Будущее маркетинга здесь: прогнозный анализ

Прогнозирующий интеллект может звучать как футуристический инструмент из научно-фантастического фильма. Но сегодняшние маркетологи используют эту технологию, чтобы предоставлять то, чего хотят их клиенты, еще до того, как они узнают, что они этого хотят.

Инструменты прогнозной аналитики помогают таким компаниям, как Room & Board, продавец мебели, повысить свою прибыль и более эффективно обращаться к клиентам. Они внедрили технологию Salesforce Marketing Cloud, которая анализирует данные о трафике клиентов и прогнозную аналитику, чтобы предлагать клиентам дополнительные покупки в режиме реального времени. Результатом стала невероятная рентабельность инвестиций в 2900%.

Конечно, не многие предприятия добьются такого же успеха, как Room & Board. Но технология эволюционировала настолько, что маркетологи не могут игнорировать некоторые новые открытия - например, систему, которая предлагает рекомендации, основанные на моделях трафика клиентов.

Предоставление клиентам персонализированного опыта продолжает доказывать положительную рентабельность инвестиций. Если вы не знакомы с этой концепцией, вы должны знать, что такое прогнозный интеллект и какие инструменты доступны.

Что такое предиктивный интеллект?

Иногда его называют предиктивной аналитикой, предиктивная аналитика - это метод создания клиентского опыта, уникального для одного конкретного человека, путем мониторинга поведения клиентов и построения профиля их конкретных предпочтений. Эти данные профиля затем используются для прогнозирования того, что клиенты захотят в следующий раз.

Например, предположим, что онлайн-покупатель только что купил телевизор с плоским экраном. Эти новые интеллектуальные инструменты будут обнаруживать покупку и отправлять покупателю электронное письмо в режиме реального времени с предложением кофейного столика или подставки под телевизор. Это избавляет людей от необходимости вручную рассматривать каждый аспект профиля клиента и делает маркетинг более эффективным.

Как это меняет маркетинг B2B

Маркетологи подсчитывали количество потенциальных клиентов вручную, чтобы определить, на каком этапе пути к покупке находятся потенциальные клиенты. Ручная оценка интересов происходит, когда маркетологи присваивают определенным лидам оценку или числовое значение на основе их анализа. Например, если маркетолог замечает закономерность, при которой лиды, которые смотрят демонстрацию продукта, конвертируются с большей скоростью, тем, кто наблюдает за демонстрацией, может быть поставлена ​​оценка «A», а лидерам, которые не смотрели демонстрацию, может быть поставлена ​​оценка «B».

И наоборот, прогнозный подсчет потенциальных клиентов использует поведение потенциального клиента и его прошлую историю покупок, чтобы определить, что они ищут и хотят ли они вообще покупать. Для прогнозирования оценки потенциальных клиентов используются большие данные, которые определяют, какие лиды с наибольшей вероятностью конвертируются, поэтому продавцы могут сосредоточиться на тех лидах, которые принесут компании наибольшую ценность.

Lattice Engines и Mintigo - две компании, которые предоставляют услуги облачной аналитики B2B, такие как прогнозирование лидов. Lattice Engines выполняет поиск в социальных сетях, общедоступных базах данных и веб-страницах и объединяет эту информацию с внутренними данными о клиентах, чтобы помочь предприятиям найти оптимальные перспективы продаж. DocuSign использовала компанию Lattice Engines, занимающуюся прогнозированием потенциальных клиентов, чтобы найти потенциальных клиентов, которые с наибольшей вероятностью будут конвертированы. В результате предсказуемость конверсии выросла на 38%.

Mintigo использует искусственный интеллект для поддержки своей платформы прогнозного маркетинга, непрерывно собирая такую ​​информацию, как тенденции найма, используемые маркетинговые каналы и установленные технологии. Затем они используют эти данные, чтобы определить, какие лиды B2B имеют наибольшую ценность. Затем он сочетается с платформой автоматизации внутреннего маркетинга компании, чтобы определить, на чем отделам продаж следует сосредоточить свои ресурсы.

