これは、 Data Cloud のモデル ビルダー を使用して 構築できる 予測AI のユース ケースを詳しく説明する 一連の記事です 。 この シリーズの最初の記事は、 営業 チームの生産性を向上させ 、 目標を より早く達成するのに役立つ 営業 ユース ケースを対象としています 🎯 。
ボーナス : この ブログのすぐに 参照できる 資料は 、 改良された ヘルプ記事 セクションで P D F として入手できます。 こちらに
直接リンク(英語版) があります 。
今日のセールスチームの現状
今日の 営業チームは 、 かつてないほどの プレッシャー に直面しています。大量の リード ( おそらく質が低い ) 、財布が締め付けられる厳しい経済環境 、 そして 常に変化する顧客の期待 。 そして、 顧客離れに対する絶え間ない心配 と 手作業による管理作業の負担も忘れてはなりません 。これらすべてが、目標を達成するか、残念ながら達成できないかというプレッシャーを営業担当者に感じさせます。そして、そのプレッシャーは、チームのパフォーマンスや予測精度のギャップに対して責任を取るべき営業リーダーにもカスケードされます。
最近の Salesforceレポートの統計をいくつか見てみましょう
今日の世界で営業チームが直面している問題を裏付けるデータです。では、営業チームはどうなるのでしょうか。そして解決策は何でしょうか。予測 AI の力についてお話ししましょう。
販売における予測AIの力
予測 AI は、ビジネス プロセスにシームレスに組み込むことができる予測スコアを通じて、これらの課題を解決する強力な手助けとなってきました。予測モデルは、どのリードが最もコンバートする可能性が高いか、どの取引が成立寸前か、どの顧客が解約の危険にさらされているかを営業担当者が把握するのに役立ちます。これが予測 AI の魔法です。予測 AI は、営業担当者の営業へのアプローチを変革する洞察を提供します。結局のところ、営業は芸術であり、営業担当者はより多く、より早く、より良く販売するためのツールを必要としています。
Data Cloud + モデルビルダー = セールスインサイト
それでは、どのように営業チーム向けの予測ユースケースの構築を開始するのでしょう。CRM メタデータ、さまざまなチャネルからのエンゲージメントデータなど、さまざまなデータソースがすべてData Cloudですでに統合され、調和されている企業では、ノーコード モデル ビルダーでこれらを使ってAIモデルを構築するだけで済みます。
包括的な概要については、弊社のブログ「Data Cloud でノーコードでAIモデルを作る」をお読みください。弊社では他にも多くの記事を公開していますので、この記事の最後にあるリソース セクションをご覧ください。
モデルが構築されると、予測を任意の場所に埋め込むことができるようになります。LWC コンポーネントとしてオブジェクト ページに埋め込んだり、フローやプロンプトビルダーなどで使用したりできます。以下は、予測、主な要因、および結果を改善するための推奨事項を詳しく説明した LWC コンポーネントの例です。
営業チーム特有の課題
ユースケースに入る前に、まず営業チームが直面している主な課題を理解しましょう。営業チームが抱える多くの懸念の中でも、最も懸念されるのは、取引の成約率の低さ、契約更新率の低さ、解約率の高さです。営業チームにとって、すべては目標を達成すること、という 1 つのことに集約されます。
しかし、有望なリードに優先順位を付けられないこと、取引サイクルが長期化していること、予測が不正確であることなどの障害は、これらの結果に直接影響を及ぼします。これらの問題は、営業パフォーマンスを妨げるだけでなく、目標を達成できないことでパフォーマンス評価が下がることが多いため、フラストレーションも生じます。正直な所、誰がそんなことを望むでしょうか?
