Phần lớn khách truy cập website B2B rời đi mà không điền form. Hãy kiểm tra số liệu của chính bạn: chia số form đã gửi cho số phiên trong quý trước, và phần lưu lượng không bao giờ tự giới thiệu thường chiếm phần lớn. Tạo lead bằng AI, hiểu theo nghĩa website, là tập hợp các kỹ thuật tác động lên nhóm đa số im lặng đó: xác định công ty nào đang truy cập, ước tính công ty nào đang trong chu kỳ mua hàng, và thay đổi những gì website hiển thị để nhiều người trong số họ thực hiện bước tiếp theo hơn.
“AI” đảm nhận khối lượng công việc khác nhau ở mỗi phần, và các nhà cung cấp dùng từ này khá tùy tiện. Bài viết này tách riêng từng phần, giải thích cách mỗi phần hoạt động và chỗ nó thất bại, và đưa ra kế hoạch 30 ngày để kết hợp chúng mà không xây dựng quá mức.
AI lead generation có ý nghĩa gì trên website
Nhãn này bao gồm chatbot, chấm điểm dự đoán, outreach tự động và nhiều thứ khác. Với một đội B2B tập trung vào website, ba phần sau là quan trọng:
| Thành phần | Chức năng | Nơi machine learning thực sự hữu ích |
|---|---|---|
| Nhận diện khách truy cập | Xác định công ty đứng sau các phiên ẩn danh qua dữ liệu IP và làm giàu dữ liệu | Chủ yếu là đối sánh dữ liệu, không phải ML; một số nhà cung cấp dùng mô hình để làm sạch và đối sánh bản ghi |
| Chấm điểm intent | Ước tính tài khoản nào có khả năng mua, dựa trên mức độ phù hợp và hành vi | Ứng dụng ML chính: học xem tổ hợp tín hiệu nào đã xuất hiện trước các thương vụ thành công trước đây |
| Tương tác được cá nhân hóa | Thay đổi tiêu đề, bằng chứng và CTA dựa trên ai đang truy cập và họ đã làm gì | Tùy chọn; phần lớn cá nhân hóa B2B chạy bằng quy tắc rõ ràng, đôi khi kèm chọn biến thể tự động |
Nếu nhà cung cấp nói “ứng dụng AI”, hãy hỏi nó áp dụng cho cái nào trong ba thứ này và mô hình được huấn luyện trên dữ liệu gì. Một mô hình chấm điểm huấn luyện trên chính dữ liệu closed-won của bạn khác hẳn một “điểm intent” chung chung mà nhà cung cấp tính trên toàn bộ khách hàng của họ.
Nhận diện khách truy cập hoạt động như thế nào
Tạo lead bằng form phải chờ mọi người tự giới thiệu. Nhận diện khách truy cập làm từ đầu ngược lại: cố gắng xác định tên công ty trước khi có ai điền bất cứ thứ gì.
- Xác định IP. Địa chỉ IP của khách truy cập được đối chiếu với cơ sở dữ liệu ánh xạ dải IP với tổ chức. Công ty có dải mạng riêng (văn phòng, VPN đi ra qua cổng doanh nghiệp) được xác định tốt. Mạng băng thông rộng gia đình, mạng di động và mạng coworking dùng chung được xác định kém hoặc không xác định được, đó là lý do tỷ lệ khớp chênh lệch nhiều giữa các website. Hãy đo tỷ lệ khớp của chính bạn trước khi lên kế hoạch dựa trên nó.
- Làm giàu dữ liệu firmographic. Khi đã có tên công ty, làm giàu dữ liệu bổ sung ngành, khoảng nhân sự, vị trí và đôi khi cả bộ công nghệ. Hãy xem các trường này là ước tính; kiểm tra ngẫu nhiên một mẫu với những gì bạn biết về các tài khoản thật.
- Hành vi trên website. Các trang đã xem, số lượt truy cập và tần suất quay lại được gắn với công ty, nên bạn thấy “ba người từ công ty này đã đọc trang bảng giá tuần này” thay vì ba phiên ẩn danh.
