Tag Archives: b2bmarketing

Arkidata ja GTM-suunnittelu

Posted in B2Bmarkkinointi, Complex Sales, Go-To-Market, Intent Data, Liidit, Myynti, Ostoaietieto by

GTM ei ala nollasta. Se alkaa CRM:stä.

Usein Go-to-Market-suunnittelu alkaa ylhäältä: liiketoiminnan tavoitteet, kohdemarkkinat, uudet ICP:t ja avainasiakassegmentit. Mutta monessa organisaatiossa jää hyödyntämättä se käytännönläheisin ja usein ajantasaisin tietopohja: arkidata. Usein tuo data on rikasta mutta rakenteetonta: vapaamuotoista kirjauksia, kommentteja ja vastauksia, jotka jäävät CRM:n rivien väliin tai kampanjaraporttien alaviitteisiin.

  • CRM-muistiot asiakastapaamisista ja puheluista
  • Soittohistoriat ja kirjaukset: “kiinnostaa, mutta ei nyt”, “palataan Q3”
  • “Hävitty tarjous” -syyt CRM:ssä
  • Webinaariosallistumiset ja niihin liittyvät kysymykset
  • Oppaiden ja sisältöjen lataukset + sivustokäyttäytyminen
  • Kampanjapalautteet, tyyliin: “kiinnostaa mutta ei meillä ajankohtainen”
  • Chatbot- ja lomakevastaukset
  • Asiakastyytyväisyyskyselyn vastaukset
  • Käytetyt hakusanat

Jos CRM- ja kampanjadataa osataan tulkita oikein, GTM-suunnittelu nojaa jo testattuun kenttähavaintoon. Se kertoo enemmän ostokyvystä, aikomuksesta ja esteistä kuin mikään CTA- tai avausprosentti. Silti sitä hyödynnetään harvoin systemaattisesti Go-to-Market- (GTM) tai kampanjasuunnittelun pohjana.

 Arkidatan käyttö GTM-suunnittelussa

 1. Kokoa vapaamuotoinen, anonymisoitu aineisto yhdelle alustalle

Lähteet: CRM-muistiot, asiakaspalautteet, soittokirjaukset, kampanjapalautteet, webinaarikysymykset, tarjousmuistiot, chattien avoimet vastaukset. Yhdistä CSV-/TXT-muotoon tai vie AI-käsittelyä tukevaan ympäristöön (esim. SegmenttiPulse, ChatGPT, Make, Google Sheets + OpenAI).

 2. Puhdista aineisto kevyesti – älä ylisiloita

Tavoite ei ole puhdas kielioppi vaan merkitys. Poista vain virheelliset merkit, tuplarivit, asiakastunnisteet ja turhat kentät. Luota siihen, että AI ymmärtää epätäydellistä tekstiä – kunhan se on luettavissa rivitasolla.

3. Rakenna luokittelukehikko: 4–6 ydinkategoriaa

Yleisin ja toimivin jaottelu:

  • Aihe (AI, integraatio, vastuullisuus…)
  • Este (budjetti, resurssit, prioriteetti…)
  • Ajallinen vihje (“ensi Q2”, “syksyllä”, “joskus myöhemmin”)
  • Rooli (CMO, CTO, ostaja, käyttäjä…)
  • Emotionaalinen sävy (valinnainen): kiinnostunut, epäilevä, kiireinen

Nämä kategoriat antavat riittävän tarkan mutta skaalautuvan tulkintarungon AI:lle.

4. Käytä generatiivista AI:ta luokitteluun

Prompt-esimerkki (ChatGPT, GPT-4, Copilot tms.):

“Analysoi seuraava teksti ja palauta luokitukset aiheen, esteen, ajankohdan ja roolin mukaan. Käytä vain esimerkkikategorioita. Esitä tulos taulukkona.”

5. Tarkista ja normalisoi tulos

Poista synonyymivaihtelut: “tekoäly” = “AI”, “ei budjettia” = “budjetti”, “ensi syksynä” = “Q3”.

Luo selkeä, toistettava sanasto, jota käytät myöhemmin listojen ja raporttien suodatuksessa.

6. Vie rikastettu aineisto takaisin CRM:ään, Sheetseihin tai BI-ympäristöön

Tee jokaisesta kontaktista uusi “luokiteltu versio”. Voit käyttää kenttinä esim. “Signaled Topic”, “Primary Obstacle”, “Time Hint”, “Persona”, joista voidaan tehdä segmenttejä, kampanjoita ja automaatioita.

7. Käytä aineistoa GTM-suunnittelun perustana

Mihin segmenttiin liittyy eniten esteitä? Mikä aihe kiinnostaa eniten? Missä kvartaalissa on eniten “palaa asiaan” -mainintoja? Näistä syntyvät viestit, ajoitukset ja kohderyhmät seuraaviin lanseerauksiin.

