev internetleri, mobil ağlar ve ortak çalışma alanlarının paylaşılan ağları ise kötü eşleşir ya da hiç eşleşmez; eşleşme oranlarının siteler arasında bu kadar farklı olmasının nedeni budur. Bunun üzerine bir plan yapmadan önce kendi eşleşme oranınızı ölçün.
- Firmografik zenginleştirme. Bir şirket adlandırıldığında, zenginleştirme sektör, çalışan aralığı, konum ve bazen teknoloji yığını ekler. Bu alanları tahmin olarak görün; gerçek hesaplar hakkında bildiklerinize karşı bir örneği kontrol edin.
- Sitedeki davranış. Görüntülenen sayfalar, ziyaret sayısı ve geri dönüş sıklığı şirkete bağlanır; böylece üç anonim oturum yerine "bu şirketten üç kişi bu hafta fiyatlandırma sayfasını okudu" bilgisini görürsünüz.
- CRM eşleştirme. Şirket CRM'inizdeki bir hesapla eşleşirse, ziyaret o hesabın sorumlusuna ve açık anlaşmalarına bağlanır. Bir temsilci, üzerinde çalıştığı bir hesabın güvenlik sayfasını iki kez açtığını görebilir.
Şirket düzeyinde tanımlama, kişi düzeyinde tanımlama değildir. Size hangi bireyi değil, hangi kuruluşu söyler ve satış ekibine de bu şekilde sunulmalıdır. Araçların karşılaştırması için web sitesi ziyaretçi tanımlama yazılımı rehberimize bakın.
Puanlama: Tanımlanmıştan Nitelikliye
Ziyaret eden şirketlerin listesi bir pipeline değildir. Hangilerinin ilgiyi hak ettiğine skorlama adımı karar verir. Model tabanlı skorlamayı işleyen bir pipeline'a nasıl dönüştüreceğinizi görmek için bu yapay zekâ ile lead skorlamaya pragmatik rehbere göz atın.
1. Profili kendi kazanımlarınıza dayandırın
Kazanılan son 50 ila 100 anlaşmanızı çıkarın ve sektöre, büyüklük aralığına, bölgeye ve ortak kullandıkları teknolojilere bakın. Bu sizin uyum profilinizdir ve puanlama modelinin daha önce varsaydığı her şeyin yerini almalıdır. İdeal müşteri profili oluşturma yazımız analizi adım adım anlatıyor. Birkaç düzineden az kazanılmış anlaşmanız varsa, makine öğrenimiyle eğitilmiş bir modelin öğrenecek çok az şeyi vardır; satışa açıklayabileceğiniz şeffaf bir puan modeli de o kadar iyi iş görür.
2. Bu kazanımlardan önceki davranışı bulun
Kazanılan hesapların, fırsatın oluşturulmasından önceki haftalardaki web etkinliğine bakın. B2B'de sıklıkla önemli olan sinyaller: fiyatlandırmaya tekrarlanan ziyaretler, ziyaretçinin kendi sektöründen vaka çalışmaları, karşılaştırma ve entegrasyon sayfaları, aynı hesaptan kısa bir süre içinde birkaç kişi. Bunları olduğu gibi benimsemek yerine kendi verilerinizle karşılaştırın; kazanımlarınızdan önce hiç görülmeyen bir sinyal ağırlık taşımamalıdır.
Makine öğreniminin değerini kanıtladığı yer burasıdır. Yeterli geçmiş veriyle bir model, uygunluk ve davranış kombinasyonlarını elle belirlenen puanlardan daha iyi tartabilir. Yeterli geçmiş veri yoksa gürültüye aşırı uyum sağlar; bu yüzden basit başlayın ve veriler desteklediğinde bir modele geçin.
3. Puanları eylemlere dönüştürün
Katmanları yalnızca puana göre değil, sonrasında ne olacağına göre tanımlayın:
- Hemen harekete geçin: ICP uyumu ve son aşama davranışı. Hesap sahibini aynı gün, görüntülenen sayfalarla birlikte uyarın.
- Isıtın: İyi uyum, erken aşama davranış. Web sitesi deneyimini ayarlayın ve onay aldığınız durumlarda besleme yapın.
- İzleyin: geri kalan her şey. Davranış toplamaya devam edin ve değiştiğinde yeniden değerlendirin.
