Как персонализировать аккаунт-маркетинг с помощью ИИ для максимального ROI

Привлечение клиента стоит всё дороже, и привычных инструментов уже недостаточно. Все ищут, как «хакнуть» маркетинг, хотят инсайтов и бюджетных решений. Применение искусственного интеллекта в ABM — Account-Based Marketing — может стать одним них.

С помощью ABM можно персонализировать месседж для каждого клиента, позволяя ему почувствовать, что его потребности и желания понимают. А значит, пользователь с большей вероятностью совершит целевое действие, и лид конвертируется в сделку. При этом неважно, на кого нацелено ваше предложение: на конечного потребителя или на ЛПР из бизнеса, с которым вас ждёт длинный цикл сделки, но высокий LTV.

Значительно повысить эффективность аккаунт-маркетинга можно с помощью искусственного интеллекта. Новый инструментарий позволит протестировать больше гипотез, выбрать удачные и при этом не раздуть штат.

Как аккаунт-маркетинг и ИИ влияют на ROI

Аккаунт-маркетинг повышает общий ROI маркетинга за счёт сокращения бюджета на продвижение:

• меньше затрат на тесты. Офферы формируются на основе данных, а не предположений;

• выше конверсия каждого действия. Маркетологи обращаются напрямую к представителю нужной компании.

Кроме того, ROI растёт за счёт сокращения бюджета на зарплаты сотрудников — уровень ИИ последних версий ChatGPT позволяет закрывать всё больше задач, значительно экономя на зарплатном фонде. При этом можно в разы увеличить объём и скорость запуска рекламных кампаний.

0. Проанализируйте данные

Аккаунт-маркетинг должен опираться на data-driven подход, поэтому перед стартом работы следует проанализировать максимум данных, которые накопила компания:

Данные об эффективности сейлз- и маркетинговых воронок. Затраты на привлечение клиентов (САС), годовая стоимость контракта (ACV), пожизненную ценность клиентов (LTV), процент удержания клиентов.

Рекламные данные. Совокупные расходы на рекламу, рентабельность рекламных расходов (ROAS), стоимость лида (CPL), текущий коэффициент рентабельности инвестиций (ROI).

Данные соцсетей. Охваты, показы, CTR, вовлечённость, процент роста подписчиков, количество лайков и комментариев.

Данные email-маркетинга. Показатель открытий, CTR, процент отклика и отписок.

Важно, что мы не просто анализируем получившиеся данные, а определяем, какие сегменты работают лучше всего.

На данном этапе уже можно подключить ИИ, ведь тот же ChatGPT вполне может обработать сырые данные выгрузок из CRM-системы, веб-аналитики и рекламных кабинетов.

1. Определите портрет идеального клиента

Чтобы определить портрет идеального клиента, к анализу общих маркетинговых данных стоит добавить его поведенческие данные. Например, поведение клиентов на сайте, историю покупок, частоту взаимодействий и сценарии использования продукта.

Обычно сейлзы определяют портрет клиента вручную, но проще сделать это с помощью ИИ. Отдельные плагины использовать не обязательно — достаточно сформулировать качественный запрос в ChatGPT 4. Соберите данные по разным направлениям в файлы в формате.csv и сформулируйте запрос:

В результаты вы получите список закономерностей, которые уже можно соотнести с реальностью вручную.

2. Разделите клиентов на сегменты

Когда портрет идеального клиента составлен, можно переходить к их сегментации. Самый доступный и рабочий фреймворк для этого — JTBD (Jobs-To-Be-Done). В рамках подхода JTBD считается, что разные клиенты «нанимают» продукт, исходя из задач, которые он выполняет. При этом продукт один и тот же. Упростить сегментацию через JBTD в ChatGPT можно также с помощью промптов:

После анализа данных мы получим сегменты также по странам, индустриям, ролям в компании и так далее.

3. Определите болевые точки клиентов

Под каждый сегмент стоит составить CJM и найти в нём уязвимые моменты, когда клиент может остаться недоволен. ИИ может помочь и в этом. С помощью промптов можно сначала составить CJM:

CJM можно сразу визуализировать с помощью плагина Show Me — он составляет диаграммы и визуализации для процессов и присылает результат в виде файла.

4. Соберите базу клиентов

Теперь, исходя из сегментов, можно провести поиск холодных контактов в различных базах типа Apollo, Cognism, Linkedin Sales Navigator. Так у вас появится база, на которую можно настроить рекламу.

