Category Archives: AI

AI ja B2B-markkinointi

10 AI-agenttia B2B-markkinoinnille

Posted in AI, Complex Sales, Intent Data, Liidit, Myynti, Ostoaietieto by

CRM on pitkään nähty myynnin työkaluna, paikkana, jonne kirjataan kontaktit, puhelut ja diilit. Markkinointi on elänyt rinnakkaisessa todellisuudessa: omissa automaatiojärjestelmissään, kampanjadata erillään CRM:stä.

Tekoälyn aikakaudella tämä asetelma on vanhentunut ja vaarallinen. Kaikki signaalit, jotka AI-agentit analysoivat, päätyvät CRM:ään:

  • ostoroolit ja sentimentti,
  • aikaviitteet ja duubiot,
  • kilpailijamaininnat ja tutkimusdata,
  • markkinoinnin kosketuspisteet (webinaarit, ladatut sisällöt, some-reaktiot).

CRM ei siis enää ole pelkkä myynnin muistikirja. Se on tekoälyllä rikastettu kaupallisen prosessin ohjaamo. Jos markkinointi ei ole tässä mukana täysillä oikeuksilla, se jää ulkopuolelle juuri niistä datapisteistä, joiden varaan personointi, sisältöstrategia ja kohdennetut nurturointiviestit rakentuvat.

10 AI-agenttia, joilla markkinointi ottaa CRM-datan haltuun

1. Segmentointi-agentti

Rakentaa dynaamisia kohderyhmiä CRM:n kenttien, käyttäytymisen, sentimentin ja ostoaietiedon pohjalta.

2. Sentimentti-agentti

Analysoi viestien ja muistiinpanojen sävyn. Paljastaa piilevät esteet ja ostosignaalit.

3. Sisältö-agentti

Poimii CRM:stä sitaatit, referenssit ja asiakkaiden kommentit, ja ehdottaa sisältöjä niiden pohjalta.

4. Tunnettuus-agentti

Tuo näkyväksi, miten paljon markkinoinnin sisältöihin on reagoitu – webinaarit, lataukset, some.

5. Lead Recovery Agent

Kaivaa vanhat, unohdetut liidit CRM:stä ja ehdottaa uudelleenaktivointia.

6. ABM-agentti

Suunnittelee account-tason viestit CRM-datan ja ostajapersoonien mukaan.

7. Churn & Retentio-agentti

Tunnistaa poistumisriskissä olevat asiakkaat ja käynnistää retentiokampanjoita.

8. Sisältökalenteri-agentti

Rakentaa CRM:n signaaleista sisältökalenterin: mitä sisältöjä kannattaa julkaista ja milloin.

9. Nurturointi-agentti

Ohjaa liidit automaattisiin nurture-poluille, jotka vastaavat heidän rooliaan, duubioitaan ja vaihettaan.

10. Insight Agent

Tuottaa raportit: mikä sisältö, segmentti tai kampanja todella edisti myyntiä – pipeline-vaikutuksella mitattuna.

Yhteenveto

Tekoälyagentit tekevät CRM:stä markkinoinnin tärkeimmän työkalun. Ne rikastavat datan, paljastavat piilevät ostosignaalit ja tuottavat pohjan sisältöjen kohdentamiseen. Kun markkinoinnilla on täysi pääsy CRM:ään, se ei enää “toimita liidejä myynnille” – vaan ohjaa yhtä ja samaa kaupallista prosessia yhdessä myynnin kanssa.

Teksti: Kimmo Luoma, MicroMedia Oy

Tämä kirjoitus ilmestyi myös Liidijalostamo-uutiskirjeessä LinkedInissä.

AI-koukku

Posted in AI, B2B, Complex Sales, Liidit, Ostoaietieto, Sales Enablement by

Tekoälyn yleistyminen on tuonut mukanaan uudenlaisen sudenkuopan: teknologiakoukun. Kun tekoälysovellusten testailu, integraatiot ja promptien viilaus alkavat viedä enemmän aikaa kuin asiakastyö, optimointi alkaa syödä tulosta.

Tekoälytyökalut ovat myynnin ja markkinoinnin ammattilaisille “huumaavaa kamaa”. Ne tarjoavat valtavan lupauksen:

“Kokeillaan vielä tätä plugaria. Tämä agentti lupaa 40 % parempaa reply ratea. Mikä olisi paras promptti tähän nurtureen?”

Kokeilukulttuurista tulee huomaamatta päätyö.

  • Asiakastyö marginalisoituu. Sisäiset kehityskokoukset ja AI-pilotit täyttävät kalenterit.
  • Myyjät promptaavat, eivät keskustele. Vuorovaikutus jää taka-alalle, kun energia menee teknisen viestiputken optimointiin.
  • Markkinointitiimit hurahtavat sisällön tuotantoon työkalujen ehdoilla. Kohderyhmäanalyysi ja viestistrategia unohtuvat, kun aikaa kuluu uusien mallien testailuun.
  • Johto mittaa teknologian kyvykkyyttä, ei kaupallista vaikutusta. Fokus siirtyy teknologiaan,  ei asiakasarvoon.

 Miten tunnistat AI-koukun?

Tunnusmerkkejä:

  • Palaute asiakkaalta unohtuu, kun keskitytään OpenAI:n vastauksiin
  • Viikottaisessa myyntipalaverissa keskustellaan plugineista, ei asiakastilanteista
  • Markkinointipalaverissa esitetään uusia AI-sisältödemoja, mutta kampanjatulokset jäävät analysoimatta
  • Myyntisyklit ja markkinoinnin projektit pitenevät, vaikka työtunteja menee enemmän
  • CRM ja markkinoinnin työkalut täyttyvät testikentistä, ei konversioita tuottavista toimenpiteistä
  • AI:n kyvykkyyksiä pilotoidaan, mutta ei operationalisoida

Organisaatioiden kannattaa määrittää selkeät pelisäännöt AI:n käytölle myynnissä ja markkinoinnissa:

  • Mitä automatisoidaan, mitä ei?
  • Mihin rooliin AI-agentti sijoitetaan prosessissa?
  • Kuinka paljon aikaa saa käyttää testaamiseen viikossa?
  • Miten mittaamme AI:n tuottamaa kaupallista arvoa?

