Как правило, именно маркетологи, работающие в B2C-секторе, первыми предпринимают шаги для улучшения опыта своих клиентов, опираясь на возможности персонализации и ту информацию, что может предоставить им собранная база данных. В последние годы такие интернет-сервисы, как Amazon и Netflix, обзавелись рекомендательным функционалом, помогающим клиентам в режиме реального времени подобрать что-то соответствующее их интересам и опыту использования сервиса.
Динамическое изменение путешествия покупателя создает так называемый «segment one»-опыт (сегмент одного — подход в маркетинге, при котором целевая аудитория делится на сегменты, каждый из которых состоит только из одного человека), являющийся более интересным и убедительным. Согласно недавно проведенному агентством Evergage исследованию под названием «Реальное время для всех нас» (Real-Time for the Rest of Us), среди основных преимуществ такого подхода можно назвать:
- увеличившийся уровень вовлечения клиента (81%);
- улучшение клиентского опыта (73%);
- увеличение коэффициент конверсии (59%);
- улучшение восприятия бренда (52%).
Однако возникает ряд проблем при адаптации этой модели к B2B-отрасли, а именно:
- Небольшой трафик. Как вы понимаете, сайты таких компаний посещает на порядок меньше людей, чем сайты фирм, работающих на потребительском рынке. Чтобы рекомендации были статистически значимыми, большинству алгоритмов требуется более плотный трафик.
- Длинный цикл продажи. На потребительском рынке сделка совершается в течение нескольких минут. B2B-продажа может продолжаться несколько месяцев, год, а то и дольше.
- Групповое поведение. B2B-покупка не совершится, пока все стороны не придут к общему соглашению. Текущие рекомендательные системы заточены под отдельных людей.
Вопрос, который стоит перед B2B-маркетологами в настоящее время, звучит так: как обеспечить данный уровень потребительской персонализации в B2B-контексте с меньшим объемом данных? Ответ: с помощью маркетингового подхода под названием «next-best-action».
В рамках данного подхода опыт каждого покупателя не является заранее спланированным, определенным. Вместо этого он непрерывно адаптируется к контексту и эмпирическим результатам. На каждом шаге алгоритм учитывает различные действия, которые могут быть совершены конкретным покупателем, и рекомендует лучший. Цель заключается в оптимизации и показателя конверсии, и пожизненной ценности клиента. Но как это сделать?
Многорукий бандит
Ключом к реализации озвученного выше подхода является концепт многорукого бандита. Этот термин является отсылкой к проблеме вероятности в отношении игровых автоматов (также известным, как однорукие бандиты). Представьте себе игрока в казино со множеством разных игровых автоматов. Чтобы максимизировать свой выигрыш, он должен выяснить, играя в какой автомат у него будет возможность выручить больше денег.
Исследование и эксплуатация
Определить нужного «бандита» можно будет только после того, как будет собран достаточный объем информации об автоматах. Поэтому первый этап — разведывательный: игрок начинает играть на автоматах в случайном порядке. Главная задача: сбор данных. Затем, когда игрок начинает понимать, что работает, а что — нет, он постепенно переходит от этапа исследования к этапу эксплуатации, тратя все больше времени на тот автомат, игра на котором приносит больший выигрыш. При этом важно не прекращать игру и на других автоматах, поскольку нельзя быть на 100% уверенным, что другие не дадут больше денег.
Концепт многорукого бандита используется в таких знакомых вам процессах, как сплит-тестирование, размещение рекламы, формирование новостной ленты. В случае B2B-маркетинга существует необходимость оптимизации следующего лучшего действия. Маркетологи располагают целым каталогом возможных действий, из которых им и требуется выбрать только одно и предложить его посетителю (это действие и играет роль того самого игрового автомата). Этим действием может быть предложение на сайте скачать какой-либо контент, отправить email и т.д. Однако, поскольку B2B-маркетологи не располагают большим объемом данных, информации, чтобы корректно выполнить фазу «исследования-эксплуатации», будет недостаточно, если будет задействован изложенный выше концепт многорукого бандита. Но можно воспользоваться другой информацией, которая и поможет решить проблему.