Очевидно, что прогнозный интеллект помогает маркетологам лучше понимать поведение клиентов. Вот несколько инструментов, которые маркетологи используют, чтобы стать более эффективными:

Машинное обучение

В исследовании Forrester Consulting, проведенном в 2014 году, у 121 респондента были опрошены три основные проблемы, с которыми они сталкиваются. Перечисленные под номерами 3 и 4 соответственно, анализировали потоки данных от каждого взаимодействия с клиентами и применяли эти идеи для улучшения качества обслуживания клиентов:

По мере того, как большие данные продолжают развиваться, маркетологи работают со все более большими потоками данных, которыми может быть сложно управлять людьми. Машинное обучение - решение этой проблемы. Машинное обучение - это процесс, при котором системы просматривают большие наборы данных в поисках закономерностей, а затем корректируют свою программу на основе новой информации.

Staples использует машинное обучение для сбора информации о предпочтениях своих корпоративных покупателей несколькими различными способами: с помощью покупателей самообслуживания через свой веб-сайт и с помощью Easy Button, когда люди говорят в него. И то, и другое помогает Staples лучше прогнозировать их покупательские потребности. По мере того, как покупатели говорят в кнопку с течением времени, бот определяет, что нужно покупателю, и улучшает свои ответы.

Искусственный интеллект

Одна из самых больших проблем маркетологов заключается в том, что им не всегда предоставляются данные, дающие им полную картину. Искусственный интеллект может находить новые источники данных в Интернете, такие как новости, обновления в социальных сетях и базы данных. Все эти дополнительные данные помогают маркетологам находить более качественных потенциальных клиентов и лучше персонализировать контент для своих потенциальных клиентов.

Искусственный интеллект также является мощным инструментом персонализации. AI может адаптировать электронные письма специально к предпочтениям ваших клиентов, используя их историю покупок и профиль потребителя. Этот инструмент настолько мощный, что опрос Demandbase показал, что 80% маркетологов считают, что искусственный интеллект произведет революцию в маркетинговой индустрии в течение следующих 5 лет:

Хотя маркетологи твердо верят в силу искусственного интеллекта, они еще не совсем уверены, как его реализовать. Только 26% маркетологов, опрошенных Demandbase, заявили, что очень уверенно разбираются в ИИ. Представьте, что у вас на подъездной дорожке стоит спортивный автомобиль, но вы не понимаете, как им управлять. Это та стадия, на которой в настоящее время находятся многие маркетологи с искусственным интеллектом.

Если маркетологи хотят эффективно использовать машинное обучение, искусственный интеллект и другие инструменты, им важно знать, какие тенденции на горизонте. Вот три тенденции, которые приводят к изменениям в маркетинге B2B.

80% маркетологов считают, что искусственный интеллект произведет революцию в маркетинговой индустрии в течение следующих 5 лет.

Нажмите, чтобы твитнуть

3 Тенденции прогнозного интеллекта

Исследования показали, что прогнозный интеллект повышает вовлеченность сотрудников и увеличивает жизненную ценность клиентов. Исследование, проведенное Aberdeen Group в 2016 году, показало, что прогнозная аналитика может увеличить среднюю маржу прибыли на одного клиента почти на 5%, а общую ценность клиента на 10% по сравнению с непользователями:

Поскольку все больше предприятий вкладывают средства в интеллектуальный анализ, важно знать, чего ожидать в следующие несколько лет.

Рост чат-ботов

Чат-боты все чаще используют машинное обучение, чтобы со временем становиться умнее и лучше отвечать клиентам. Клиенты могут получить ответы на свои вопросы о продукте или услуге, не просматривая страницу часто задаваемых вопросов или не делая длительных телефонных звонков.

Чат-боты стали важным инструментом для предприятий, стремящихся автоматизировать больше процессов и обеспечить максимальное удобство для пользователей. Только за первые 6 месяцев 2016 года в чат-ботов было вложено 58 миллионов долларов. Кроме того, Gartner прогнозирует, что к 2020 году клиенты вряд ли будут даже взаимодействовать с предприятием на человеческом уровне:

Технология, несомненно, станет зрелой, и вопросы, задаваемые клиентами, скорее всего, будут добавлены в их потребительские профили, чтобы сформировать лучшую картину того, где они находятся на пути к покупке и какие услуги они могут купить.

Интеллектуальные приложения

Машинное обучение - это не только инструмент, который могут себе позволить технологические гиганты вроде Facebook. Интеллектуальные приложения станут популярными раньше, чем вы думаете. Вскоре большинство компаний будут использовать приложения, которые быстро анализируют большие объемы данных и изменяют свои программы на основе новой информации. И если вы в это не верите, поверьте: в 2016 году TechCrunch узнал, что 90% стартапов, с которыми они встречались, планировали использовать машинное обучение для улучшения качества обслуживания клиентов.