Teksti: Kimmo Luoma, MicroMedia Oy

Tämä kirjoitus ilmestyi myös Liidijalostamo-uutiskirjeessä LinkedInissä.

CRM & AI-label: lopulta tärkein on konteksti

Posted in ABM, AI, B2B, B2Bmarkkinointi, Complex Sales, Intent Data, Liidit, Ostoaietieto by

CRM järjestelmät tallentavat rakenteellista ja statuspohjaista tietoa: roolit, toimialat, kontaktit, konversiot, tapaamiset. Mutta niistä puuttuu se, mikä lopulta ratkaisee: konteksti.

Tekoälyn aikakaudella markkinointi ja myynti tarvitsevat syvempiä signaaleja kuin pelkkä liidistatus. CRM kertoo kuka liidi on, mutta ei miksi hän ei vastaa, mitä hän ajattelee, tai milloin kannattaisi palata asiaan. Tähän tarvitaan uusi kerros: AI-labelit.

Ne nostavat esiin ostamisen esteitä, tunnetiloja ja ajoitussignaaleja, joita ei voida kirjata checkboxilla tai dropdownilla. Ne auttavat valitsemaan oikean hetken, viestin ja kanavan. CRM kertoo, kuka liidi on.
AI-labelit kertovat, miksi hän ei vastannut ja miten hänelle kannattaa puhua seuraavaksi.

Mitä ovat AI-labelit?

AI-labelit ovat kielimallin avulla luotuja luokitteluja, jotka kuvaavat kontaktin ostomaturiteettia, motiiveja, esteitä, mielikuvia ja tunnetiloja.

Ne perustuvat ei-rakenteelliseen dataan, kuten:

  • CRM-muistiot ja soittohistoria
  • Sähköpostit ja lomakevastaukset
  • Webinaaripalautteet ja keskustelumuistiot

Tekoäly jäsentelee tämän datan ostoaietiedoksi ja tuottaa selkeitä luokitteluja, kuten:

“Ei resurssia juuri nyt”
“Etsii referenssejä ennen etenemistä”
“Reagoi pehmeisiin viesteihin, ei CTA-painotteisiin”
“Kokee ratkaisun liian laajaksi organisaatiolleen”

Tämä on nimenomaan se syvyys, jonka päälle AI rakentaa yksilölliset viestit. Tekoäly auttaa valitsemaan oikean sävyn, kanavan ja ajoituksen liidin aktivoimiseksi.

Kontekstuaalisuus

Perinteiset CRM-propertyt eivät paljasta käyttäytymisen taustalla olevia motiiveja tai esteitä.AI-labelit puolestaan muodostuvat tulkinnasta: mitä kontaktin sanoista, reaktioista tai hiljaisuudesta voidaan päätellä? Missä tunnelmassa hän vastaanottaa viestin? Mikä häntä pidättelee tai kiinnostaa?

Siinä missä CRM kertoo, että liidi on markkinointijohtaja teknologia-alalta, AI-labelit paljastavat että:

  • hän odottaa esimerkkejä oman toimialansa käytännöistä,
  • ei luota geneerisisiin ratkaisuihin,
  • ja haluaa ensin validointia ennen etenemistä.

Yhdessä nämä kaksi näkökulmaa täydentävät toisiaan: CRM tarjoaa rakenteen, AI kontekstin. Vasta silloin viestintä voi olla aidosti ajoitettua, merkityksellistä ja vaikuttavaa.

Missä CRM:n AI-labelit tuovat lisäarvoa?

KäyttökohdeHyöty
SegmentointiKohdenna nurturointia esim. “Kaikki, joilla esteenä resurssipula”
Viestien personointiSäädä sävy, CTA ja ajoitus kontaktikohtaisesti
Myynnin priorisointiTunnista ketkä palaavat aiheeseen tiettynä kuukautena
MarkkinointiautomaatioOhjaa liidi oikeaan nurturointipolkuun labelin perusteella
SisältöstrategiaPaljastaa ostoesteet ja tuottaa sisältöideat niihin vastaamiseksi
RaportointiNäet mitkä esteet tai mielikuvat dominoivat eri segmenteissä

Kysy lisää: Kimmo Luoma, MicroMedia Oy

Tämä kirjoitus ilmestyi myös Liidijalostamo-uutiskirjeessä LinkedInissä.

Tahdikas B2B-markkinointi ja SQL-liidien hoito

Posted in AI, B2Bmarkkinointi, Complex Sales, Go-To-Market, Liidit, Ostoaietieto by

B2B-yritysten myynti- ja markkinointitoiminnoilla on kummallinen perinne.

Kun liidi saavuttaa SQL-statuksen (Sales Qualified Lead, myyntivalmis liidi tai myyntimahdollisuus), markkinointi vetäytyy kuin kohtelias vieras, joka ei halua häiritä varsinaista keskustelua. “Liidi on nyt myynnillä” – ja sen myötä myös viestintä, tuki ja näkyvyys siirtyvät syrjään.

Complex sales-yritykselle tämä voi olla virhe.

Osto- ja myyntiprosessit ovat pitkäkestoisia, usein 6–18 kuukauden mittaisia ja sisältävät useita päätöksentekotasoja. Päätökset syntyvät useiden iterointien, sisäisten keskustelujen ja ulkoisten vaikutteiden kautta. Myyntitiimi ei voi olla läsnä kaikessa, mutta markkinointi voi. Kun malli on suunniteltu sen mukaisesti.

Miksi markkinointi ei voi vetäytyä SQL-vaiheessa?

1. Ostoprosessi ei ole lineaarinen

Asiakas ei etene vaihe kerrallaan, vaan palaa taaksepäin, hyppää yli ja miettii uudelleen. Tapahtuu edelleen aktiivista harkintaa, vertailua ja tiedonhakua.

2. Päätöksenteko on kollektiivista

Usein myyjän keskustelukumppani on vain yksi päättäjä monen joukossa. Ostokomiteassa voi olla mukana IT, talous, operatiivinen johto – eikä heihin ole suoraa myyntikontaktia. Heidät tavoittaa vain markkinoinnin keinoin.