実用的な営業向けユースケース
これらの課題に取り組むために、予測 AI がさまざまなカスタマイズされた予測モデルを通じてどのようにソリューションを提供できるかを検討してみましょう。
#1 リードコンバージョン率の向上
#2 商談勝率の向上
#3 成約までの時間の短縮
#4 予想収益の予測
#5 解約確率の低減
#6 営業担当者のパフォーマンスの向上
#7 契約更新率の向上
#8 見積承認率の向上
#9 リピートビジネスの増加
#10 生涯価値の向上
B2BとB2Cがユースケースに与える影響
- リード スコアリング、解約、およびここにリストされているその他のユース ケースの一部は、B2B と B2C の両方に適用できます。
- B2Bの場合は、アカウントに関するデータ（人口統計、企業統計、地理データ、エンゲージメント）を収集します。
- B2C の場合は、顧客/個人に関するデータ（人口統計、地理データ、顧客のエンゲージメント）を収集します。
ユースケースの構造
ユースケースはいくつかの主要コンポーネントに関するコンテキストをカバーしています
- 推奨されるモデルビルダーの設定:
- 手始めにちょうどいい利用可能なデータソース
- 推奨モデルタイプ
- 目的関数
- 注: ここで概説した設定とデータ ソースは、出発点を提供し、ビジネスのアイデアを刺激することを目的とした推奨事項です。予測モデルはさまざまな変数を使用してさまざまな方法で作成できます。予測モデリングには万能のアプローチはありません。この推奨設定から始めて、作業を進めていくにつれて、ビジネスや特定のユース ケースに合わせて調整された追加の変数を検討することを検討してください。
- モデル出力をビジネスでどのように使用するか：このセクションでは、予測を業務フローでどのように使用できるかを説明し、スコアに基づいてビジネスプロセスを定義します。
- このモデルで得られる成果:このセクションでは、特定のモデルで達成できる成果について説明します。
それでは、個々のユースケースについて詳しく見ていきましょう。
#1予測リードスコアリングモデルでリードコンバージョン率を向上
リード スコアリング モデルを使用すると、コンバージョンの可能性に基づいてリードに自動的にスコアを付けてランク付けし、営業チームが最も有望なリードに注力してコンバージョン率を向上させることができます。
推奨されるモデルビルダーの設定
Data Cloud のモデルビルダーを使用して予測リード スコアリング モデルの構築を開始するには、履歴データに関するいくつかの重要な入力が必要です。
- リードの人口統計、役職、経験、取引サイクルにおける役割（購入者、ユーザー、意思決定者）、地理的詳細などの情報を収集します。
- 業界、従業員数、収益範囲などのアカウントの企業データと地理的詳細を追加します（B2B のみに適用）
- キャンペーンの開封、クリック率、ウェブサイトの訪問、セッション期間、コンテンツのダウンロードなど、チャネル間のインタラクション履歴をまとめます。
- 該当する場合は、最新性、DAU または MAU としての頻度、特定の機能の使用状況などの製品使用データを追加します。
- 入手できれば、コンテンツに対するインタラクションやサードパーティの意図データなどのソーシャルメディアデータを入手します。
このデータがあれば、リードが顧客に変わる可能性を最大化することを目的としたバイナリ分類モデルを設定できます。このアプローチは、潜在的可能性の高いリードを優先し、最も重要な部分に販売活動を集中させるのに役立ちます。
モデルを構築する前の準備ステップ
トレーニング データセットをまだ準備していない場合は、まず、利用可能な属性とターゲット変数 (または目標) を含むデータを 1 つの DMO にコンパイルします。リード スコアリングの例を説明すると、リード属性、アカウント属性、エンゲージメント メトリック、およびターゲット変数 (または目標) を含む代表的なトレーニング DMO を作成します。これがモデル構築に使用されます。
この場合、ターゲット変数は
