Помимо демографических характеристик, оптимизация цен с помощью AI также использует в качестве базы данных результаты анализа поведения клиентов, такие как [2]:
«Цены, которые клиент принимал в прошлом. Поведение похожих покупателей. Текущая динамика цен на рынке. Другие факторы, имеющие отношение к успешным транзакциям в прошлом».
Таким образом, преимущества динамического ценообразования заключаются в автоматическом изменении цен в случае изменений рыночной среды, адаптации к фактической готовности клиентов платить и большей эффективности.
Динамическое ценообразование в настоящее время используется в основном в онлайн-секторе. Поскольку у многих средних компаний уже есть интернет-магазин, эта оптимизированная цена больше не является вариантом выбора лишь для крупных игроков. Ее также могут разумно использовать небольшие компании. Однако предварительным условием для этого является высокий уровень точности, доступности и полноты данных, а также подготовка всей компании к динамическому ценообразованию (например, адаптация печатных прайс-листов, маркетинговые меры и т. д.).
Прогнозная оценка потенциальных клиентов
Predictive Lead Scoring использует алгоритмы прогнозирования машинного обучения для анализа существующих клиентов, чтобы определить, насколько вероятно, что потенциальный клиент (= контакт) может быть получен в качестве клиента.
С помощью искусственного интеллекта сотрудники отделов продаж и маркетинга получают глубокие знания о клиенте и увеличивают вероятность успешного заключения сделки, поскольку могут сосредоточиться на перспективных клиентах и целенаправленно обращаться к ним.
Приложение AI оценивает, какое поведение и какие характеристики оказываются интересными лидерам продаж (=квалифицированным руководителям отделов продаж). На основе этих данных затем могут быть идентифицированы те потенциальные клиенты, которые готовы к разговору о продажах и могут быть отправлены в отдел продаж.
Оставшиеся лиды нуждаются в дальнейшей поддержке со стороны отдела маркетинга.
Данные третьих сторон также могут быть включены в анализ.
Одним из впечатляющих примеров является пример Harley-Davidson в Нью-Йорке [2]:
«использование Albert Ki привело к увеличению числа потенциальных клиентов на 2,930%. Технология фокусируется на поведении, которое побуждает потенциальных клиентов связываться с Harley Davidson. Например, AI исследовал рекламу с призывом «Купи!» На этот призыв было получено значительно меньше ответов, чем на призыв «Звоните!». Благодаря изменению всего одного слова количество ответов на размещенные объявления за рассматриваемый период увеличилось на 447%.
Еще одним успешным примером служит пример определения ценных прошлых клиентов. AI отобрал тех людей, которые либо уже приобрели продукт Harley-Davidson, либо добавили его в свою онлайн-корзину, либо были среди 25 процентов посетителей веб-сайта, которые провели там больше всего времени. Эти «ценные прошлые клиенты» использовались в качестве основы для выявления «двойников», которые не были клиентами Harley-Davidson, но в остальном отвечали многим критериям группы и, следовательно, являлись отличными потенциальными клиентами.
Таким образом, прогнозный подсчет потенциальных клиентов делает оценку возможностей продаж не только более эффективной и масштабируемой, но и более объективной, т.е. независимой от субъективных факторов. Подобные системы обычно уже интегрированы в системы автоматизации маркетинга.
Пример Hubspot [2]:
«С помощью искусственного интеллекта компания может с самого начала отсортировать менее перспективные контакты и тем самым сократить продажи данным контактам».