3. Kilpailijat eivät odota

Samaan aikaan kun oma myynti rakentaa ratkaisua, kilpailijat jatkavat omaa markkinointiaan. Jos et ole läsnä, he ovat.

Tässä taulukossa ovat keskeiset datapisteet, joita tarvitset SQL-liidien hoitomallien suunnittelua ja toteutusta varten:

DatatyyppiMihin kysymykseen data vastaa?Miten kerätään?Miten luokitellaan?Miten hyödynnetään viestien suunnitte-lussa?Esimerkkejä AI-labeleista ja CRM-tageista
LähdetietoMiten tämä liidi tuli meille?Web-lomake, SDR, tapahtuma, kampanjadataKanava, kampanja, ensimmäinen kosketusViestin sävy ja konteksti valitaan alkuperäisen kiinnostuksen mukaanSource-tag, Kampanja-ID, AI:Origin:
Inbound, outbound
Rooli & funktioMikä henkilön vaikutusvalta ja vastuualue on?LinkedIn, CRM, SDR:n muistiotPäättäjä / vaikuttaja / käyttäjäRoolin mukaan painotetaan liiketoiminnallista, teknistä tai operatiivista argumentointiaCRM-roolitagit, AI: Persona:Tech/Finance/Exec
Ostopotenti-aali & ostoaietietoKuinka lähellä ostopäätöstä hän on, ja kuinka motivoitunut?Käyttäytymi-nen, SDR, AI-pisteytysEarly / Mid / Late + Hot/Warm/Cold intentViestin ajoitus, CTA ja painopiste riippuvat ostoaikeesta ja ajankohdastaAI: Stage:Mid:Hot, CRM-lifecycle
Sisältö-reaktiotMistä aiheista hän on kiinnostunut?Klikit, sisällön-kulutus, hakukoneetAihealueet, formaatit (opas, video, case)AI suosittelee seuraavaa sisältötyyppiä tai aihetta reaktion perusteella (esim. case, pricing-info)Content-tagit, AI:Intent:Topic:Automation
Engagement, Aktiviteetti-tiheysKuinka aktiivinen hän on viime aikoina ollut?CRM-logit, clickstream, engagement scoreHigh / Medium / Low engagementAI mukauttaa kontakti-tiheyden: korkea → CTA: tapaaminen AI: Engagement:
High, CRM-käyttäytymis-tagi
Yritystason signaalitOnko muu organisaatio aktivoitunut?ABM, IP-tunnistus, käyttäytymis-trenditMulti-touch / yksi kontakti / aktiivinen tiimiLaajennetaan viestintää usealle roolille, ehdotetaan yhteistä demoaAI: Org-Intent:Active, ABM-tunnisteet
Ostoesteet ja duubiotMitä esteitä tai huomioita on tullut esiin?SDR:n tai myyjän kirjaukset, AI-analyysi puheluistaTrigger, Objection, Opportunity themeAI tuottaa sisältö-suosituksia esim. ROI-laskelmasta jos esteenä hinta / aikatauluAI: Objection: Budget, Trigger: Vendor Change”
ICPVastaako yritys meidän ihanneprofiilia?CRM-enrichment, intent data, toimialatiedotICP-match / Tech Stack / KasvuvaiheAI suosittelee relevantin referenssin tai toimiala-kohtaisen sisällön kohdentamistaAI: “Fit:ICP”, “Segment:Scale-up/Enterprise”

Teksti: Kimmo Luoma, MicroMedia Oy

Minä, SDR

Posted in AI, B2Bmarkkinointi, Intent Data, Ostoaietieto, Sales Enablement by

Klo 8:30, CRM auki, kahvimuki käteen.

Ensimmäisenä katson AI-agenttini yön aikana päivittämän prioriteettilistan. Se on analysoinut CRM-dataa, ostoaietietoa, verkkokäyttäytymistä ja LinkedIn-päivityksiä, ja ehdottaa päivän top 10 kontaktia: “Nämä b2b-liidit näyttävät lämpimiltä, syynä mm. maininta Q4-budjeteista ja hiljattainen someaktiviteetti.”

Pisteytys perustuu BANT-malliin, mutta AI täydentää sitä dynaamisesti: yksi kontakti on nostettu listalle, koska hänen kollegansa mainittiin alan mediassa uudesta projektista.

Klo 9:00, outreach alkakoon.

Käytän viestien luonnissa omaa AI-assistenttiani. Syötän kontaktin tittelin, toimialan ja yhden kiinnostuksen kohteen CRM:stä: “IT-johtaja, energiatoimiala, kiinnostunut käyttöasteen optimoinnista.”

AI ehdottaa kolmea viestiversiota: analyyttinen, konsultoiva ja suora. Valitsen suoran, muokkaan loppuun ja ajan sen lähetykseen HubSpotin kautta.

Seuraava kontakti: puheluskriptiin AI on koostanut minulle avauskysymykset, vastalauseiden käsittelyn ja konkreettisen lupauksen juuri kyseiselle yritykselle. AI ehdottaa myös, mihin suuntaan voisin viedä keskustelua, jos asiakas mainitsee esimerkiksi resurssipulan tai budjettivuoden loppumisen.

SQL-tapaamisten buukkaukseni perustuu useimmiten juuri näihin puheluihin: se on se hetki, jolloin tarve kirkastuu ja kontakti tunnistaa seuraavan askeleen relevantiksi.

Klo 10:30, liidien rikastus ja markkinointisekvensseihin siirto.

Uudet kontaktit, joita AI ei vielä tunne hyvin, rikastetaan automaattisesti LinkedIn- ja verkkodatan sekä muiden julkisten lähteiden tavulla. Samalla AI ehdottaa minulle minkä liidistatuksen kyseiset kontaktit saavat ja mille “nurturointiputkelle” kontaktit sopivat parhaiten: kiinnostuneiden toimitusjohtajien ABM-sarja, markkinointijohdon trendiviestit vai teknologiapäättäjien case-pohjainen nurturointi.

SQL-statuksen saaneet kontaktit siirtyvät samalla IP-kohdennetun display-kampanjan piiriin. Tämä tukee myyntiprosessia jatkuvalla näkyvyydellä: kontaktit näkevät brändimme ja heille räätälöidyt viestit verkkoselailunsa yhteydessä, mikä parantaa todennäköisyyttä jatkoyhteydenottoon ja tapaamisten konvertoitumiseen.