IsLeadConvertedToCustomer (🎯 アイコンとともに紫色で強調表示) です。リードが顧客に正常に変換された場合、このフィールドには Yes のタグが付けられます。これには、受注した取引と失った取引、および既存の顧客と解約した顧客が含まれます。不適格またはドロップされたリードの場合、このフィールドはNo とマークされます。
✅ モデルタイプ：バイナリ分類
🎯 ゴール： IsLeadConvertedToCustomer = Yes を最大化
モデルの出力をビジネスで活用する方法
モデルを構築し、ライブ データで予測を生成したら、次のステップはそれをワークフローに組み込むことです。予測の準備ができたら、次の重要なアクションを実行します。
- 予測に基づいて最優先のリードを優先する
- これらの有望なリードを営業チームにルーティングする
- 顧客に合わせたアウトリーチをカスタマイズする
- 潜在的可能性の高いリードへのリソースの割り当てを最適化する
このモデルで得られる成果
モデル ビルダーを使用して堅牢なリード スコアリング モデルを実装することで、企業は以下の成果を達成できます。
⬆️ リードコンバージョン率の向上
⬆️ 販売効率の向上
⬆️ 販売サイクルの加速
⬆️ マーケティングチームと販売チームの連携
#2 取引の成立または締結の予測可能性モデルで成立確率を向上させる
このモデルを使用すると、成約の可能性に基づいてパイプライン内の販売機会を評価および優先順位付けできるため、営業担当者は最も可能性の高いものに集中して販売サイクルを加速できます。機会を逃さず、適切な機会に集中できます。
推奨モデルビルダー設定
このモデルでは、まず取引や機会に関する履歴データが必要です。
- 取引の規模、金額、提供される割引、製品の詳細、および勝率に影響を与えるその他の属性などの機会の詳細を収集します。
- 過去の取引の勝敗データにいくつかの変数を作成する
- リードの人口統計、役職、経験、取引サイクルにおける役割（購入者、ユーザー、意思決定者）、地理的詳細に関する情報を収集します。
- 業界、従業員数、収益範囲などに関するアカウントの企業統計データを追加します（B2B のみに適用）
- 会議、通話、メールなどの顧客とのやり取りの履歴を収集し、指標に基づく変数を作成します。
- 取引サイクルの各段階における変数、各段階で費やされた時間などを含めます。
- 製品の関心と競合他社を考慮して精度を高めます。
このデータを使用して、取引が成立する可能性を最大化することを目的としたバイナリ分類モデルを設定できます。このアプローチは、潜在性の高い機会を優先し、最も重要な場所に販売活動を集中させるのに役立ちます。
✅ モデルタイプ:バイナリ分類
🎯 目標: IsDealClosed = Yes を最大化
モデルの出力をビジネスで活用する方法
モデルが稼働したら、次に実行できる主なアクションをいくつか紹介します。
- 最も可能性の高い取引とリスクのある取引を優先する
- スコアに基づいて販売戦略を調整する
- リソースを効果的に配分する
- 戦術を監視し調整する
このモデルで得られる成果
モデル ビルダーを使用してこのモデルを実装することで、企業は以下の成果を達成できます。
⬆️ 取引の成約率の向上。
⬆️ 販売サイクルの加速
⬆️ より正確な販売予測
⬆️ 販売生産性の向上
#3 予測成約時間モデルで成約までの時間を短縮
予測成約時間モデルを使用して、予測成約時間に基づいてパイプライン内の販売機会を評価し、優先順位を付けます。これにより、営業マネージャーと営業チームは予測プロセスを合理化し、迅速に成約できる取引に集中できるため、成約までの時間が短縮されます。
推奨モデルビルダー設定
成約までの時間を予測するには、主に取引と段階に関するデータが必要です。
- 取引規模、金額、提供される割引、製品の詳細などの機会の詳細を収集します
- 過去の取引の勝敗データにいくつかの変数を作成する
- 取引サイクルの各ステージの変数、各ステージで費やされた時間などを含めます。これは、各ステージの速度を理解するために重要です。