Ещё можно пойти через тулы, которые идентифицируют компании, посетившие сайт.

1. Подключить сайт к Clearbit, Dealfront или другим подобным тулам.

2. Дальше использовать тулу, которая найдёт релевантных людей в этих компаниях. Я рекомендую Apollo — помимо неплохой базы данных, там есть возможность рассылать имейлы. В Apollo ведите поиск по домену, который выдал Dealfront — по названию компании может и не найти. В итоге вы получите доступ ко всем сотрудникам компании и их имейлам.

3. Из Dealfront выгрузить не только весь список компаний, но и первых страниц, которые они посетили. Выгрузить их в Google Sheets через Zapier.

4. Дёрнуть Apollo через API.

5. Добавить выгруженные компании в лист, сегментированный по use-case.

6. Добавить контакт в цепочку. После этого Apollo начинает рассылку цепочек писем, которые созданы специально для вашего идеального клиента.

5. Сгенерируйте персонализированные месседжи

Готовые сообщения после ИИ стоит отредактировать, потому что генерация не всегда проходит идеально, и наша задача — обучить ChatGPT, предоставив на входе данные, сводящие процент брака к минимуму.

С помощью промптов сгенерируйте уникальный месседж для каждого контакта, к которому мы уже прописали pain point, сегменты, индустрию, JTBD. После этого программа для рассылки будет отправлять готовые персонализированные имейлы. Пример промпта для ChatGPT:

Кейс: внедрение ИИ в аккаунт-маркетинг Juro с последующим ростом ROI

Я работаю в Juro с 2021 года на позиции Director of Growth Marketing. Компания специализируется на развитии платформы для сотрудничества и управления договорами. Одной из моих задач было поднять ROI маркетинговых кампаний. Так что описанный выше алгоритм я проделывал не раз. Причем применял этот путь как с ИИ, так и без.

В Juro, как и «в среднем по больнице», конверсия была около 2%. Оставшиеся 98%, как и везде, беспощадно пытались конвертировать через ретаргетинг. Так что я предложил «дожать» эти неуловимые 98%.

Опущу первые три шага, чтобы не разглашать конфиденциальную информацию о компании. Расскажу о том, как внедрил алгоритм, начиная с этапа сбора базы клиентов.

1. Подключил к сайту Dealfront.

2. Нашёл релевантных людей через Apollo.

3. Выгрузил компании в Google Sheets через Zapier → подключил Apollo через API → добавил выгруженные компании в лист, сегментированный по use-case. 
   
   В моём случае use-case это всё, что связано с лигалами и контрактами. Для этого я создал фильтр на посещение определённых страниц. Например, я понимаю, что кроме лигалов читать про contract management KPI на сайте никто не будет.

4. Создал фильтр на поиск лигалов в Apollo.

5. Добавил контакт в цепочку — так Apollo понял, кому отправлять сообщения.

6. Дёрнул с API Dealfront последние идентифицированные компании.

7. Нашёл их через API Apollo и добавил компании в нужные листы.

8. Нашёл релевантные контакты через API Apollo из листов компаний.

9. Добавил релевантные компании через API Apollo в нужные цепочки.

10. Составил письма с помощью ИИ.

Сейчас в Apollo для этого есть встроенная функция. Выберите нужную цепочку писем → нажмите на вкладку AI-assisted → заполните пустые поля (пригодятся данные с подготовительных шагов) → отправьте письма. До интеграции ИИ в Apollo я прописывал письма для клиентов с помощью ChatGPT API.

В результате рассылки в Juro сработали существенно лучше, чем «обычные» холодные письма. Мы получили показатель открытия выше 30%, а показатель ответов до 10%. Уровень идентификации компаний достиг 60%.

Такая воронка позволила нам снизить стоимость лида в четыре раза — это сэкономило компании как минимум 500 тысяч долларов.

ИИ способны сэкономить время сотрудников на каждом из этапов составления стратегии аккаунт-маркетинга, что позволяет не расширять команду, имея стабильно высокие результаты. Это напрямую влияет на ROI: ФОТ не растёт, а эффективность маркетинга повышается за счёт чёткого попадания в потребности клиентов.

Мнение редакции может не совпадать с мнением автора. Ваши статьи присылайте нам на 42@cossa.ru. А наши требования к ним — вот тут.