Klo 11:15, follow-upien aika.

Kontakti oli eilen webinaarissamme mutta ei jättänyt yhteydenottopyyntöä. AI ehdottaa: “Hei Laura, olit mukana tilaisuudessa – jäikö jokin kysymys askarruttamaan? Tässä 2 min video siitä, miten asiakkaamme X ratkaisi saman haasteen.”

Toinen follow-up lähtee liidille, joka avasi viestin kolme kertaa mutta ei reagoinut. AI ehdottaa koukkua: “Huomasin muuten että yrityksessänne on juuri avautunut uusi positio – voisiko se olla signaali siitä, että…”

Kolmas follow-up on puhelinkeskustelu: “Hei [etunimi], [oma nimi] täältä. Meillä oli lyhyt kontaktiviestinvaihto aiemmin, ja jäi sellainen fiilis, että voisitte olla liikkeellä [aihe] ympärillä. Ajattelin soittaa ja kysyä suoraan – onko tämä jotain, johon haluaisitte lisää konkretiaa tai esimerkkiratkaisuja? Voin järjestää lyhyen sparrikäynnin asiantuntijamme kanssa.”

Klo 13:00, lounaan jälkeen: nurturointi

AI tuottaa minulle valmiin nurturointisarjan kolmen eri liidiprofiilin perusteella: teknologiajohtaja, markkinointijohtaja ja toimitusjohtaja. Viestit rakentuvat edellisen puhelinkeskustelun pohjalta: yksi mainitsi kiinnostuksen AI:ta kohtaan mutta vasta myöhemmin tänä vuonna.

Lisäksi tarkistan HubSpotin liidipisteytyksen perusteella listalle nousseet uudet kontaktit, jotka ovat esim. vierailleet toistuvasti tuotesivuillamme tai ladanneet sisältöjä. Nämä henkilöt siirrän myös kontaktointilistalleni. sen teen joko puhelimitse, sähköpostilla tai LinkedInin kautta, riippuen aiemmasta sitoutumisesta.

AI luo viestit, joissa hyödynnetään toimialatrendejä, asiakkaan aikaisempia huomioita ja personoituja CTA-ehdotuksia (esim. “Haluatko että lähetän tiivistetyn toimialaraportin viimeisimmistä AI-käyttötavoista teidän sektorilla?”)

Klo 15:30, dashboard, työkalupakki ja KPI-katsaus.

Avaan päivän mittariston. AI-agentti on koostanut yhteen näkymään:

  • Viestien avausprosentit kanavittain (email, LinkedIn, puhelut)
  • Konversioasteet kampanjoittain ja liidiprofiileittain
  • Tavoitettavuus suhteessa viikkotavoitteisiin
  • A/B-testien tulokset

Työkalupakkini on integroitu: käytössäni on CRM (HubSpot), AI-assistentti (ChatGPT + liitetyt integraatiot), liidien rikastustyökalu (Leadfeeder ja Vainu), sähköpostisekvenssit, sekä sisältökirjasto, jonka AI pitää ajan tasalla.

Klo 16:00, A/B-testauksen ja oppimisen hetki.

AI analysoi viikon aikana lähetetyt viestit ja raportoi:

  • “Viestiotsikoista paras avausprosentti tuli rivillä: ‘Tiedän että etsit skaalautuvaa mallia – tässä ehdotus’.”
  • “LinkedIn DM:t konvertoivat 1.6x paremmin kuin sähköpostit toimitusjohtajille.”

Lisään parhaat viestit omaan “toimivimmat templatet” -kirjastooni, jonka ylläpitoa AI hoitaa puolestani.

Klo 16:15, päivä pulkassa, mutta data työskentelee edelleen.

Laitan AI:n skannaamaan seuraavan päivän kontakteja: uusi data LinkedInistä, mahdolliset uutisnostot, CRM-päivitykset. Huomenna minua odottaa taas tuore lista liidejä, joilla on aidosti merkkejä kiinnostuksesta tai ostoaikeista.

Teksti: Kimmo Luoma, MicroMedia

Tämä kirjoitus ilmestyi myös Liidijalostamo-uutiskirjeessä LinkedInissä.

CRM-kirjauksesta markkinointisisällöksi: step-by-step

Posted in ABM, AI, B2Bmarkkinointi, Complex Sales, Intent Data, Liidit, Ostoaietieto by

CRM-järjestelmään tallennettu ostoaietieto on complex sales-yrityksen markkinointitiimille kullanarvoista dataa, joka mahdollistaa sisältöjen luomisen ja automaattisen jakelun. Markkinoinnin automatisointi ja AI:n hyödyntäminen (esimerkiksi agenttien käyttö) tehostavat viestinnän relevanssia ja ajoitusta, mikä parantaa asiakaskokemusta ja nostaa konversioita. Tässä blogauksessa keskitytään siihen, miten B2B-markkinointitiimi voi hyödyntää CRM-kirjattuja ostoaietietoja sisältömarkkinoinnissa.

1. Markkinoinnille olennainen ostoaietieto

CRM-kirjaukset sisältävät arvokasta tietoa asiakkaan tarpeista, mieltymyksistä ja ostoprosessin vaiheesta. Markkinointitiimi voi käyttää tätä tietoa räätälöidäkseen viestejä ja sisältöjä, jotka puhuttelevat asiakkaita henkilökohtaisella tasolla. Tieto, kuten asiakasprofiilit, ostajapersoonat, ostoprosessin vaiheet ja tunnistetut kipupisteet, voivat ohjata markkinointiviestintää ja tehdä siitä oikea-aikaista ja osuvaa.