- Đối chiếu CRM. Nếu công ty khớp với một tài khoản trong CRM, lượt truy cập được liên kết với người phụ trách và các thương vụ đang mở. Nhân viên sales có thể thấy một tài khoản họ đang làm việc đã mở trang bảo mật hai lần.
Nhận diện cấp công ty không phải nhận diện cấp cá nhân. Nó cho bạn biết tổ chức nào chứ không phải cá nhân nào, và nên được trình bày như vậy với đội bán hàng. Để so sánh các công cụ, hãy xem hướng dẫn về phần mềm nhận diện khách truy cập website của chúng tôi.
Chấm điểm: Từ được nhận diện đến đủ điều kiện
Danh sách công ty truy cập chưa phải là pipeline. Bước chấm điểm quyết định công ty nào đáng được chú ý. Để biết cách đưa chấm điểm dựa trên mô hình vào một pipeline thực tế, xem hướng dẫn thực tế về chấm điểm lead bằng AI này.
1. Xây dựng hồ sơ dựa trên các thương vụ bạn đã thắng
Lấy 50 đến 100 hợp đồng chốt thành công gần nhất và xem ngành, nhóm quy mô, khu vực và công nghệ chung nào đó. Đó là hồ sơ phù hợp của bạn, và nó nên thay thế mọi giả định trước đây của mô hình chấm điểm. Bài viết về xây dựng hồ sơ khách hàng lý tưởng hướng dẫn cách phân tích. Nếu bạn có ít hơn vài chục thương vụ thắng, mô hình học máy gần như không có gì để học; một mô hình điểm minh bạch mà bạn giải thích được cho sales sẽ hiệu quả không kém.
2. Tìm hành vi diễn ra trước các thương vụ thắng
Xem hoạt động web của các tài khoản đã chốt thành công trong những tuần trước khi cơ hội được tạo. Các tín hiệu thường quan trọng trong B2B: truy cập lặp lại trang bảng giá, case study trong chính ngành của khách truy cập, trang so sánh và tích hợp, nhiều người từ cùng một tài khoản trong thời gian ngắn. Hãy đối chiếu với dữ liệu của bạn thay vì áp dụng nguyên xi; một tín hiệu chưa bao giờ xuất hiện trước các thương vụ thành công thì không nên có trọng số.
Đây là nơi machine learning chứng minh giá trị. Với đủ dữ liệu lịch sử, mô hình có thể cân nhắc các tổ hợp mức phù hợp và hành vi tốt hơn so với điểm số đặt thủ công. Không đủ dữ liệu lịch sử, mô hình sẽ khớp quá mức với nhiễu, nên hãy bắt đầu đơn giản và chuyển sang mô hình khi dữ liệu cho phép.
3. Biến điểm số thành hành động
Xác định các bậc theo hành động tiếp theo, không chỉ theo điểm số:
- Hành động ngay: phù hợp ICP cộng hành vi giai đoạn cuối. Cảnh báo người phụ trách tài khoản ngay trong ngày, kèm các trang đã xem.
- Hâm nóng: phù hợp tốt, hành vi ở giai đoạn sớm. Điều chỉnh trải nghiệm website và, khi có sự đồng ý, nuôi dưỡng.
- Theo dõi: mọi thứ còn lại. Tiếp tục thu thập hành vi và đánh giá lại khi có thay đổi.
Đặt ngưỡng sao cho hạng “hành động ngay” đủ nhỏ để sales thực sự xem từng cảnh báo. Các hướng dẫn của chúng tôi về chấm điểm tài khoản có ý định cao và phân bổ lead từ website trình bày chi tiết hơn về ngưỡng và cách phân bổ.
Sử dụng dữ liệu ngay trên website
Nhận diện và chấm điểm cho bạn biết ai đang ở đó. Cá nhân hóa dùng điều đó để thay đổi những gì họ nhìn thấy. Ba cách dùng phổ biến, kèm những điều cần lưu ý:
Tài khoản được nhận diện nhưng chưa biết: ấn tượng đầu tiên phù hợp với ngành
Khi một phiên được xác định thuộc một ngành hoặc nhóm quy mô, trang chủ có thể hiển thị tiêu đề, bằng chứng và trường hợp sử dụng cho phân khúc đó. Ví dụ: khách truy cập ngành logistics thấy câu chuyện khách hàng logistics thay vì một dải logo chung chung. Cách này chỉ hiệu quả nếu bạn có bằng chứng thực cho phân khúc đó; một tiêu đề theo ngành đặt trước nội dung chung chung còn tệ hơn phiên bản mặc định.