Eşikleri, "hemen harekete geç" katmanı satış ekibinin her uyarıya gerçekten bakacağı kadar küçük olacak şekilde belirleyin. Yüksek niyetli hesapları puanlama ve web sitesi lead'lerini yönlendirme rehberlerimiz eşikleri ve yönlendirmeyi daha ayrıntılı ele alıyor.
Verileri Web Sitesinin Kendisinde Kullanmak
Tanımlama ve puanlama orada kimin olduğunu söyler. Kişiselleştirme bunu, gördüklerini değiştirmek için kullanır. Dikkat edilmesi gerekenlerle birlikte üç yaygın kullanım:
Tanımlanmış ancak bilinmeyen hesaplar: sektörle alakalı ilk izlenimler
Bir oturum bir sektörle ya da büyüklük aralığıyla eşleştiğinde, ana sayfa o segmente uygun bir başlık, kanıt ve kullanım senaryosu gösterebilir. Örnek: lojistik sektöründen bir ziyaretçi, genel bir logo duvarı yerine bir lojistik müşteri hikâyesi görür. Bu ancak o segment için gerçek kanıtlarınız varsa işe yarar; genel içeriğin önüne konmuş sektörel bir başlık, varsayılan içerikten daha kötüdür.
Bilinen hedef hesaplar: hesap düzeyinde deneyimler
Bir ABM programındaki veya açık bir anlaşması olan hesaplar için site, o ilişkiye bağlı içerik gösterebilir: kendi sektörlerinden kanıtlar, sordukları entegrasyon, genel bir demo formu yerine kendi satış temsilcilerine yönelik bir CTA. Ölçülü tutun. Şirket adını bir banner'da anmak gözetim gibi hissettirebilir; alakalı materyal göstermek genellikle öyle hissettirmez.
Geri dönen ziyaretçiler: Bir sonraki adımı eşleştirmek
İlk ziyaret: "Nasıl çalıştığını görün". Ürün sayfalarından sonraki tekrar ziyaret: "Paketleri karşılaştırın". Fiyatlandırmadan sonraki tekrar ziyaret: Takvimle birlikte "Bizimle görüşün". Belirli kurallar, onları test etmekten daha az önemlidir; her birini varsayılanı gören bir kontrol grubuna karşı ölçün. Kişiselleştirilmiş CTA'lar yazımız test tarafını anlatıyor.
Yığın, Parça Parça
- Tanımlama ve zenginleştirme: Şirketleri çözümler ve firmografik verileri ekler. Bu olmadan sonraki hiçbir katman kimin ziyaret ettiğini bilemez.
- Davranış takibi: şirket kaydıyla eşlenen analitik olaylarınız (sayfa kategorileri, ziyaretler, temel eylemler).
- Skorlama: ya sizin tanımladığınız puanlar ya da sonuçlarınız üzerinde eğitilmiş bir model. Kişiselleştirme aracınızda, CRM'inizde ya da ayrı bir hizmette yer alabilir.
- Kişiselleştirme: kuralları değerlendirir ve varyantları sunar. İstemci taraflı etiketlerle başlamak hızlıdır; sunucu taraflı veya edge üzerinden sunum, önemli sayfalarda titremeyi önler.
- Çift yönlü CRM senkronizasyonu: tanımlama ve puanlar hesap düzeyinde CRM'e; hesap durumu ve sorumlu kişi de web sitesine geri akar. Böylece site, örneğin mevcut bir müşteriye "demo talep edin" CTA'sı göstermez.
Parçalar yalnızca birlikte faydalıdır. Aksiyona dönüşmeyen tanımlama bir listeden ibarettir. Tanımlamaya dayanmayan kişiselleştirme tahmin yürütür. CRM'e hiç ulaşmayan puanlar satışa da hiç ulaşmaz.
İşe Yarayıp Yaramadığını Nasıl Anlarsınız?
| Soru | Metrik | Karşılaştırma |
|---|---|---|
| Doğru hesaplara ulaşıyor muyuz? | Tanımlanan trafiğin ICP'nizle eşleşen payı | Aydan aya |
| Puanlama herhangi bir şeyi ayırt ediyor mu? | Puan seviyesine göre fırsat oranı | Üst segment alt segmentleri açıkça geride bırakmalı; bırakmıyorsa model tahmin yapmıyor demektir |
| Satış ekibi uyarılara göre aksiyon alıyor mu? | Uyarıdan ilk temasa kadar geçen süre; temas edilen uyarıların oranı | Hedef yanıt sürenize karşı |
| Kişiselleştirme yardımcı oluyor mu? | Segmente göre dönüşüm, kişiselleştirilmiş ve kontrol grubu | Site ortalaması değil, aynı segmentten bir kontrol grubu |
| Maliyetine değer mi? | Bu modelden gelen, satışın kabul ettiği lead veya fırsat başına maliyet | Aynı tanımı kullanarak diğer kanallarınıza karşı |
Beklenmesi gereken bir yanlılık: Tanımlanan hesaplar daha büyük şirketlere doğru kayar, çünkü IP çözümlemenin en iyi işlediği ağlar bunlardır. Bu, anlaşma büyüklüklerinin modelin hak ettiğinden daha iyi görünmesine yol açabilir. Benzerleri benzerlerle karşılaştırın.