Esimerkkejä hyödyllisistä CRM-kirjauksista markkinointitiimille:

  • Ostopersoonan määrittäminen: Kuka on asiakas? Onko se IT-päättäjä, talousjohtaja vai markkinointivastaava? Tämä määrittää, millaista kieltä ja sisältöä viesteissä käytetään.
  • Ostopolun vaihe: Onko asiakas vasta tiedonhankintavaiheessa, vai onko hän jo vertailemassa vaihtoehtoja? Tämän mukaan markkinointiviestit voidaan personoida esimerkiksi tarjoamalla alustavaa tietoa tai tarkempia tuotevertailuja.
  • Päätöksentekoprosessin aikaraja: Onko asiakkaan ostopäätös odotettavissa kolmannen neljänneksen aikana? Viestit voidaan aikatauluttaa automaattisesti niin, että ne tavoittavat asiakkaan juuri oikeaan aikaan ennen päätöksentekoa.
  • Haasteet ja kipupisteet: Tieto asiakasyrityksen liiketoimintahaasteista (esim. turvallisuus, skaalautuvuus) mahdollistaa sisältöjen räätälöinnin tarkasti asiakkaan huolia vastaaviksi.

2. AI-työkalujen käyttö personoitujen sisältöjen tuotannossa

Teknologiat ja LLM-työkalut: GPT-3/4 (OpenAI), Salesforce Einstein, HubSpot AI, Marketo, Zapier, AI-driven content generators (esim. Jasper).

Markkinointitiimi hyödyntää AI-pohjaisia työkaluja, jotka käyttävät CRM:ään tallennettua ostoaietietoa personoidun sisällön luomisessa. Tämä prosessi etenee seuraavasti:

  1. CRM-tiedon syöttö AI-järjestelmään: Kun asiakas on edennyt tiettyyn vaiheeseen ostoprosessissa (esim. tarjousvertailu, päätöksenteko), CRM-järjestelmä tai agentti lähettää tiedot automaattisesti AI-työkaluille. Tekoäly analysoi asiakastiedot, kuten ostopersoonan ja ostopolun vaiheen, ja luo sisällön sen mukaisesti.
  2. Sisällön luominen ja personointi:
    • Aiheen personointi: AI tunnistaa asiakkaan aiemmat vuorovaikutukset ja haasteet. Esimerkiksi, jos asiakas on maininnut IT-järjestelmän skaalautuvuusongelmia, AI voi luoda sisällön, joka keskittyy juuri tähän haasteeseen, kuten artikkeleita tai tapauksia, joissa vastaavat ongelmat on ratkaistu.
    • Sisällön tyylin personointi: Ostopersoonan rooli määrittää viestin sävyn ja sisältötyypin. Talousjohtajalle voi olla relevanttia tarjota ROI-laskelmia ja tuotto-odotuksia, kun taas IT-päättäjälle voidaan tarjota teknisiä syvällisyyksiä ja järjestelmän integraatiomahdollisuuksia.
  3. Aikataulutus ja automaatio: Markkinointitiimi voi ohjelmoida sisältöjen lähetykset automaattisesti ostoprosessin vaiheen ja asiakasprofiilin mukaan. Esimerkiksi, jos asiakas on ilmoittanut, että vertailuvaihe alkaa seuraavassa kvartaalissa, markkinointiviestit voidaan ajoittaa ennen tätä ajankohtaa tarjoamaan vertailevia sisältöjä. HubSpot ja Marketo voivat automaattisesti aikatauluttaa viestejä, ja AI voi säätää viestien lähetysaikoja vastaamaan tarkasti asiakkaan ostopolun vaihetta.
  4. Testaus ja optimointi: AI voi myös analysoida asiakaspalautetta ja viestien tehokkuutta reaaliajassa. Jos tietyn viestin tyyppi ei tuota toivottuja tuloksia, AI voi ehdottaa parannuksia viestin sisältöön ja aikataulutukseen.

3. Sisältöjen jakaminen ja viestinnän automatisointi

Teknologiat ja työkalut: Marketing Automation (HubSpot, Marketo, Pardot), Email Automation, SMS Automation.

Sisältöjen jakelu tapahtuu automaattisesti markkinointiautomaation avulla, joka hyödyntää CRM-järjestelmässä olevaa ostoaietietoa ja AI:ta. Tämä mahdollistaa:

  • Viestien ajastaminen: Markkinointitiimi voi määrittää viestin lähetysaikataulut niin, että ne osuvat asiakaskohtaisiin ostoprosessin vaiheisiin. Esimerkiksi, jos asiakkaan päätösajankohta on määritelty seuraavaan neljännekseen, viestit lähetetään automaattisesti viikkoa ennen, jolloin asiakas saa tarvitsemansa tiedon oikeaan aikaan.
  • Viestien kanavoiminen: Markkinointi voi hyödyntää useita kanavia (sähköposti, some, webinaarit, blogit) ja jakaa personoidut sisällöt asiakaskohderyhmän mukaan, parantaen asiakaskohtaamista ja lisäämällä mahdollisuuksia konversion saamiseksi.

Yhteenveto: CRM-järjestelmään kirjattu ostoaietieto on avainasemassa, kun markkinointitiimi haluaa luoda hyperpersonoituja sisältöjä, jotka kohdistuvat tarkasti asiakkaan tarpeisiin ja ostoprosessin vaiheeseen. Tekoäly ja markkinointiautomaatio mahdollistavat sisällöntuotannon tehokkuuden ja relevanssin parantamisen, ja auttavat markkinointitiimiä pysymään oikeassa tahdissa asiakaskohtaamisessa.

Teksti: Kimmo Luoma, MicroMedia

Tekoäly on ABM-markkinoinnin tehoäly

Posted in ABM, AI, B2Bmarkkinointi, Complex Sales, Intent Data, Ostoaietieto by

Tekoälyn hyödyntäminen ABM-markkinoinnissa (Account-Based Marketing) avaa täysin uusia mahdollisuuksia. Perinteisesti ABM on ollut hyvin työvoimavaltaista ja vaatinut paljon manuaalista työtä, mikä on tehnyt siitä vaikeasti skaalautuvan. Nyt tekoäly mahdollistaa ABM-markkinoinnin skaalaamisen “massoille”, jolloin täysin räätälöidyt viestit voidaan kohdentaa one-to-one-kullekin päättäjälle – reaaliaikaisesti ja juuri oikeaan tarpeeseen. Tämä on erityisen merkityksellistä Complex Sales-yrityksille, joissa B2B-myyntiprosessit ovat pitkiä ja monimutkaisia, ja joissa mukana on useita ostajapersoonia ja päättäjiä. AI pystyy muuntelemaan asiakaslupausta ja ydinviestejä asiakkaittain, ostajapersoonittain ja ostoprosessin vaiheittain, mikä mahdollistaa huomattavasti tarkemman ja vaikuttavamman markkinoinnin.