Виртуальный помощник по маркетингу
В YesPath (SaaS-платформе для адаптивного маркетинга) был разработан набор алгоритмов машинного обучения, который, опираясь на имеющийся контекст (предварительное загруженное знание), мог выбрать лучший next-best-action. Эти алгоритмы и составили ядро виртуального помощника, который получил название YesPath Virtual Assistant. Использование контекста позволяет ассистенту принимать решение в условиях недостаточного объема данных о поведении пользователей. Этот контекст уникален тем, что учитывает особенности, характерные для процесса B2B-продажи:
- такие атрибуты учета, как отрасль, размер компании, уровень дохода и местоположение;
- атрибуты персоны: роль, стаж, должность;
- тематические интересы;
- стадии возможности — разные действия дают разные результат на разных стадиях.
Ассистент ограничен бюджетом. При выборе действия он принимает во внимание и стоимость этого действия. К примеру, там может быть ограниченное число мест для представительского ужина или бесплатных iWatch.
Стадия сделки имеет большое значение в процессе продажи. На более ранних этапах этого процесса ассистент обладает большей свободой в выборе таких действий. По мере продвижения по воронке продаж риски растут, так что помощник будет переключаться на внесение предложений о действиях, которые должен будет совершить менеджер по продажам. К тому времени, когда возможность совершить продажу достигнет финальных стадий, менеджер будет понимать, можно ли выполнить рекомендацию ассистента.
Выгоды
Чтобы стать ценным помощником, YesPath должен понимать бизнес-цели. Поэтому в ассистент и была установлена система выгод. В B2B очевидная выгода — это заключенная сделка, но процесс ее заключения может продлиться до 12 месяцев и более. Следует учитывать также продления и апсейлы. Поэтому в качестве выгоды ассистент также учитывает и прогресс сделки. Даже если этот прогресс незначителен.
Вот почему была разработана система учета вовлеченности, которая помогает измерить то, насколько конкретный контакт (и все остальные в этой учетной записи) вовлечен после совершения действия. К примеру, можно представить, что просмотр веб-страницы будет равен одному баллу, а посещение вебинара — 10. Помощник должен свести друг с другом краткосрочное участие с долгосрочной выгодой, чтобы максимизировать пожизненную ценность клиента. Хорошо, если в вебинаре принимают участие много посетителей, но лишь в том случае, если кто-то из них продемонстрирует возможность прогресса (дальнейшего продвижения по воронке продаж).
Обучение 24/7
Ассистенту не требуется сон, и он не уходит в отпуск, и это важно, поскольку в B2B-маркетинге контент производится постоянно: проводятся вебинары, уроки, конференции и т. д. Распространенная проблема с текущими рекомендательными системами — это истощение. На старте новый контент не имеет ни лайков, ни просмотров, поэтому он не может быть использован. Помощник будет разумно исследовать контекст использования новых действий для оценки выгод, прежде чем начнет их использовать.
Важно и то, что эта рекомендательная платформа легко кастомизируется. Вы можете кастомизировать YesPath по контексту, действиям и политике поощрений. К примеру, компания, продающая программное обеспечение базы данных, будет больше полагаться на отраслевой признак, потому что они хотят выделить конкретные варианты использования в этой отрасли.
Данный подход позволит решить проблему ограниченности контекста бандита применительно к процессу B2B-продаж. Это позволит выбирать наиболее выгодное следующее действие и предоставлять уникальный и привлекательный опыт для каждого контакта. В YesPath верят, что маркетологи добиваются успеха тогда, когда предоставляют по-настоящему релевантный опыт. Ранее это было довольно трудно реализовать в более крупных масштабах, но с помощью виртуальных ассистентов это становится возможным уже сегодня.
Высоких вам конверсий!
По материалам: hackernoon.com Источник картинки: Book'em
