ABM basato sull’AI: più precisione e impatto per la crescita B2B

Scopri come il team ABM di Snowflake ha aumentato di 2,3 volte il numero di appuntamenti e del 54% il CTR utilizzando l’AI in Snowflake per campagne mirate e messaggi più personalizzati, ottimizzando al contempo budget ed engagement. 

Abbiamo visto come gli strumenti AI di Snowflake stanno trasformando i risultati per i nostri clienti. Dal risparmio di 4000 ore all’anno sul monitoraggio manuale delle email all’aumento dei pazienti trattati al pronto soccorso fino al risparmio del 75% dei costi, l’AI in Snowflake aiuta aziende di tutto il mondo a ottenere un impatto concreto sul business. 

L’AI ha lo stesso potere trasformativo anche all’interno di Snowflake. Qui esaminiamo in che modo il team account-based marketing (ABM) di Snowflake utilizza gli strumenti AI di Snowflake per migliorare in modo significativo l’allocazione delle risorse e la connessione con account di alto valore. 

Come molti team marketing aziendali, il team ABM affrontava un dilemma comune: come distribuire in modo ottimale il budget pubblicitario tra diversi territori, tipi di account e settori. Il team deve targetizzare gli account giusti con una precisione simile a quella del laser, tenendo sempre presente la disponibilità di risorse. 

In precedenza, ill team ABM di Snowflake lavorava con un budget molto ampio, che suddivideva per territori utilizzando strumenti diversi. Sebbene questa allocazione fosse funzionale, mancava degli insight granulari necessari per una vera ottimizzazione. Il team non era in grado di adattare dinamicamente la spesa in base alle caratteristiche e all’engagement in tempo reale dei key account, quindi cercava un modo per ottenere maggiore precisione su un budget e allo stesso tempo contribuire a raggiungere gli obiettivi aziendali trimestrali di prenotazione appuntamenti. 

La soluzione era creare un modello AI basato su Snowflake Cortex AI che andasse oltre il semplice targeting. Questo strumento non si limita a identificare gli account adatti alle campagne ABM, ma aiuta anche a prevedere quali hanno maggiori probabilità di rispondere positivamente alle iniziative di outreach e portare alla prenotazione degli appuntamenti. Il team ABM ne ha ricavato diversi vantaggi chiave:

• Assegnazione data-driven dei budget: I membri del team ABM possono ora giustificare e proporre budget per ogni regione e programma, supportati da una concreta modellazione predittiva. Questo riduce le ipotesi e ottimizza l’allocazione delle risorse.

• Responsabilità e prestazioni migliorate: Previsioni più chiare richiedono responsabilità e concentrazione sul fornire risultati misurabili.

• Ottimizzazione Agile: Il modello consente correzioni del budget in tempo reale in base alle prestazioni degli account e alle mutevoli dinamiche del mercato, coltivando un’adattabilità cruciale per aziende in crescita come Snowflake.

Hanno testato il modello con un’ipotesi semplice: era possibile a prevedere gli appuntamenti con una certezza dell’80% e aumentare gli appuntamenti del 3% ottimizzando la spesa? 

Sì. “Abbiamo visto un aumento di 2,3 volte degli appuntamenti prenotati negli account ad alto potenziale rispetto agli account a basso potenziale”, dichiara Breanna Cherman, Senior ABM Strategic Operations Lead di Snowflake. “In sostanza, abbiamo scoperto che questo modello può aiutarci a spendere il 38% in meno ottenendo un maggiore engagement del nostro pubblico e più appuntamenti negli account giusti.”

Il team ABM ha implementato completamente il modello nella pianificazione del territorio di vendita. “Utilizzando il modello AI per individuare gli account ad alto potenziale e accelerare la nostra strategia di vendita, non stiamo solo ottenendo di più”, afferma Cherman. “Siamo anche più veloci, intelligenti e precisi che mai.”

Il team ABM ha anche collaborato con il team brand di Snowflake per creare messaggi pubblicitari su misura per gli account di vendita ad alta priorità. Dato il numero di account gestiti da ABM e l’importanza dei testi personalizzati per l’engagement, il team ha deciso di testare se gli ad copy generati dall’AI potessero migliorare i click-through rate (CTR) e migliorare ulteriormente il ROI complessivo della campagna, aiutando a scalare. 

Il team ABM ha utilizzato Cortex AI e ha lavorato a stretto contatto con il team brand di Snowflake per sviluppare linee guida e prompt per consentire a un LLM di eseguire questo task, quindi ha creato un’app Streamlit basata sul prompt in Cortex AI.

Metodo 1: AI vs benchmark storici

Nel primo approccio, hanno confrontato le prestazioni dei testi degli annunci generati da AI con i dati storici sulle prestazioni o stabilito benchmark regionali per le campagne. Ciò ha consentito di valutare direttamente se l’AI avrebbe superato le best practice precedentemente stabilite. Il team brand ha condotto revisioni per garantire che i testi degli annunci fossero conformi agli standard e alla qualità di scrittura del brand. Nel complesso, i risultati della pubblicità generata dall’AI sono stati superiori, dimostrando spesso CTR migliorati rispetto ai benchmark storici o regionali.

Metodo 2: Test A/B diretti su LinkedIn

Per convalidare ulteriormente questi risultati, il team ABM ha condotto test A/B su LinkedIn. Nelle campagne, metà del pubblico target vedeva i testi originali creati dai copywriter umani, mentre l’altra metà vedeva i testi generati dall’AI. Questo confronto diretto ha fornito una misura chiara e imparziale dell’efficacia dell’AI.

Gli ad copy generati dall’AI hanno colpito nel segno. Dopo alcuni test finali, le campagne che utilizzavano i testi degli annunci generati dall’AI hanno registrato un aumento del CTR del 54% rispetto a quelle che utilizzavano le versioni originali. “Con l’AI non dobbiamo più scegliere tra efficienza e personalizzazione: possiamo avere entrambe le cose”, dichiara Maila Ruggiero, Account-Based Marketing Manager di Snowflake. “Ora siamo in grado di scalare messaggi che eliminano il rumore e coinvolgono i potenziali clienti rispondendo alle loro esigenze, sfide e obiettivi.”

Ad oggi, il team ha implementato con successo il modello e ora si sta concentrando sul miglioramento delle sue capacità di generare output ampliati e integrarlo in automazioni aggiuntive all’interno del processo di esecuzione delle campagne. 

Per ulteriori informazioni su come i clienti utilizzano l’AI generativa con Snowflake per ottenere risultati concreti, scarica il report I segreti del successo con la Gen AI o esplora le soluzioni AI di Snowflake.