Tekoäly, tai kuten tässä yhteydessä voidaan sanoa, tehoäly, mahdollistaa datan analysoinnin ja siihen pohjautuvat uudet viestit, sisällöt ja kehotteet (CTA) reaaliajassa ja tavalla, joka mahdollistaa muutokset välittömästi. Kaikki tämä on automatisoitavissa, mikä tarkoittaa, että vanhat manuaaliset analysoinnin ja sisällöntuotannon vaiheet voidaan korvata reaaliaikaisilla, automaattisilla prosesseilla. CRM:ään tallennettu tieto voidaan anonymisoituna siirtää tekoälytyökaluun (LLM-työkalut) analysoitavaksi API-rajapintojen ja integraatiotyökalujen, kuten Zapierin avulla. Analysoitu tieto ja uudet sisällöt voidaan samoin palauttaa markkinoinnin automaatioalustoille, kuten HubSpot, Salesforce tai Microsoft Customer Insights. Näin saadaan hyperpersonoituja ja ajoitettuja markkinointitoimia, jotka tukevat asiakkaan ostopolkua juuri oikealla hetkellä.

Tehoäly voi käyttää analysoinnin lähteenä myyjien ja ostajien dialogia, josta yleensä syntyy dokumentaatiota, CRM-kirjauksia, kvalitatiivista haastatteluaineistoa. Tämän vuorovaikutuksen aikana syntyy ostosignaaleja, ostoaietietoa ja päättäjätietoa kuin huomaamatta – sekä myyjän kirjaamisten että ostajan käyttäytymisen myötä. Tekoäly hyödyntää tätä dokumentoitua tietoa ABM-markkinoinnin sisältölähteinä ja auttaa kehittämään kaupallista prosessia tavalla, joka ei ole aiemmin ollut mahdollista.

Eri kohtaamispisteistä kerätyn kvalitatiivisen datan analysointi ABM-markkinointia varten

1. Analysoi asiakashaastattelut ja segmentoi

Aloita analysoimalla asiakashaastattelujen ja CRM-kirjausten kvalitatiivinen data tekoälyn avulla. Hyödynnä AI:ta tunnistamaan keskeiset kipupisteet ja tarpeet, jotka auttavat yleisön segmentoinnissa. Tämä luo pohjan tarkasti kohdennetuille ja vaikuttaville markkinointikampanjoille.

2. Tunnista uusia ostajapersoonia

AI voi analysoida CRM-tietoja ja asiakashaastatteluja tunnistaakseen eri roolihenkilöitä ja päätöksentekijöitä ostoprosessissa. Tämä tieto auttaa tunnistamaan mahdollisia uusia ostajapersoonia ja räätälöimään viestit heille oikein.

3. Hyödynnä ostoaietietoa liidien priorisoinnissa

Tekoäly analysoi CRM-kirjauksista löytyvää ostoaietietoa, mikä auttaa priorisoimaan liidejä ja ohjaamaan resurssit tehokkaammin niihin liideihin, joilla on suurin todennäköisyys edetä ostoprosessissa. Tämä parantaa markkinoinnin ROI:ta ja lisää myynnin tehokkuutta.

4. Muunna asiakaslupausta ostajapersoonittain ja ostoprosessin vaiheittain

AI:n avulla voit muuntaa asiakaslupauksen ja ydinviestit eri ostajapersoonien ja ostoprosessin vaiheiden mukaan. Tämä mahdollistaa sen, että jokainen viesti resonoi juuri kyseisen ostajapersoonan kanssa, mikä parantaa viestien osuvuutta ja kampanjoiden vaikuttavuutta.

5. Luo personoituja sisältöjä nurturointimarkkinointiin

Hyödynnä tekoälyä luomaan hyperpersonoituja nurturointikampanjoita, jotka mukautuvat reaaliaikaisesti liidien käyttäytymisen ja ostoaietiedon, esimerkiksi aikaikkunatiedon perusteella. Voit automatisoida kampanjat eri kanavissa, kuten sähköposti, IP-kohdennus ja ohjelmallinen ostaminen, jolloin viestit tavoittavat oikeat henkilöt oikealla hetkellä.

6. Automatisoi seurantaviestit ja optimoi ajoitus

AI voi automatisoida seurantaviestien lähettämisen asiakkaan käyttäytymisen ja vuorovaikutuksen perusteella. Tekoäly varmistaa, että seurantaviestit lähetetään oikeaan aikaan, jolloin ne ovat mahdollisimman vaikuttavia. Viestejä voidaan lähettää eri kanavissa, kuten sähköposti ja IP-kohdennus, ja niiden ajoitusta voidaan optimoida reaaliajassa.

Teksti: Kimmo Luoma, MicroMedia Oy

Siitä tuli henkilökohtaista

Posted in ABM, AI, Complex Sales, Ostoaietieto, sisältömarkkinointi by

AI personoi skaalassa.

Se mahdollistaa ultrapersonoinnin, jossa asiakasdataa, CRM-tietoja ja myyntitiimin tekemiä kirjauksia analysoimalla mukautetaan viestit vastaamaan yksittäisen päättäjän ajankohtaisia haasteita ja ostoprosessin vaihetta. Se mikä aikaisemmin ei ollut mahdollista aikataulu- tai kustannussyistä, on nyt tekoälyn käytön arkipäivää.

Monimutkaisessa Complex Sales-myyntiprosessissa on useita kohtaamispisteitä eri päätöksentekijöiden kanssa, ja AI pystyy analysoimaan näistä tehdyt kirjaukset tuottaakseen arvokkaita oivalluksia, insightia ja ostoaietietoa sekä B2B-markkinoinnille että -myynnille. Tämä synkronointi takaa, että päättäjäkohtaisesti personoidut, eri kanavissa julkaistut markkinointiviestit tukevat myyntiprosessia ja ovat linjassa päättäjän kuvaamien ongelmien ja tarpeiden kanssa

Esimerkki: AI voi analysoida CRM-järjestelmään tallennettua haastatteludataa ja tunnistaa, mitkä argumentit ovat tehonneet tiettyihin asiakkaisiin. Markkinointitiimi voi sitten luoda sisältöjä, jotka vahvistavat näitä myyntiargumentteja, ja auttaa asiakasta siirtymään ostoprosessissa eteenpäin.

