[B2B Edition]{class="badge informative"}
Voorspelende lead- en accountscoring in Real-Time CDP B2B
B2B-marketers staan voor meerdere uitdagingen boven aan de marketingtrechter. Om doeltreffend te zijn, hebben B2B-marketers een geautomatiseerde manier nodig om het grote aantal mensen te kwalificeren, zodat zij zich kunnen richten op de doelstellingen met hoge waarde. De kwalificatie moet worden afgestemd op het uiteindelijke verkoopresultaat, en niet alleen op de marketingconversie.
Rekeningen, zijn de uiteindelijke entiteiten die B2B producten en de diensten kopen. Om effectief te kunnen verkopen en verkopen, moeten B2B-marketers niet alleen weten hoe groot de kans is dat de persoon, maar ook de account, het product kan kopen.
Op rekening gebaseerde marketing, in het bijzonder, strategische rekeningen als marketingdoelstellingen. De neiging-aan-koele scores van de rekening helpen de B2B marktpartijen zeer om voorrang onder de rekeningen te geven om hun rendement op investering te maximaliseren.
De voorspellende lood en de rekening die dienst de bovengenoemde uitdagingen door te leren van en voor de de omzettingsgebeurtenissen van het opportuniteitsstadium te voorspellen, en persoonactiviteiten op rekeningsniveau te groeperen om de rekeningsscores te produceren. De scores zijn gemakkelijk beschikbaar als aangepaste velden voor persoonlijke profielen en accountprofielen en kunnen eenvoudig worden opgenomen als segmentcriteria om uw publiek te verfijnen. De belangrijkste invloedrijke factoren zijn ook beschikbaar op zowel het geaggregeerde als het eenheidspeil om B2B-marketers te helpen beter te begrijpen welke elementen de scores hebben bepaald.
Werken met voorspellende lead en accountscoring how-it-works
De voorspellende Lood en het Scoren van de Rekening gebruikt een boom-gebaseerde (willekeurige bos/gradiënt het bevorderen) machine het leren methode om het voorspellende lood te bouwen die model scoren.
De beheerders hebben de capaciteit om veelvoudige profiel te vormen die doelstellingen scoring, ook als modellen worden bedoeld, voor elke gevormde omzettingsgebeurtenis, die voor afzonderlijke scores toestaat om voor elk gevormd doel worden geproduceerd.
De voorspellende lood en de rekening het scoren steunt de volgende types en de gebieden van omzettingsdoelstelling:
leadOperation.convertLeadleadOperation.convertLead.convertedStatusleadOperation.convertLead.assignTo
opportunityEvent.opportunityUpdatedopportunityEvent.dataValueChanges.attributeNameopportunityEvent.dataValueChanges.newValueopportunityEvent.dataValueChanges.oldValueVoorbeeld:opportunityEvent.dataValueChanges.attributeNameis gelijk aanStageenopportunityEvent.dataValueChanges.newValueis gelijk aanContract
Het algoritme houdt rekening met de volgende attributen en inputgegevens:
- Persoonsprofiel
personComponents.sourceAccountKey.sourceKeyworkAddress.countryextSourceSystemAudit.createdDateextendedWorkDetails.jobTitlesourceAccountKey.sourceKey gebied in de Person:personComponents gebiedsgroep slechts.- Accountprofiel
accountKey.sourceKeyextSourceSystemAudit.createdDateaccountOrganization.industryaccountOrganization.numberOfEmployeesaccountOrganization.annualRevenue.amount- Experience Event
_idpersonKey.sourceKeytimestampeventTypeMeerdere modellen worden ondersteund, waarbij de volgende vaste limieten zijn ingesteld:
- Elke productiesandbox heeft recht op vijf modellen.
- Elke ontwikkelingssandbox heeft recht op één model.
De gegevenskwaliteitseisen zijn als volgt:
- Idealiter zijn er twee jaar van meest recente gegevens voor opleidingsdoeleinden.
- De minimumlengte van de vereiste gegevens is zes maanden plus voorspellingsvenster.
- Voor elk voorspeldoel, zijn minstens 10 gekwalificeerde omzettingsgebeurtenissen vereist.
De het scoren banen worden in werking gesteld dagelijks en de resultaten worden bewaard als profiel en rekeningsattributen, die dan in segmentdefinities en verpersoonlijking kunnen worden gebruikt. Inzichten van de out-of-the-box analyse zijn ook beschikbaar op het accountoverzichtdashboard.
Zie de documentatie voor meer informatie over hoe te voorspelbare lood en rekening het sorterendienst beheren.
Voorspelende resultaten voor leads en accounts weergeven how-to-view
Na de baanlooppas, worden de resultaten bewaard in een nieuwe systeemdataset voor elk model onder de naam LeadsAI.Scores - de scorenaam. Elke groep van het scoreveld kan bij {CUSTOM_FIELD_GROUP}.LeadsAI.the_score_name worden gevestigd.
Voorspelde redenen waarom een profiel waarschijnlijk wordt omgezet. Factoren bestaan uit de volgende kenmerken:
- Code: het profiel of gedragskenmerk dat de voorspelde score van een profiel positief beïnvloedt.
- Waarde: de waarde van het profiel of gedragskenmerk.
- Belang: geeft het gewicht aan dat het profiel of gedragskenmerk heeft op de voorspelde score (laag, gemiddeld, hoog).
Klantprofielscores weergeven
Als u de voorspellende scores voor een personenprofiel wilt weergeven, selecteert u Profiles onder de klantsectie in het linkerdeelvenster en voert u vervolgens de naamruimte en identiteitswaarde in. Selecteer View wanneer u klaar bent.
Selecteer vervolgens het profiel in de lijst.
De pagina Detail bevat nu de voorspellende scores. Klik op het diagrampictogram naast de voorspellende score.
Een popup dialoog toont de score, de algemene scoreverdeling, de hoogste invloedrijke factoren voor deze score, en de definitie van het scoredoel.
Het controleren van voorspellende lood en rekenschap het scoren banen monitoring-jobs
U kunt de standaardmetriek en de dagelijkse baan-in werking gestelde status door het dashboard controleren. De meetwaarden zijn:
- Totaal aantal personen/accountprofielen met score
- Volgende scoretaak (datum)
- Volgende trainingsbaan (datum)
Voor meer informatie, zie de documentatie over controletaken voor vooruitlopende lood en rekening het scoren.