AIドリブンなABM：B2Bの成長に向けた精度とインパクトの向上

SnowflakeABMチームは、Snowflake AIを利用したターゲティングキャンペーンとよりパーソナライズされたメッセージングにより、予算とエンゲージメントを最適化しながら、ミーティング予約の数を2.3倍に増加させ、CTRを54%高めました。 

私たちは、Snowflake AIツールがお客様の成果をどのように変革しているかを見てきました。Eメールを取り込む手作業にかかる時間を4,000時間削減、救急治療室での治療患者数の増加、75%のコスト削減など、SnowflakeのAIは世界中のビジネスに大きなインパクトを与えています。 

この変革の力はSnowflakeの社内でも発揮されています。ここでは、Snowflakeのアカウントベースマーケティング（ABM）チームが、Snowflake AIツールを使用して、リソースの割り当てと高価値アカウントとの接続を大幅に改善している方法について詳しく説明します。 

多くのエンタープライズマーケティングチームと同様に、ABMチームは、さまざまな領域、アカウントタイプ、業界にわたって広告予算を最適に配分しなければならないという共通のジレンマに直面していました。チームは、適切なアカウントをレーザーのように正確にターゲティングしつつ、リソースに気を配る必要があります。 

それまでは、SnowflakeのABMチームの予算割り当ては幅広く、さまざまなツールを使用して領域ごとに分割されていました。これは機能的ではあったものの、真の最適化に必要な粒度の高いインサイトが不足していました。チームは、主要なアカウント特性やリアルタイムのエンゲージメントに基づいて動的に費用を調整することができなかったため、予算の精度を改善しながら四半期ごとにミーティング予約のビジネス目標を達成する方法を模索していました。 

彼らのソリューションは、基本的なターゲティングを超えた、Snowflake Cortex AIに支えられた「ミーティング傾向」のAIモデルを構築することでした。このツールは、ABMキャンペーンに適したアカウントを特定するだけでなく、アウトリーチ活動に積極的に反応し、ミーティングを予約する可能性が最も高いアカウントを予測するのに役立ちます。ABMチームは、以下のメリットを認識しました。

• データドリブンな予算割り当て：ABMのチームメンバーは、具体的な予測モデルに基づいて、各地域やプログラムの予算を正当化し、提案できるようになりました。これによって当て推量の必要性が減少し、リソース割り当てが最適化されます。

• アカウンタビリティとパフォーマンスの向上：予測が明確になることでアカウンタビリティが促進され、測定可能な結果を出すことに集中できるようになります。

• アジャイルな最適化：このモデルでは、アカウントのパフォーマンスと変化する市場ダイナミクスに基づいてリアルタイムで予算を調整できるため、Snowflakeのようなスケーリング企業にとって不可欠な適応力が養われます。

彼らは、支出の最適化によって80%の確度でミーティングの成果を予測し、ミーティング率を3%高めることができたか、というわかりやすい仮説を使用してモデルをテストしました。 

その結果はイエスでした。SnowflakeのシニアABM戦略オペレーションリードであるBreanna Chermanは、次のように述べています。「見込みの高いアカウントで予約されたミーティングは、見込みの低いアカウントで予約されたミーティングの2.3倍になりました。基本的に、このモデルを利用することで、オーディエンスとのエンゲージメントと適切なアカウントでのミーティングを増加させるためのコストを38%削減できることがわかったのです」

ABMチームは、このモデルをセールスエリア計画にフル実装しました。Chermanは次のように語っています。「AIモデルを使用して見込みの高いアカウントを特定してセールス戦略を加速することで、私たちはより多くを獲得できるようになります。私たちはかつてないほど速く、よりスマートかつ正確に勝利を手にしています」

また、ABMチームはSnowflakeブランドチームと協力し、最優先のセールスアカウント向けに広告メッセージをカスタマイズしました。ABMが処理するアカウント数と、パーソナライズされたコピーのエンゲージメントにとっての重要性を考慮したチームは、AIが生成した広告コピーがクリックスルーレート（CTR）を改善し、キャンペーン全体のROIをさらに高め、規模の処理に役立つかどうかをテストすることに決めました。 

ABMは、Cortex AIを使用し、Snowflakeのブランドチームと緊密に連携して、タスクを実行するための大規模言語モデルのガイドラインとプロンプトを開発し、その後、Cortex AIのプロンプトを活用するStreamlitアプリを構築しました。

方法 1：AIのベンチマークと過去のベンチマークの比較

1つ目のアプローチでは、AIが生成した広告コピーのパフォーマンスの過去のパフォーマンスデータとの比較や、キャンペーンの地域的なベンチマークの確立を行いました。これにより、AIが以前に確立されたベストプラクティスを上回るパフォーマンスが得られるかどうかを直接評価できるようになりました。ブランドチームはレビューを実施し、広告コピーがブランド基準と文章品質を満たしていることを確認しました。AIによって生成されたコピーは全体としてパフォーマンスが優れており、多くの場合、過去のベンチマークや地域的なベンチマークと比較してCTRが改善していることが示されています。

方法 2：LinkedIn上での直接A/Bテスト

これらの調査結果をさらに検証するために、ABMチームはLinkedInでABテストを実施しました。ターゲットオーディエンスの半数が人間によって書かれたオリジナルの広告コピーを、残り半数がAIによって生成されたコピーを見るキャンペーンを実施しました。この直接的な比較により、AIの有効性の明確で偏りのない尺度が得られました。