Также будет расти рынок алгоритмов, поддерживающих интеллектуальные приложения. Алгоритмия - один из таких рынков. Mashape - еще одна торговая площадка для API, которые разработчики используют для создания интеллектуальных приложений. Маркетологи будут все больше полагаться на алгоритмы для запуска интеллектуальных приложений, которые предоставляют персонализированные решения для их клиентов.

Торговые площадки важны, потому что они уменьшают трение в процессе покупки и продажи. Благодаря более простому процессу покупки это означает более быстрое внедрение интеллектуальных приложений и API-интерфейсов, которые их поддерживают.

Большие данные видят рост инвестиций

Опрос DNV GL - Business Assurance показал, что 76% всех организаций стремятся увеличить или сохранить свои инвестиции в большие данные в период до 2019 года. Опрос также показал, что большинство предприятий во всем мире рассматривают большие данные как возможность. Компании, которые вкладывают больше средств в большие данные, видят повышение эффективности и принятия решений, а предприятия также используют большие данные как способ сбора и хранения важной информации о своих клиентах:

С новым акцентом на машинное обучение и искусственный интеллект, данные, обеспечивающие эти процессы, должны откуда-то поступать. Большие данные предоставляют этим инструментам информацию, необходимую для создания более полной картины для маркетологов. Без больших объемов данных прогнозный интеллект может привести к неверным выводам и направить маркетологов в неверном направлении. Вот почему большие данные необходимо культивировать вместе с инструментами прогнозирования.

Примеры прогнозной клиентской аналитики

Компании все чаще используют предиктивную аналитику. Но это не просто техника на будущее. Прямо сейчас компании используют инструменты прогнозирования, чтобы улучшить свою прибыль и стать более эффективными.

InsideView

InsideView - это маркетинговая и торговая компания, которой требовался более эффективный способ определения того, какие потенциальные клиенты стоит искать. В то время у InsideView было всего два торговых представителя, и определение того, какие входящие потенциальные клиенты имеют наивысший приоритет, было длительным 18-дневным процессом , и компания хотела резко сократить это число.

Затем они обратились к решению для прогнозной аналитики SalesPredict, чтобы получить интеллектуальную информацию о подсчете лидов. Решение использовало тысячи сигналов, чтобы получить представление о намерении клиента о покупке. Прогнозная аналитика позволила InsideView создать оценку для каждого интереса, которая была включена в существующую автоматизацию маркетинга компании.

Результат? Процесс квалификации потенциальных клиентов InsideView был сокращен до 2 дней. Кроме того, их коэффициент конверсии увеличился на 25%, и компания продемонстрировала 100% -ный рост своих квалифицированных продаж.

Сотовая связь в США

US Cellular хотела узнать, какие оптимизации веб-сайтов они могут применить для увеличения доходов и насколько эффективно каждое из этих действий. Они наняли Cardinal Path, чтобы выполнить анализ намерения покупки (форма прогнозной аналитики), чтобы определить, какие действия на веб-сайте наиболее предсказуемы для будущих покупок.

Существовало мнение, что потенциальные клиенты, которые использовали функцию добавления в корзину или поиска магазинов на веб-сайте компании, были более ценными потенциальными клиентами. Cardinal Path обнаружила, что потенциальные клиенты, которые использовали функцию «Чат сейчас» или «Предложения» в US Cellular, с большей вероятностью совершат будущую покупку, чем потенциальные клиенты, использовавшие поиск магазинов. US Cellular использовала эти данные, чтобы сосредоточиться на более квалифицированных потенциальных клиентах, что привело к увеличению пожизненной ценности клиентов на 61%.

Какой технологией вы воспользуетесь?

Технологии прогнозной бизнес-аналитики, такие как машинное обучение и искусственный интеллект, больше не являются чужеродными концепциями, которые вы можете игнорировать. Они здесь, чтобы остаться и изменить цифровой маркетинг, каким мы его знаем. Оба позволяют маркетологам создавать персонализированные решения для клиентов, а отслеживание соответствующих тенденций может помочь вашему бизнесу стать более эффективным в будущем.

Начните персонализировать работу с целевой страницей после щелчка мышью вашего клиента, подпишитесь на демонстрацию Instapage Enterprise сегодня.