30 Günlük Plan
- 1. hafta: tanımlama, aksiyon yok. Tanımlamayı kurun, zenginleştirmeyi bağlayın ve hangi şirketlerin ziyaret ettiğini ve ne okuduğunu kaydedin. Eşleşme oranınızı ölçün ve doğruluğu bildiğiniz hesaplarla örneklem kontrolüyle doğrulayın.
- 2. hafta: ilk skorlama modeli. Yakın zamanda kazanılan anlaşmaları uygunluk ve fırsat öncesi davranış açısından analiz edin. Basit, kademeli bir model oluşturun ve "hemen harekete geç" tanımı konusunda satış ekibiyle anlaşın.
- 3. hafta: Tek bir kişiselleştirme. Tanımlanan trafiğinizdeki en yaygın ICP sektörünü veya büyüklük grubunu seçin ve ana sayfa başlığını ve kanıtı onun için kişiselleştirin. Bir kontrol grubu tutun.
- 4. hafta: satışı bağlayın. Hesap düzeyinde tanımlamayı ve seviyeleri CRM ile senkronize edin, en üst seviye için hesap sahibi uyarılarını açın ve satış temsilcilerine verilerin neyi gösterip neyi göstermediğini, bu verilere rahatsız edici görünmeden nasıl atıfta bulunacaklarını da anlatın ("Ekibinizin entegrasyonlara baktığını fark ettim" birçok alıcıya tuhaf gelecek bir cümledir; ilgili materyalle başlamak ise genellikle öyle değildir).
Dört haftanın sonunda altyapınız ve ilk testiniz hazır olur. Puanlama ancak birisi her ay kademe performansını gözden geçirip ayarlarsa iyileşir; kendi kendine iyileşmez.
Kaçınılması Gereken Hatalar
- Yalnızca uyuma göre puanlama. ICP'nizdeki büyük bir şirketin bir blog yazısı okuması onu sıcak bir lead yapmaz. Davranış, alıcıları göz gezdirenlerden genellikle firmografik verilerden daha iyi ayırır.
- Her şey için uyarı göndermek. Satış temsilcileri günde onlarca uyarı alırsa okumayı bırakır. Üst segmenti küçük tutun.
- Düşük güvenilirlikli verilerle kişiselleştirmek. Zenginleştirme sektörden emin değilse varsayılanı gösterin. Yanlış sektöre yönelik bir sayfa, genel bir sayfadan daha kötüdür.
- “Şirket verisi” olduğu için gizliliği çözülmüş saymak. Hedefiniz şirket düzeyinde olsa bile IP adresleri ve davranış takibi GDPR kapsamında kişisel veri olabilir. Gizlilik sorumlunuzu sürece dahil edin, çerezler ve takip için rıza tercihlerine saygı gösterin ve gizlilik bildiriminizi güncelleyin. B2B kişiselleştirme ve veri gizliliği yazımız ayrıntıları ele alıyor.
- Modelin kendi kendine işleyeceğini varsaymak. Müşteri tabanınız, ürününüz ve mesajlarınız değişir. Puanlamayı aylık, kişiselleştirme kurallarını üç aylık olarak gözden geçirin.
Markettailor'ın Yeri
Markettailor; şirket düzeyinde ziyaretçi tanımlama, firmografik zenginleştirme ve web sitesi kişiselleştirmesini bir araya getirir; böylece tanımlama verileri doğrudan segmentleri ve varyantları besler ve sonuçlar bir kontrol grubuyla karşılaştırılabilir. Hangi aracı kullanırsanız kullanın yukarıdaki sıra geçerlidir: kimin ziyaret ettiğini ölçün, kazanımlarınızdan önce ne olduğunu öğrenin, küçük ve yüksek niyetli bir segment üzerinde aksiyon alın ve sayfadaki her değişikliği bir kontrol grubuna karşı test edin.
