虽然ABM可以帮助您锁定客户中的关键决策者，但职位名称并不总是如表面看起来那样重要。专栏作家Sonjoy Ganguly解释了如何将层级结构纳入您的ABM策略。
基于客户的营销 (ABM) 是一种强大的方式，可以帮助您精准触达目标客户中的决策者。然而，能否触达目标人群取决于您的数据质量以及您所使用的工具。
但要理解与客户账户内部角色相关的数据，仍然存在一些问题。要知道，职位名称并不总是与表面意思相符。仅仅是这种细微差别就可能扰乱你的ABM策略和方法。
允许在你的策略中频繁更改职位名称
随着当今公司日益复杂，内部决策层级也变得更加专业化。初创企业和新兴科技公司竞相留住人才，职位名称、层级结构和组织架构图也反映了市场的新动态。今天的“初级客户经理”可能就是明天的“客户管理和市场开发高级副总裁”。
社交媒体上充斥着非结构化的、用户自定义的头衔，在这种情况下，你该如何识别你的决策者？如果你的潜在客户拥有非传统的头衔，那么当你执行传统的ABM（客户关系管理）项目时，很容易忽略他或她。
如今日益复杂的企业层级需要更高层次、更专业的技能。因此，对目标决策者的角色需要更细致入微的理解。
鉴于当今ABM策略的复杂性，最新的B2B受众科学（它以更精细的方式进行受众划分）是您拓展客户的关键工具。它能帮助您更精准地细分决策者目标群体，更周全地培育他们，并定制您的内容营销，从而实现更有意义的互动。
首先问问自己：你想吸引哪些受众？你的目标受众是否按行业类型、地域、权威级别等因素划分？他们的职能范围是什么？如果你的营销活动与大多数活动类似，你会使用多种筛选条件来定义受众。
为了找到你最关心的人脉，不要只关注头衔，还要建立一套决策者分类体系。关键考虑因素包括行业、专业和职能——其中子职能比以往任何时候都更加重要。
自动化和机器学习助力
随着ABM技术的不断发展，改进的机器学习模型能够帮助您清洗数据资产，并根据职位名称识别更高层级的职能和子职能，从而帮助您进行更精准、更细致的定向。毕竟，由于采购委员会的多样性和规模不断扩大，共识销售模式日益普遍，将理想客户画像与特定职位名称挂钩，就如同旅行时寻找特定的酒店房间号一样简单。
为了完善这种工作方法背后的原理，必须认识到，每家公司都有其独特的“职称体系”，即公司内部使用的职称系统。这种体系可以是无结构的，也可以是结构化的，并划分成职业发展路径。但这种结构很少对外公开，而且会随着时间推移而变化。
掌握所需的条件
虽然同一行业内以及跨行业的职能部门在职位名称上存在一些常见趋势，但最终每家公司都会自行决定一套职位名称。在极少数情况下，您的目标客户可能会采用扁平化的职位名称体系。贝尔实验室就曾为所有工程师分配了同一个职位名称：“技术人员”。
因此，要应对这一挑战，首先，能够查看账户的标题矩阵将有助于您作为ABM营销人员定位权威受众。然而，这只是众多要求之一，其他要求还包括：
- 了解主要、明确的标题—— 个人头衔传递着相对权威性的信息。作为ABM营销人员，您的目标是影响促成购买决策的关键环节。因此，掌握权威性至关重要。机器学习可以帮助我们将这些分类体系简化为更规范的形式，并深入了解最有可能促成购买决策的权威链。有了这些信息，ABM营销活动就能精准定位购买决策的影响者。
- 理解子功能—— 开始衡量的关键 真实 权威机构会寻找能使某人更有可能拥有某个职位的功能性信息，然后根据职位名称进行匹配。可以考虑使用统计上不太可能出现但出现频率很高的短语。这些短语虽然罕见且独特，但却引人注目，因此非常重要。
- 消除你的偏见 此外，由于机器学习模型只能基于您能够访问的数据进行训练，因此获取并长期维护标记完善、具有统计代表性的数据集至关重要。目前，数据过剩，主要集中在技术职业和特定科技公司，这导致数据偏差，限制了数据的可用性。这种偏差使得在无法获取数据的领域进行预测变得困难。为了解决机器学习中的偏差来源，关键在于识别这些偏差，然后通过开发变通方法来训练机器以应对这些偏差。
接下来：破解密码
在ABM（客户关系管理）环境下，智能标题模型可以归结为几个基本的入门措施：
- 确定您的目标客户公司群体识别这些公司意味着它们具有共同的显著特征。即使目标客户跨越多个行业或国家，也应考虑将它们视为一个独立的群体。
- 确定该群体使用的职位名称集合，以及这些职位名称在每家公司出现的频率。这需要获取大量的 B2B 受众数据，而您的解决方案提供商应该拥有这些数据。
- 对队列标题进行标准化在此，我们识别同一行业内各公司之间的等效职位名称，并将多个等效职位名称精简为一个标签。最终得到一套更精简、更统一的职位名称。
- 识别层级结构语法规则可以识别一些结构——例如，“高级”高于“初级”。行业内的简历库可以揭示人们晋升过程中常见的职称变化。此外，了解公司内部职称的使用频率（如上所述）也是一种合理的检验；高管职称比初级职称更为罕见。
成功的分析将展现出一幅行业内抽象职业发展路径图，按职能领域分组，图中的边线表示资历晋升的概率。您还将获得与图中各点对应的实际职位名称。
借助机器学习的魔力，你已经逆向工程破解了目标账户的标题矩阵。代码已破解。
机器学习本质上就是统计学，而统计学是一门有着数百年历史的学科。但机器学习也包含一类如今已切实可行的技术，用于从海量数据中提取洞见。
___
by 桑乔伊·甘古利
来源： 今日营销技术