- リードの人口統計、役職、経験、取引サイクルにおける役割（購入者、ユーザー、意思決定者）、地理的詳細に関する情報を収集します。
- 業界、従業員数、収益範囲などに関するアカウントの企業統計データを追加します（B2B のみに適用）
- 会議、通話、メールなどの顧客とのやり取りの履歴を収集し、指標に基づく変数を作成します。
- 製品の関心と競合他社を考慮して精度を高めます。
このデータがあれば、成約までの日数や成約日を最小限に抑えることを目的とした回帰モデルを設定できます。このアプローチは、迅速に成約できる商談を特定して優先順位を付け、販売プロセスを合理化するのに役立ちます。
✅ モデルタイプ:回帰
🎯 目標: DaystoClose を最小化する
モデルの出力をビジネスで活用する方法
モデルが稼働したら、次に実行できる主なアクションをいくつか紹介します。
- リスクのある取引よりも、すぐに成果が得られる取引を優先する
- プロセスを合理化する
- フォローアップを最適化する
- リソースを割り当てる
このモデルで得られる成果
モデル ビルダーを使用してこのモデルを実装することで、企業は以下の成果を達成できます。
⬆️ 販売サイクルの加速
⬆️ 販売予測の強化
⬆️ 取引の成約率の向上
⬆️ 販売生産性の向上
#4 予測収益モデルで予想収益を予測する
収益予測モデルを使用して、潜在的な収益に基づいてパイプライン内の販売機会に優先順位を付け、営業担当者が財務的影響が最も大きい取引に集中できるようにすることで、収益の増加と収益予測の精度向上を実現します。
推奨モデルビルダー設定
収益を予測するには、主に取引に関するデータが必要です
- 取引規模、金額、提供される割引、製品の詳細などの機会の詳細を収集します
- 過去の取引の勝敗データにいくつかの変数を作成する
- 取引サイクルの各ステージの変数、各ステージで費やされた時間などを含めます。これは、各ステージの速度を理解するために重要です。
- リードの人口統計、役職、経験、取引サイクルにおける役割（購入者、ユーザー、意思決定者）、地理的詳細に関する情報を収集します。
- 業界、従業員数、収益範囲などに関するアカウントの企業統計データを追加します（B2B のみに適用）
- 会議、通話、メールなどの顧客とのやり取りの履歴を収集し、指標に基づく変数を作成します。
- 製品の関心と競合他社を考慮して精度を高めます。
このデータがあれば、取引収益の最大化を目的とした回帰モデルを設定できます。このアプローチは、収益性の高い機会を特定して優先順位を付け、販売戦略を強化するのに役立ちます。
✅ モデルタイプ:回帰
🎯 目標:取引収益の最大化
モデルの出力をビジネスで活用する方法
モデルが稼働したら、次に実行できる主なアクションをいくつか紹介します。
- 価値の高い機会を優先する
- 収益予測の改善
- 販売戦略の最適化
- リソースを割り当てる
このモデルで得られる成果
モデル ビルダーを使用してこのモデルを実装することで、企業は以下の成果を達成できます。
⬆️ 売上予測の強化
⬆️ 取引成立率の向上
⬆️ 販売サイクルの加速
⬆️ 販売生産性の向上
#5 解約予測モデルで解約確率を下げる
解約予測モデルを使用して、離脱の恐れがある既存顧客を特定します。これにより、営業チームはターゲットを絞ったオファーやパーソナライズされたエンゲージメントを通じて顧客を維持するための積極的な対策を講じることができ、顧客維持率の向上と解約の削減につながります。
推奨モデルビルダー設定
Data Cloud のモデル ビルダーを使用して解約予測モデルの構築を開始するには、いくつかの重要なデータ入力が必要です。
- リードの人口統計、役職、経験、取引サイクルにおける役割（購入者、ユーザー、意思決定者）、地理的詳細に関する情報を収集します。
- 年齢、業種、セグメントなどのアカウントの企業特性と、所在地などの人口統計情報を収集します（B2B のみに適用）
- 連絡先またはアカウントの最近のやり取り履歴をチャネル全体にわたってまとめます（サポートチケット/ケース、メール、通話、会議）