Anna tekoälyn tehdä seuraavat työt päättäjittäin:

  1. Dokumentaation analyysi: Päättäjään liittyvät CRM-kirjaukset ja haastattelutiedot asiakastarpeen ja ostoprosessin vaiheen tunnistamiseksi
  2. Myyntiargumenttien suunnittelu: AI luo personoituja viestejä päättäjittäin. Ne perustuvat hänen kanssaan käytyihin keskusteluihin ja niistä tehtyihin litterointeihin ja kirjauksiin
  3. Personoidut markkinoinnin nurturointiviestit: AI hyödyntää CRM:ään tallennettuja tietoja ja haastattelutuloksia rakentaakseen automaattisia nurturointi-kampanjoita, jotka pohjatuvat päättäjän tarpeisiin, ostomaturiteettiin ja ostoprosessin vaiheiseen.
  4. CTA-optimointi: Kehotteet (CTA) päättäjäkohtaisesti hyödyntäen CRM- ja haastatteludataa
  5. Dynaaminen segmentointi ja markkinointilistat: Teköaly arvioi liidin lämpötilan tai pisteytyksen ja pitää sen ostoprosessin vaiheiden mukaisella markkinointilistalla.
  6. Liidien priorisointi: AI analysoi CRM-kirjauksia ja asiakashaastatteluita tunnistaakseen mitkä liidit ovat valmiimpia etenemään ostopolulla.

Teksti: Kimmo Luoma, MicroMedia

GTM-suunnittelu, ostoaietieto ja AI

Posted in AI, B2B, B2Bmarkkinointi, Complex Sales, Go-To-Market, Liidit, Markkinointi, Ostoaietieto by

Go-to-Market (GTM) -suunnittelu on kriittinen prosessi B2B-yrityksille, jotka haluavat menestyä uusilla markkinoilla ja tuotteilla tai kehittää nykyistä liiketoimintaansa. Erityisen tärkeää se on ns. Complex Sales-yrityksille. Yksi tehokkaimmista tavoista parantaa GTM-strategiaa on analysoida jo kerättyä ja dokumentoitua ostoaietietoa AI-työkaluin. Dokumentoitu ostoaietieto on arvokas resurssi, joka voi merkittävästi parantaa B2B-yrityksen GTM-suunnittelua.

GTM-suunnittelu AI-työkaluin:

1. Tee datainventaari

Valitse tarjooma tai segmentti, jota analysoit. Kerää 2-3 vuoden ajalta kaikki haastatteluaineistot ja CRM-kirjaukset joita analyysin kohteeseen liittyy.  HUOM! litteroi myös mahdolliset audiot. Varmista, että vastausdatassa on mukana myös taustamuuttujia: toimiala, kokoluokka, liikevaihdon kehitys, sijainti, tms.

2. Tiukenna segmentointia ja ICP-profiilia

Millainen on parhaan potentiaalin profiili? Analysoi asiakastapaamiseen, tarjoukseen ja kauppaan johtaneita keskusteluja. Mitä yhteisiä piirteitä AI löytää?  Nouseeko jotakin demografisia yhteneväisyyksiä esille? Olet ehkä tehnyt myyntiä ja markkinointia varten Ideal Customer Profile-määrityksen. Miten AI täydentää tätä vastausdataa analysoituaan?

3. Täsmennä myyntiargumentaatio ja -viestit

Analysoi koko vastausdataa, myös jatkosta tai tarjotusta CTA:sta kieltäytyneiden osalta. Miten heidän vastauksensa eroavat myönteisesti vastanneista? Mitä yhteisiä tekijöitä löytyy kieltäytymisistä, ja miten niitä voi käyttää viestien ja argumenttien parantamiseen? Tunnista AI:n avulla tärkeimmät syyt kieltäytymisiin ja säädä myyntiargumentteja vastaavasti. Hyödynnä vastauksista saatua tietoa parantaaksesi sekä suoria myyntiväittämiä että tukimateriaaleja, kuten esityksiä ja markkinointimateriaaleja.

4. Tuota markkinointisisällöt ja -konseptit

Vastausdatasta löydetyt aineistot, kuten avainsanat, trendit ja demografiset tiedot, tarjoavat arvokasta materiaalia infograafien ja muiden visuaalisten sisältöjen luomiseen sekä aineksia esimerkiksi blogitekstejä, artikkeleita ja kokonaisia markkinoinnin luovia konsepteja varten. Lisäksi voit hyödyntää vastausdataa hakukonenäkyvyyttä optimoidessasi. Voit myös AI avulla seurata jatkuvasti kampanjoiden tuloksia ja optimoida sisältöstrategiaasi.

5. Tunnista latentit ostoaikeet

AI:n avulla voit analysoida suuria määriä vastausdataa tehokkaasti ja nopeasti. Eksplisiittisten hankkeiden ja tarpeiden lisäksi vastausdata sisältää usein piileviä tarpeita, joita asiakkaat eivät suoraan ilmaise. AI voi tunnistaa nämä latentit tarpeet analysoimalla dataa syvällisesti ja löytämällä yhteyksiä, joita perinteiset analyysimenetelmät eivät havaitse. Maksimoit siis vastausdatan arvon keräämällä ostoaietietoa ostoprosessin eri vaiheista.

6. Täydennä analyysi kvantitatiivisella analytiikalla

Yhdistä analyysiin esimerkiksi hakukonekäyttäytymiseen pohjautuvaa dataa. Voit jatkojalostaa kaikkia yllämainittuja tavoitteenasi esimerkiksi asiakaskokemuksen parantaminen eri asiakaskohtaamispisteissä tai digitaalisten kanavien konversio-optimointi.

