Hoeveel voorspellende intelligentie krijg je in marketing automation?

Het belang van voorspellende mechanismen groeit – ook in B2B. Waar het ooit nog de normaalste zaak van de wereld was om leads handmatig een waarde toe te kennen, is de inzet van voorspellende mechanismen al een logische volgende stap. Maar het kan natuurlijk nog slimmer.

Dit voorjaar nam Salesforce niet voor niets MetaMind over. Deze veel kleinere startup bestond nog geen twee jaar, maar heeft nu al dusdanig slimme software ontwikkeld dat het de aandacht trok. MetaMind was gespecialiseerd in verwerking van taal en machine learning. Volgens de oprichter zal Salesforce de techniek vooral gaan inzetten voor marketing automation.

Want ‘predictive intelligence’, zoals dat zo mooi heet in jargon, maakt bedrijfsprocessen efficiënter en effectiever, schrijft HubSpot. Hoewel er van kunstmatige intelligentie of machine learning nog nauwelijks tot geen sprake is in marketing automation zijn de beloften groots: beter begrip van wie een individu is, hoe belangrijk diegene is als lead en welke content er nodig is om te overtuigen.

Predictive lead scoring

In de dagelijkse praktijk ontwikkelt handmatige lead scoring zich inmiddels door tot voorspellende (predictive) lead scoring. Marketing automation, CRM en demografische informatie gezamenlijk bepalen wie van de leads aandacht nodig hebben en wie (nog) niet. Met technieken die pogen te voorspellen worden nu al bijzonder goede resultaten geboekt, zo blijkt uit onderzoek. 86 procent van dit najaar ondervraagde marketeers zag bijvoorbeeld een positieve ROI.

Gartner concludeert dat deze vorm van intelligentie een must-have is binnen B2B. Zoals marketing automation serieus voet aan de grond krijgt, zo zullen tal van slimme technieken volgen. Een algoritme dat vaststelt welke factoren een prospect beïnvloeden, is immers beter in staat de juiste content te tonen. Machine learning als missende schakel dus?

Menselijk aspect in automatisering

‘Ja, maar vooralsnog met mate’, zegt Mark van den Berg – verantwoordelijk voor marketing en business development bij Spotler. ‘Wat je vooral nodig hebt is data. Heel veel data. Denk aan kliks per webpagina, kliks in e-mails en aantal en type aanvragen of downloads.’ HubSpot biedt bijvoorbeeld wel een optie om geautomatiseerd ‘predictive lead scoring’ toe te passen. Maar zonder die enorme hoeveelheid data is het lastig toepasbaar, licht Van den Berg toe.

Bovendien vindt in een B2B-omgeving vooralsnog, dat verandert langzaam, niet veel directe verkoop plaats. ‘Het aantrekken van bezoekers, converteren naar leads en het begeleiden van die leads in hun aankoopbeslissing is een samenspel van marketing en sales. Wijzelf kiezen er daarom voor die twee afdelingen continu met elkaar in gesprek te brengen. De kennis die sales opdoet in gesprekken met leads gebruiken we vervolgens voor de optimalisatie van de businessrules achter onze leadscoring.’

Het menselijke aspect moet zeker niet worden vergeten, zegt Van den Berg. Machine learning is bruikbaar, maar de controle moet je niet uit handen geven. ‘Net als in een fabriek. De mens houdt controle over machines die door software zijn gestuurd.’ Zo moet je dat ook in marketing automation zien, denkt hij. De machine verwerkt data, analyseert en past zich vervolgens aan om leads af te leveren. ‘Maar marketeers geven sturing en leggen indien nodig beperkingen op.’

Zoals in een B2C-omgeving de profielen vervuild raken als meerdere personen onder dezelfde naam rondsurfen, zo kun je in B2B ook niet blind vertrouwen op een algoritme. ‘Als marketeer wil je kunnen zien wat ‘afwijkend gedrag’ is, zodat je die data zelf kunt uitsluiten. Voor wat betreft het aanbieden van content of toepassen van scoring: vertrouwen in machine learning is goed, controle vooralsnog beter.’

Foto: FotograFFF / Shutterstock.com