- 購入履歴、契約更新、顧客満足度スコアに関連する変数をまとめる
- 最近の製品使用データに基づく変数を含める
- オープン/クローズされた取引の数、金額、割引に関する取引概要を追加します
このデータがあれば、顧客離れを最小限に抑えることを目的とした回帰モデルを設定できます。このアプローチは、リスクのある顧客を特定し、効果的な顧客維持戦略を実施するのに役立ちます。
✅ モデルタイプ:バイナリ分類
🎯 目標: IsCustomerChurned = Yes を最小化する
モデルの出力をビジネスで活用する方法
モデルが稼働したら、次に実行できる主なアクションをいくつか紹介します。
- リスクのある顧客を特定する
- 保持戦略をパーソナライズする
- ターゲットを絞ったインセンティブを提供する
- エンゲージメント戦略を監視および調整する
このモデルで得られる成果
このモデルを実装することで、企業は以下の成果を達成できます。
⬆️ 顧客維持率の向上
⬆️ 収益安定性の向上
⬆️ 顧客生涯価値の向上
⬆️ 解約に関連する運用コストの削減
#6 営業担当者パフォーマンスモデルで営業担当者のパフォーマンスを向上させる
営業担当者のパフォーマンスモデルを使用して、個々の営業担当者のパフォーマンスを分析し、強み、改善領域、チーム全体で共有できるベストプラクティスを特定することで、チーム全体のパフォーマンスと生産性が向上します。
推奨モデルビルダー設定
営業担当者のパフォーマンス モデルの構築を開始するには、営業担当者とその過去のパフォーマンスに関するデータが必要です。
- 営業担当者の人口統計、経験、役割、その他の属性を収集する
- 過去の取引成立率や平均取引規模など、過去に処理した取引の尺度となる取引の詳細をまとめます。
- 獲得したボーナスや達成した目標に関するデータを含めます。
- 顧客エンゲージメント データを収集して、顧客が注いだ努力を把握します。
- 顧客からのフィードバックを含める
このデータがあれば、営業担当者のパフォーマンスを最大化することを目的としたバイナリ分類モデルを設定できます。このアプローチは、トップ パフォーマーと営業担当者が改善できる領域を特定するのに役立ちます。
✅ モデルタイプ:バイナリ分類
🎯 目標: SalesRepPerformanceRating を最大化 = 高
モデルの出力をビジネスで活用する方法
モデルが稼働したら、次に実行できる主なアクションをいくつか紹介します。
- 上位と下位の業績者を特定する
- 改善すべき点を強調する
- トレーニングと開発プログラムをカスタマイズする
このモデルで得られる成果
このモデルを実装することで、企業は以下の成果を達成できます。
⬆️ 個々の営業生産性の向上
⬆️ 収益成長の加速
⬆️ ノルマ達成率の向上
⬆️ リソース効率の向上
#7 契約更新予測モデルで契約更新を増やす
契約更新予測モデルを使用して、どの契約が最も更新される可能性が高く、どの契約がリスクにさらされているかを予測します。これにより、ターゲットを絞った更新戦略が可能になり、契約更新率が向上します。
推奨モデルビルダー設定
契約更新予測モデルの構築を始めるには、まず契約の詳細が必要です。
- 連絡先/アカウントの契約履歴（以前の契約期間、更新日、金額、割引など）をまとめます。
- リードの人口統計、役職、経験、取引サイクルにおける役割（購入者、ユーザー、意思決定者）、地理的詳細に関する情報を収集します。
- 年齢、業種、セグメントなどのアカウントの企業特性、所在地などの人口統計情報を収集します（B2B のみに適用）
- 連絡先またはアカウントの最近のやり取り履歴をチャネル全体にわたってまとめます（サポートチケット/ケース、メール、通話、会議）
- LTV、最近のフィードバック/満足度スコアなどの収益指標をまとめる
- また、最近の製品使用データに基づく変数
このデータがあれば、契約更新リスクを最小限に抑えることを目的としたバイナリ分類モデルを設定できます。このアプローチは、更新される可能性が高い契約と更新されないリスクのある契約を識別するのに役立ちます。
✅ モデルタイプ:バイナリ分類