8. Muuta löydökset hyötytietoa tarjoaviksi sisällöiksi

Esimerkiksi:

  • Whitepaper: “5 yleisintä estettä AI-hankkeiden aloittamiselle”
  • Infograafi: “CRM:n mukaan kiinnostavimmat aiheet keväällä 2024”
  • Blogisarja: “Mitä päättäjät kysyvät – ja miten vastasimme”
  • FAQ: toistuvimmat kysymykset CRM:n mukaan
  •  

9. Hyödynnä luokiteltua aineistoa hakusana-analyysin korvaajana tai rikastajana

Toistuvista CRM-sanamuodoista löytyy:

  • käyttäjien käyttämä terminologia
  • ei-tekninen kieli (esim. “haluaisin yksinkertaisen tavan aloittaa” → longtail)
  • yllättävät hakuintentiot (“voiko tätä käyttää ilman IT:tä?”)

Näistä saa aitoa sisältöstrategian polttoainetta ilman erillistä SEO-analyysiä.

10. Tee löydöksistä yksi yhteinen näkymä: markkinointi, myynti ja johto

Koosta taulukko tai dashboard:

  • Top 10 kiinnostuksen aihetta
  • Top 5 estettä etenemiselle
  • Top 3 ajankohtaa palata
  • Viestien emotionaalinen sävy / epävarmuuden signaalit
  • Roolijakaumat

Teksti: Kimmo Luoma, MicroMedia

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

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

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

B2B-liidien nurturointi 2024 – Aloita siitä mihin muut lopettavat

Posted in ABM, B2B, B2Bmarkkinointi, Inbound, Intent Data, Liidit, Ostoaietieto, sisältömarkkinointi by

B2B-ostamisen pitkät syklit tarkoittavat, että myös markkinoinnin on varauduttava hoitamaan, nurturoimaan, tunnistettuja liidejä pitkäkestoisesti. Sillä suurin osa B2B-markkinoinnista on – tai pitäisi olla – tunnistettujen tai tunnistautuneiden liidien työstämistä. Näkyykö tämä markkinoinnin työkalupakissa? Eipä juuri.

Sen sijaan että käytettäisiin luovuutta kanava- ja mediasuunnittelussa asiakasdialogin aikaansaamiseksi tai kilpailuedun saavuttamiseksi, B2B-markkinointi tyytyy melko kunnianhimottomiin liidienhoitomalleihin. Tyypillinen vastaus hoitomalleista kysyttäessä on ”newsletter-listat.” Siis staattisia tietokantoja, ei pisteytystä, ei monikanavaisuutta. Toinen vakiovastaus on ”myynti hoitaa ja kontaktoi”. Aivan kuin B2B-markkinoinnin ammattilaisia kiinnostaisivat vain ns. uudet logot ja toisaalta tulevien asiakkaiden itsepalvelu (inbound). Esimerkiksi Re-marketing ei enää kiinnosta, ”koska evästeet.”

Kuitenkin markkinointiteknologioiden, hakukoneiden, medioiden ja tekoälyn kehitystyö on avannut täysin uusia mahdollisuuksia hoitomalleille. Ostoaietietoon, sijaintiin tai IP-osoitteeseen kytketyt, monikanavaiset liidienhoitomallit ovat käytännössä jokaisen b2b-markkinoijan ulottuvilla.

Mikäli kunnianhimoa riittää, niin nurturoinnin mallit ovat rakennettavissa ostajapersoonittain ja ostoprosessin vaiheittain. Vaatii kanavaluovuutta, hikeä ja sisällöntuotannon (tai tekoälyn) resursseja.

4 vinkkiä monikanavaiseen liidien nurturointiin:

1. IP-kohdennettu markkinointi

Yrityskohtainen display-markkinointi.  Valitulle yritysyleisölle ohjelmallisen ostamisen keinoin kohdennettua markkinointia. Käsitetään edelleen aika geneerisenä TOP-OF-FUNNEL-mediana, vaikka mahdollistaa myös ostoprosessin eri vaiheiden huomioinnin re-marketing-tyyppisesti. Esimerkkinä Leadfeeder Promote.

2. LinkedIn Matched Audience

Selvä valinta B2B-liidien nurturointiin. Mahdollisuus importata valitut yritykset tai jopa päättäjäkontaktit ja kohdentaa näille LinkedInin ostetun median vaihtoehtojen avulla. Myös LinkedIn Re-marketing on oivallinen nurturoinnin media, käynnistyessään.

3. Intent-Based marketing

Ostoaietiedon (intent data) perusteella tapahtuva kohdennus. Joko first party- tai third party-dataan pohjautuvaa bannerimarkkinointia valituissa medioissa. Data voi olla yrityksen itsensä omista kanavistaan keräämää tai vaikkapa Googlen vastaavaa. Googlen Display Network-mainonta voi pohjautua potentiaalisen asiakkaan hakuihin tai verkkovierailuihin. Esimerkkinä Google Custom Intent Audience.

4. ABM-markkinointi tunnistetuille päättäjille ja vaikuttajille sähköpostitse

Eria asia kuin geneeriset newsletterit. Esimerkiksi ostoaie- ja päätösajankohtatiedon perusteella tapahtuvaa, yrityskohtaista sähköpostimarkkinointia ostoprosessiin osallistuville, myynnin verifioimille henkilöille. Viestit ovat räätälöityjä päättäjärooleittain ja tarvittaessa myös ostoprosessin vaiheittain. Esimerkkinä HubSpot ABM.

Teksti: Kimmo Luoma