ABMは顧客の主要な意思決定者をターゲットにするのに役立ちますが、役職は必ずしも見た目通りではありません。コラムニストのSonjoy Gangulyが、ABM戦略に階層構造を取り入れる方法を解説します。
アカウントベースドマーケティング（ABM）は、ターゲットアカウント内の意思決定者をターゲットとする強力な手段です。しかし、適切なターゲットにリーチできるかどうかは、データの質と目標達成のために設定されたツールに大きく左右されます。
しかし、アカウント内の役割に関連するデータを理解するには、まだ注意すべき点があります。役職名は必ずしも見た目通りではないからです。この微妙な違いだけでも、ABM戦略やアプローチに支障をきたす可能性があります。
戦略の中でタイトルの急激な変更を許容する
今日の企業はますます複雑化し、社内の意思決定階層はより専門化しています。スタートアップ企業や新興テクノロジー企業が人材確保を競う中、役職名、階層構造、組織図は市場の新たなダイナミクスを反映しています。今日の「ジュニア・アカウント・エグゼクティブ」は、明日の「アカウントマネジメントおよび市場開発担当シニアバイスプレジデント」となるでしょう。
ソーシャルメディアに存在する、構造化されていないユーザー定義の肩書きと組み合わせると、意思決定者をどのように特定できるでしょうか？見込み客が非伝統的な肩書きを持っている場合、従来のABMプログラムを実行しているときに、その見込み客を見落としてしまう可能性が非常に高くなります。
今日の企業階層構造はより複雑化し、より高度な専門性が求められています。そのため、対象となる意思決定者の役割について、より繊細な視点で捉えることが求められます。
今日のABM（Account Based Marketing）の取り組みは本質的に複雑であるため、よりきめ細かなタイトル設定を可能にする最新のB2Bオーディエンスサイエンスは、アカウントへのアプローチにおいて最も重要な資産となります。これにより、意思決定者ターゲットを非常に具体的に細分化し、より綿密にナーチャリングを行い、コンテンツマーケティングをカスタマイズすることで、より有意義なエンゲージメントを実現できます。
まず、自問自答してみましょう。誰と関わりたいですか？ターゲットオーディエンスは、業種、地域、権限レベルなどによって決まりますか？オーディエンスの職務範囲はどの程度ですか？多くのキャンペーンと同様に、フィルターを組み合わせてオーディエンスを定義することになります。
最も大切な連絡先を見つけるには、役職だけでなく、意思決定者の分類を細かく定義することが重要です。重要な考慮事項としては、業界、専門分野、機能などが挙げられますが、特にサブ機能はこれまで以上に重要になっています。
自動化と機械学習の支援
ABMテクノロジーが進化を続けるにつれ、データ資産をクレンジングする機械学習モデルの改良により、職種に基づいて上位機能と下位機能を特定できるようになり、より具体的できめ細やかなターゲティングが可能になります。結局のところ、購買委員会の多様性と規模がコンセンサスセールスの普及につながったように、理想的な顧客プロファイルを特定の職種に結び付けることは、旅行中に特定のホテルの部屋番号を探すのと同じような作業です。
この働き方を洗練させるには、各企業が独自の「タイトルマトリックス」、つまり社内で使用される役職体系を持っていることを認識することが重要です。これは体系化されていない場合もあれば、キャリアパスに沿って体系化されている場合もあります。しかし、この構造は社外の関係者に公開されることは稀で、時間の経過とともに変化します。
習得の要件
業界内や業界横断的な機能における役職名には共通の傾向がありますが、最終的には各企業が独自の役職名を決定します。稀に、ターゲット顧客がフラットな役職名体系を採用している場合もあります。ベル研究所は、すべてのエンジニアに「Member of the Technical Staff（技術スタッフのメンバー）」という単一の役職名を割り当てていたことで有名です。
したがって、この課題に取り組むための出発点として、アカウントのタイトルマトリックスを確認できることは、ABMマーケターとしてオーソリティをターゲットにする際に役立ちます。しかし、これは数ある要件のうちの1つに過ぎません。その要件には以下が含まれます。
- 主要な、明確なタイトルを知ること — 個人の肩書きは、相対的な権限に関する情報を伝えます。ABMマーケターとして、購買決定に至るチェーンの主要なリンクに影響を与えることに関心があるなら、権限に関するリードを得ることが重要です。機械学習は、これらの分類をより標準化された形式に整え、意思決定に至る最も可能性の高い権限チェーンに関する洞察を提供します。この情報を活用することで、ABMキャンペーンは購買に影響を与える人物を正確にターゲティングできます。
- サブ機能の理解 — 測定を始めるための鍵 リアル 権威ある機関は、ある人物が特定の職位を持つ可能性を高める機能的な情報を探し、その職位と一致させようとします。統計的にはあり得ないが頻繁に出現するフレーズを検討してみてください。こうしたフレーズは稀で風変わりですが、目立つため、重要です。
- 偏見に対処する さらに、機械学習モデルはアクセスできるデータのみで学習できるため、適切にラベル付けされ、統計的に代表性の高いデータセットにアクセスし、それを長期にわたって維持することが重要です。現在、主に技術職や特定のテクノロジー企業に関するデータが過剰に存在し、これがデータバイアスを生み出し、データの有用性を制限しています。このバイアスにより、データにアクセスできない分野では予測が困難になります。機械学習におけるバイアスの原因に対処するには、バイアスの原因を特定し、回避策を開発することで、それらに対して機械学習を学習させることが重要です。
次回: コードの解読
ABM コンテキスト内でタイトルを付けるインテリジェントなモデルは、開始するためのいくつかの基本的な手段に要約されます。
- ターゲット顧客企業のコホートを特定するこれらを特定するということは、これらの企業が共通の特徴を持っていることを意味します。ターゲット顧客が複数の業界や国にまたがっている場合でも、それぞれを独自のコホートとして扱うことを検討してください。
- コホートで使用されている職種名のセットと各企業でのその出現頻度を特定するこれには、ソリューション プロバイダーが持つべき大規模な B2B オーディエンス データ プールへのアクセスが必要です。
- コホートタイトルを正規化するここでは、業界内の企業間で同等のタイトルを特定し、複数の同等のタイトルを1つのラベルにまとめます。その結果、より小規模で一貫性のあるタイトルセットが作成されます。
- 階層を識別する文法規則からある程度の構造が分かります。例えば、「シニア」は「ジュニア」の上にあります。業界内の履歴書をまとめてみると、昇進するにつれて肩書きが変化する一般的な傾向が分かります。また、企業内での肩書きの使用頻度（前述の通り）を把握することで、妥当性を確認することができます。エグゼクティブの肩書きはジュニアの肩書きよりも使用頻度が低いからです。
分析が成功すると、業界内の抽象的なキャリアパスのグラフが機能領域ごとにまとめられ、グラフのエッジは年功序列の可能性を示します。また、グラフ上の点に対応する現実世界の役職も表示されます。
機械学習の魔法を駆使し、ターゲットアカウントのタイトルマトリックスをリバースエンジニアリングしました。コード解読完了です。
機械学習は、本質的には統計学という科学であり、何世紀もの歴史を持つ分野です。しかし、機械学習には、大量のデータから洞察を導き出すための、現在では実現可能な一連の技術も含まれています。
___
by ソンジョイ・ガングリー
ソース： マーテックトゥデイ