Teksti: Kimmo Luoma, MicroMedia

Syy vierailla Exceleiden hautausmaalla

Posted in AI, B2B, B2Bmarkkinointi, Intent Data, Myynti, Ostoaietieto, sisältömarkkinointi by

Dataa Exceleiden hautausmaalla.

CRM-kirjaukset ja -raportit, GTM-haastattelut, kartoituskampanjoiden haastatteluaineisto, buukkisoittojen vastausdata, win/loss-analyysien vastaukset jne. Yleisesti ottaen kaikki kvalitatiivinen haastatteluaineisto, business insight, jota on kerätty eri tavoin, eri käyttötarkoituksiin, eri asiakaskohtaamispisteissä. Varsinaisen käyttötarkoituksensa ja -hetkensä jälkeen hylätyt tiedostot maatuvat jossakin pilven reunalla, Exceleiden hautausmaalla ja hautarauhastaan nauttien.

Tällaista kvalitatiivista dataa on yleensä hengästyttävä n-määrä, joka siitäkin syystä jää hyödyntämättä. Tehokkaimmankaan myynti-tai markkinointijohtajan tai tiiminsä aika ei riitä kaiken aineiston läpikäyntiin ja analysointiin, vaikka vaisto sanookin, että sieltä olisi tehtävissä löytöjä esimerkiksi myyntiargumentaation tai segmentoinnin parannuksiin. Vaikka tiimissä olisi mukana Excel-velhojakin.

AI muutti tämän asetelman. Ja palautti isosti arvoa sekä aikaisemmin kerätylle että tulevissa aktiviteeteissa kerättävälle datalle. Asetelma kääntyi toisinpäin; Mitä enemmän vastausdataa, sen parempi. Nyt on mahdollista analysoida isoja n-määriä generatiivisen AI:n avulla, hyvin suunnitelluilla prompteilla. Helposti, kenen tahansa toimesta ja lähes reaaliajassa. Vihdoinkin voi olla data-driven, tehdä korjaavia ja ohjaavia toimenpiteitä AI:n opastamana nopealla vasteajalla. Myyntiargumenttien viilaaminen vastausdataan pohjautuen, päätös- ja valintakriteerien selvittäminen, uusien ostajapersoonien tunnistaminen, ICP-profiilien täsmentäminen, ostoprosessin eri vaiheiden mukaisten viestien ja niiden markkinointisisältöjen ja -konseptien tuottaminen, markkinointiautomaation työnkulkujen käynnistäminen vastausdataan pohjautuen jne. Käyttötapauksia riittää.

Tekoälyn impakti ja sen tarjoamat muutokset saadaan käyttöön jo yksittäisen taktisen kampanjan aikana, jolloin tehoja saadaan välittömästi esimerkiksi myyntiputken parantuneena konversiona.

Nyt on aika tehdä tehdä AI-interventio Exceleiden hautausmaalle ja rikkoa datan hautarauha!

Askelmerkit interventioon, 6T-malli:

1. Tee datainventaari

Valitse tarjooma tai segmentti, jota analysoit. Kerää 2-3 vuoden ajalta kaikki haastatteluaineistot, joita analyysin kohteeseen liittyy.  HUOM! litteroi myös mahdolliset audiot. Varmista, että vastausdatassa on mukana myös taustamuuttujia: toimiala, kokoluokka, liikevaihdon kehitys, sijainti, tms.

2. Tiukenna segmentointia ja ICP-profiilia

Millainen on parhaan potentiaalin profiili? Analysoi asiakastapaamiseen, tarjoukseen ja kauppaan johtaneita keskusteluja. Mitä yhteisiä piirteitä AI löytää?  Nouseeko jotakin demografisia yhteneväisyyksiä esille? Olet ehkä tehnyt myyntiä ja markkinointia varten Ideal Customer Profile-määrityksen. Miten AI täydentää tätä vastausdataa analysoituaan?

3. Täsmennä myyntiargumentaatio ja -viestit

Analysoi koko vastausdataa, myös jatkosta tai tarjotusta CTA:sta kieltäytyneitä.Miten heidän vastauksensa eroavat myönteisesti vastanneista? Mitä yhteisiä tekijöitä löytyy kieltäytymisistä, ja miten niitä voi käyttää viestien ja argumenttien parantamiseen? Tunnista AI:n avulla tärkeimmät syyt kieltäytymisiin ja säädä myyntiargumentteja vastaavasti. Hyödynnä vastauksista saatua tietoa parantaaksesi sekä suoria myyntiväittämiä että tukimateriaaleja, kuten esityksiä ja markkinointimateriaaleja.

4. Tuota markkinointisisällöt ja -konseptit

Vastausdatasta löydetyt aineistot, kuten avainsanat, trendit ja demografiset tiedot, tarjoavat arvokasta materiaalia infograafien ja muiden visuaalisten sisältöjen luomiseen sekä aineksia esimerkiksi blogitekstejä, artikkeleita ja kokonaisia markkinoinnin luovia konsepteja varten. Lisäksi voit hyödyntää vastausdataa hakukonenäkyvyyttä optimoidessasi. Voit myös AI avulla seurata jatkuvasti kampanjoiden tuloksia ja optimoida sisältöstrategiaasi.

5. Tunnista latentit ostoaikeet

AI:n avulla voit analysoida suuria määriä vastausdataa tehokkaasti ja nopeasti. Eksplisiittisten hankkeiden ja tarpeiden lisäksi vastausdata sisältää usein piileviä tarpeita, joita asiakkaat eivät suoraan ilmaise. AI voi tunnistaa nämä latentit tarpeet analysoimalla dataa syvällisesti ja löytämällä yhteyksiä, joita perinteiset analyysimenetelmät eivät havaitse. Maksimoit siis vastausdatan arvon keräämällä ostoaietietoa ostoprosessin eri vaiheista.

6. Täydennä analyysi kvantitatiivisella analytiikalla

Yhdistä analyysiin esimerkiksi hakukonekäyttäytymiseen pohjautuvaa dataa. Voit jatkojalostaa kaikkia yllämainittuja tavoitteenasi esimerkiksi asiakaskokemuksen parantaminen eri asiakaskohtaamispisteissä tai digitaalisten kanavien konversio-optimointi.

Teksti: Kimmo Luoma, MicroMedia