Tài khoản mục tiêu đã biết: trải nghiệm cấp tài khoản
Với tài khoản trong chương trình ABM hoặc có thương vụ đang mở, website có thể hiển thị nội dung gắn với mối quan hệ đó: bằng chứng từ ngành của họ, tích hợp họ đã hỏi, CTA dẫn đến account executive của họ thay vì form demo chung. Hãy giữ chừng mực. Gọi tên công ty trên banner có thể gây cảm giác bị theo dõi; hiển thị tài liệu phù hợp thường thì không.
Khách quay lại: khớp với bước tiếp theo
Lần truy cập đầu: “Xem cách hoạt động”. Quay lại sau khi xem trang sản phẩm: “So sánh các gói”. Quay lại sau khi xem bảng giá: “Trao đổi với chúng tôi” kèm lịch hẹn. Bản thân các quy tắc cụ thể ít quan trọng hơn việc test chúng; hãy đo từng quy tắc so với nhóm giữ lại thấy phiên bản mặc định. Bài viết về CTA được cá nhân hóa của chúng tôi trình bày phần testing.
Stack, từng thành phần
- Nhận diện và làm giàu dữ liệu: xác định công ty và bổ sung firmographic. Thiếu nó, không bộ phận nào phía sau biết ai đang truy cập.
- Theo dõi hành vi: các sự kiện analytics của bạn (nhóm trang, lượt truy cập, hành động chính), được ánh xạ vào bản ghi công ty.
- Chấm điểm: hoặc điểm số do bạn định nghĩa, hoặc một mô hình được huấn luyện trên kết quả của bạn. Có thể đặt trong công cụ cá nhân hóa, CRM hoặc một dịch vụ riêng.
- Cá nhân hóa: đánh giá quy tắc và phục vụ các phiên bản. Thẻ phía trình duyệt nhanh để bắt đầu; phân phối phía máy chủ hoặc ở edge tránh được hiện tượng nhấp nháy trên các trang quan trọng.
- Đồng bộ CRM hai chiều: nhận diện và điểm số đi vào CRM ở cấp tài khoản; trạng thái tài khoản và người phụ trách quay về website để, ví dụ, website không hiển thị CTA "đặt lịch demo" cho khách hàng hiện tại.
Các thành phần chỉ hữu ích khi đi cùng nhau. Nhận diện mà không hành động chỉ là một danh sách. Cá nhân hóa mà không nhận diện là phỏng đoán. Điểm số không bao giờ vào CRM thì không bao giờ đến tay sales.
Làm sao biết nó có hiệu quả không
| Câu hỏi | Chỉ số | So sánh |
|---|---|---|
| Chúng ta có đang tiếp cận đúng tài khoản không? | Tỷ lệ traffic được nhận diện khớp với ICP | So với tháng trước |
| Điểm số có phân tách được gì không? | Tỷ lệ cơ hội theo cấp điểm | Tier cao nhất phải vượt rõ các tier thấp hơn; nếu không, mô hình đang không dự đoán được gì |
| Sales có hành động dựa trên cảnh báo không? | Thời gian từ cảnh báo đến lần tiếp cận đầu tiên; tỷ lệ cảnh báo được xử lý | So với thời gian phản hồi mục tiêu của bạn |
| Cá nhân hóa có giúp ích không? | Chuyển đổi theo phân khúc, nhóm cá nhân hóa so với nhóm đối chứng | Nhóm đối chứng từ cùng phân khúc, không phải trung bình toàn website |
| Có đáng chi phí không? | Chi phí cho mỗi lead được sales chấp nhận hoặc mỗi cơ hội từ hoạt động này | So với các kênh khác của bạn, dùng cùng một định nghĩa |
Một thiên lệch cần lường trước: các tài khoản được nhận diện nghiêng về công ty lớn, vì đó là những mạng mà phân giải IP xử lý tốt nhất. Điều đó có thể khiến quy mô thương vụ trông tốt hơn thực tế. Hãy so sánh những thứ tương đương nhau.
