Как улучшить качество лидов с помощью «Профиля 360»

Посетитель сайта «путешествует» по нему своим уникальным путем. Одни клиенты заходят, чтобы сразу совершить покупку, другие присматриваются к компании и ее услугам, третьи закрывают сайт сразу после беглого просмотра. Конечно, нельзя прочитать их мысли и сказать, почему клиент поступил так или иначе. Но мы можем анализировать поведение человека на сайте и на основе него понять, при каких условиях человек, скорее всего, совершит покупку и как его к ней подвести. Новый продукт Digital Contact анализирует поведение клиента и на основе него разделяет потенциальных покупателей на «горячие» и «холодные» лиды. Разберем алгоритм работы платформы подробнее.

Как работает «Профиль 360»?

«Профиль 360» присваивает каждому пользователю ID и собирает о нем всю возможную информацию: на какие страницы он заходил, положил ли в корзину товар, кликал ли на кнопки. Эти данные хранятся в «сыром» виде, каждому действию необходимо присвоить метку. Например, если человек в вашем интернет-магазине посещает страницу «мужская обувь», нужно создать для него соответствующую категорию – «Интересуется мужской обувью».

Когда все метки будут настроены, с сервисом можно работать двумя способами:

  1. вручную отслеживать путь каждого пользователя и показывать ему релевантный контент;
  2. сообщить «Профилю 360» необходимую цель, чтобы система на основе машинного обучения сама оптимизировала пользовательский путь и принимала решение о показе того или иного контента. Пример цели – клик по кнопке «Оплатить заказ» для пользователей, несколько раз интересовавшихся мужской обувью.

Эти два способа можно комбинировать: на начальном этапе, когда данных у системы не так много, вы сами настраиваете события для разных сценариев поведения пользователей. Далее часть решений начинает принимать машина. По мере накопления данных система все больше учится оптимизировать пользовательский путь, и ваше вмешательство в ее работу становится минимальным.

Как искусственный интеллект учится принимать лучшие решения?

Представим ситуацию: система накопила объем данных о поведении пользователей. Далее маркетолог на основе своего прошлого опыта выстраивает гипотезу: если человек интересовался конкретной моделью обуви, а потом посещал страницу «Контакты», он считается качественным лидом, готовым к покупке. Маркетолог присваивает посещению этой страницы определенную метку – например, «Этап 1». Универсального решения тут нет, т.к. все зависит от конкретного бизнеса, но мы готовы выступить в роли консультантов и помочь в подборе меток. На посещение другой страницы ставится метка «Этап 2» и так далее.

После того, как все метки проставлены, маркетолог сообщает машине свою гипотезу – выполнение «Этапа 1» говорит о том, что лид теплый. Выполнение «Этапа 2» – что пользователь пока сомневается. Выполнение «Этапа 3» – пользователь готов, чтобы ему позвонили. Используя эти данные, машина сама начинает понимать, какие пользователи являются теплыми лидами.

По мере того, как машина копит данные о качестве пользователей, вы можете давать ему задания. Например, показать тех, кто готов к звонку менеджера по продажам прямо сейчас. Система выставляет вероятность благоприятного контакта для каждого пользователя – 10 %, 20 % и так далее. Можно установить порог, ниже которого значения не будут учитываться, т.е. можно показать людей, готовых к звонку, но с вероятностью не менее 70 %.

Целевым действием для системы можно настроить что угодно, не только покупку или звонок. Это зависит от вашего бизнеса. Например, в качестве цели можно установить подписку на email-рассылку. Система обнаружит пользователей, которые с наибольшей вероятностью оставят свои адреса, и покажет им форму подписки. А уже после можно дать платформе задание находить среди подписчиков теплые лиды и отправлять им письма с предложениями о скидках.

Какие критерии использует платформа Digital Contact, чтобы определить качество лида?

При оценке «теплоты» пользователя система руководствуется двумя типами критериев:

  1. Внешние

Каждый человек оставляет в интернете следы: демографические данные, историю посещения сайтов, иногда даже номер телефона. Эту информацию мы покупаем у сторонних источников. Когда новый пользователь приходит к вам на сайт, система находит его. Вы получаете профиль человека, как в CRM-системе: мужчина это или женщина, какого возраста, чем интересуется, где проживает.

  1. Внутренние

Внутренние критерии – это поведение пользователя на вашем сайте: человек посещает определенные страницы, ему присваиваются метки и так далее.

Используя эти два типа критериев, машина может дать вам подробную информацию о каждом пользователе. Вы можете выстроить персонализированные гипотезы и сообщить их системе. Например: женщины от 25 до 30 лет из Москвы, интересовавшиеся женской обувью и посетившие страницу «Контакты», готовы поговорить по телефону с менеджером по продажам. «Профиль 360» будет проверять и изучать такие гипотезы и на их основе определять наиболее качественные лиды.

Еще один вариант работы с платформой – сообщить портрет вашего существующего идеального клиента. Система будет находить пользователей с похожими характеристиками и определять их как теплые лиды.

Как машинное обучение упрощает поиск качественных лидов?

В прошлой версии нашей системы клиент должен был вручную настраивать цепочки для каждого пользователя, присваивать ему рейтинг и выбирать, какой контент отображать, какие действия предпринимать дальше. А теперь представьте, что таких пользователей сотни или тысячи. Делать это вручную становится невозможным. В «Профиле 360» вам нужно лишь указать модели поведения человека, которые могут привести к конверсии. Используя технологию машинного обучения, система будет накапливать эти данные, анализировать их и учиться принимать удачные решения для каждого пользователя. В итоге каждый контакт с вашим сайтом будет максимально персонализирован. Человек получит релевантные предложения, а вы увидите, готов ли он совершить целевое действие. Эта технология способна выстроить такие пути для неограниченного количества пользователей одновременно и со временем делает это все лучше и лучше.

72
0
Добавить комментарий