🎯 目標: IsContractRenewed = True を最大化
モデルの出力をビジネスで活用する方法
モデルが稼働したら、次に実行できる主なアクションをいくつか紹介します。
- リスクのある契約を特定する: 更新される可能性が高い契約と更新されないリスクのある契約に焦点を当てます。
- 更新戦略をカスタマイズする: 特定の顧客のニーズに対応するために更新の取り組みをカスタマイズします。
- ターゲットを絞ったインセンティブを提供する: 契約更新を促すためにパーソナライズされたオファーを提供します。
- エンゲージメント戦術の監視と調整: 顧客の反応に基づいて戦略を継続的に改善します。
このモデルで得られる成果
このモデルを実装することで、企業は以下の成果を達成できます。
⬆️ 顧客維持率の向上
⬆️ 収益安定性の向上
⬆️ 顧客生涯価値の向上
⬆️ 運用効率の向上
#8 見積承認予測モデルで見積承認率を向上
見積承認予測を使用して、ボトルネックを予測し、日常的なタスクを自動化することで見積から入金までのプロセスを合理化し、取引成立までの時間を短縮して、より効率的で効果的な販売プロセスを実現します。
Data Cloud のモデル ビルダーを使用して見積承認予測モデルの構築を開始するには、いくつかの重要なデータ入力が必要です。
- 金額、支払い条件、割引額、製品の詳細、変更履歴などの見積詳細を収集します。
- 取引サイクルの各ステージの変数、各ステージで費やされた時間などを含めます。これは、各ステージの速度を理解するために重要です。
- リードの人口統計、役職、経験、取引サイクルにおける役割（購入者、ユーザー、意思決定者）、地理的詳細に関する情報を収集します。
- 業界、従業員数、収益範囲などに関するアカウントの企業統計データを追加します（B2B のみに適用）
- 会議、通話、メールなどの顧客とのやり取りの履歴を収集し、指標に基づく変数を作成します。
- 製品の関心と競合他社を考慮して精度を高めます。
このデータがあれば、見積りの承認率を最大化することを目的としたバイナリ分類モデルを設定できます。このアプローチは、プロセスのボトルネックを特定し、日常的なタスクを自動化するのに役立ちます。
✅ モデルタイプ:バイナリ分類
🎯 目標: QuoteAccepted = True を最大化
モデルの出力をビジネスで活用する方法
モデルが稼働したら、次に実行できる主なアクションをいくつか紹介します。
- プロセスのボトルネックを特定する: 見積もりから入金までのプロセスで取引の成立を遅らせる領域を特定します。
- 日常的なタスクを自動化: 反復的なタスクを合理化して、より戦略的な活動のための時間を確保します。
このモデルで得られる成果
このモデルを実装することで、企業は以下の成果を達成できます。
⬆️ 見積承認率の向上
⬆️ 販売サイクルの加速
⬆️ 正確な販売予測
⬆️ 生産性の向上
#9リピート購入予測モデルでリピート率を向上
リピート購入予測モデルを使用して、リピート購入を行う可能性が高い顧客を特定します。これにより、営業チームはターゲットを絞ったオファーやパーソナライズされたエンゲージメントでこれらの顧客に焦点を当てることができ、リピートビジネスと顧客ロイヤルティが向上します。
推奨モデルビルダー設定
Data Cloud のモデル ビルダーを使用してリピート購入予測モデルの構築を開始するには、いくつかの重要なデータ入力が必要です。
- 平均注文額（AOV）、購入頻度、前回の購入からの時間、製品カテゴリ、該当する場合は連絡先/アカウントに提供される割引などの購入詳細を収集します。
- 生涯価値 (LTV)、合計注文数などの連絡先/顧客収益指標に関する変数を含めます。
- リードの人口統計、役職、経験、取引サイクルにおける役割（購入者、ユーザー、意思決定者）、地理的詳細に関する情報を収集します。
- 業界、地理的な場所、従業員数、顧客の年齢などのアカウントの企業統計データを追加します（B2B のみに適用）
- 会議、通話、電子メールなどの顧客とのやり取りの履歴をまとめます