Kế hoạch 30 ngày
- Tuần 1: nhận diện, chưa hành động. Cài đặt nhận diện, kết nối làm giàu dữ liệu và ghi lại công ty nào truy cập và họ đọc gì. Đo tỷ lệ khớp và kiểm tra ngẫu nhiên độ chính xác với những tài khoản bạn đã biết.
- Tuần 2: mô hình chấm điểm đầu tiên. Phân tích các thương vụ thành công gần đây về mức độ phù hợp và hành vi trước khi có cơ hội. Xây dựng một mô hình phân cấp đơn giản và thống nhất định nghĩa “hành động ngay” với sales.
- Tuần 3: một trải nghiệm cá nhân hóa. Chọn ngành hoặc nhóm quy mô ICP phổ biến nhất trong lưu lượng đã nhận diện và cá nhân hóa tiêu đề trang chủ cùng bằng chứng cho nhóm đó. Giữ một nhóm giữ lại.
- Tuần 4: kết nối sales. Đồng bộ dữ liệu nhận diện cấp tài khoản và các cấp ưu tiên sang CRM, bật cảnh báo cho người phụ trách với cấp cao nhất, và hướng dẫn sales về những gì dữ liệu cho thấy và không cho thấy, bao gồm cách nhắc đến nó mà không gây cảm giác xâm phạm (“Tôi thấy đội của anh/chị đang tìm hiểu về tích hợp” là câu mà nhiều người mua sẽ thấy kỳ lạ; mở đầu bằng tài liệu liên quan thì thường không).
Sau bốn tuần, bạn có hạ tầng và thử nghiệm đầu tiên. Cách chấm điểm chỉ tốt lên nếu có người rà soát hiệu quả từng tier mỗi tháng và điều chỉnh; nó không tự cải thiện.
Những sai lầm cần tránh
- Chỉ chấm điểm theo mức độ phù hợp. Một công ty lớn trong ICP đọc một bài blog không phải là lead nóng. Hành vi thường phân biệt người mua với người xem lướt tốt hơn đặc điểm doanh nghiệp.
- Cảnh báo cho mọi thứ. Nếu nhân viên bán hàng nhận hàng chục cảnh báo mỗi ngày, họ sẽ ngừng đọc. Hãy giữ tier cao nhất ở quy mô nhỏ.
- Cá nhân hóa dựa trên dữ liệu độ tin cậy thấp. Nếu dữ liệu làm giàu không chắc chắn về ngành, hãy hiển thị phiên bản mặc định. Một trang sai ngành còn tệ hơn trang chung chung.
- Coi quyền riêng tư là đã xong vì đó là “dữ liệu công ty”. Địa chỉ IP và theo dõi hành vi có thể là dữ liệu cá nhân theo GDPR, ngay cả khi mục tiêu của bạn là cấp công ty. Hãy mời người phụ trách quyền riêng tư tham gia, tôn trọng lựa chọn đồng ý về cookie và theo dõi, và cập nhật thông báo quyền riêng tư. Bài viết về cá nhân hóa B2B và quyền riêng tư dữ liệu trình bày chi tiết.
- Cho rằng mô hình tự duy trì. Tệp khách hàng, sản phẩm và thông điệp của bạn thay đổi. Hãy rà soát cách chấm điểm hàng tháng và quy tắc cá nhân hóa hàng quý.
Markettailor nằm ở đâu
Markettailor kết hợp nhận diện khách truy cập cấp công ty, làm giàu dữ liệu firmographic và cá nhân hóa website, nên dữ liệu nhận diện đi thẳng vào phân khúc và biến thể, và kết quả có thể được so sánh với nhóm đối chứng. Dù bạn dùng công cụ nào, thứ tự trên vẫn đúng: đo lường ai truy cập, tìm hiểu điều gì xảy ra trước các thương vụ thắng, hành động với một tier nhỏ có ý định cao, và thử nghiệm mọi thay đổi trên trang so với nhóm đối chứng.