- NPS や競合他社の活動データなどの顧客フィードバック指標を組み込むことで、予測精度が向上します。
このデータがあれば、リピート購入を最大化することを目的としたバイナリ分類モデルを設定できます。このアプローチは、価値の高いリピーター顧客を特定し、エンゲージメント戦略をカスタマイズするのに役立ちます。
✅ モデルタイプ:バイナリ分類
🎯 目標: RepeatPurchaseCustomer を最大化 = True
モデルの出力をビジネスで活用する方法
モデルが稼働したら、次に実行できる主なアクションをいくつか紹介します。
- 価値の高いリピーター顧客を特定する
- パーソナライズされたキャンペーンをターゲットにする
- 再エンゲージメントのためのリソースを割り当てる
このモデルで得られる成果
このモデルを実装することで、企業は以下の成果を達成できます。
⬆️ リピート購入率の向上
⬆️ 顧客ロイヤルティと維持率の向上
⬆️ 顧客生涯価値の向上
⬆️ パーソナライズされたマーケティング戦略の改善
#10 生涯価値を高める
顧客生涯価値予測モデルを使用して高価値顧客の将来価値を予測し、営業チームとマーケティングチームがこのセグメントに重点を置く戦略を立てられるようにすることで、収益の増加と長期的な顧客関係を実現します。
推奨モデルビルダー設定
モデルを開始するには、顧客に関するいくつかの重要なデータを入力する必要があります。
- 平均注文額 (AOV)、購入頻度、前回の購入からの時間、連絡先/アカウントの製品カテゴリなどの購入履歴の詳細を収集します。
- 過去の生涯価値（LTV）、総注文数、総収益、連絡先/アカウントの過去の支出パターンなどの収益指標に関する変数を含める
- リードの人口統計、役職、経験、取引サイクルにおける役割（購入者、ユーザー、意思決定者）、地理的詳細に関する情報を収集します。
- 業界、地理的位置、顧客の年齢、人口統計属性などのアカウントの企業特性データを追加します。(B2B のみに適用)
- 会議、通話、電子メール、エンゲージメント レベルなどの顧客とのやり取りの履歴をまとめます。
- NPS、解約の可能性、競合他社の影響などの顧客フィードバック指標を考慮して予測を精緻化します。
このデータがあれば、顧客生涯価値 (CLV) を正確に予測することを目的とした回帰モデルを設定できます。このアプローチは、価値の高い顧客を特定し、それに応じて戦略を立てるのに役立ちます。
✅ モデルタイプ:回帰
🎯 目標: CustomerCLV を最大化する
モデルの出力をビジネスで活用する方法
モデルが稼働したら、次に実行できる主なアクションをいくつか紹介します。
- 高価値顧客を特定し、マーケティングおよび販売戦略をパーソナライズする
- 顧客エンゲージメントの強化
- クロスセルとアップセルの機会を最適化
このモデルで得られる成果
このモデルを実装することで、企業は以下の成果を達成できます。
⬆️ 顧客生涯価値の正確な予測
⬆️ 重点的な維持および獲得戦略
⬆️ 高価値顧客の優先順位付けの改善
⬆️ マーケティングおよび販売活動の ROI の向上
結論
この記事では、モデルビルダーを使用して構築できる実用的なユース ケースを検討し、営業上の課題をチャンスに変えて、チームがより情報に基づいたデータ主導の意思決定を行えるようにしました。これらのユース ケースを検討し、ニーズに合わせてモデルを構築することで、営業サイクルの迅速化、成約率の向上、そして営業目標の継続的な達成を容易に実現できます。
より多く、よりスマートに、より速く販売するために前進します!!!
レビューを寄せてくれたBobby Brill氏に心から感謝します
モデルビルダーに関するその他のリソース
- ブログ:
- Salesforce ヘルプ記事:
- YouTube:Model Builder: Ask Me Anything with Salesforce Developers
- ポッドキャスト: What Are the Key Features of Salesforce’s Model Builder?
Written by
