最近看到一位B2B营销大咖分享一个值得深思的现象：
他们的平台聚焦了上万位B2B企业的市场部中高管，平台发一些营销执行实操干货类的文章，阅读量就比较低，而只要发关于“如何快速获客”的文章，阅读量就刷刷地涨。
这背后反映的是，B2B企业做营销越来越注重ROI，市场部背负的KPI压力也越来越大，希望找到“捷径”。
前几年B2B企业只要做好百度推广和展会/线下活动就不缺优质线索，记得当年笔者在百度的时候服务一家做机械设备的上市企业，他们市场部在百度一年投入上千万元，当时百度搜索流量比较便宜，怎么投都有效果。而在2018年之后，搜索流量成本越来越高，在他们的行业留资成本达到600-1000元，SQL成本更是高达5000-10000元（信息流广告的获客成本比这个还夸张）。
企业高层看到ROI越来越低，果断把在百度的预算砍半，让市场部把更多的资源投入到展会上，却不幸遇到三年的疫情，参会的效果就别提有多惨淡了。虽然现在疫情控制住了，大家都在“报复式”参会，但据内部人员透露，很多会议活动看似热闹，但实际上多数参会者都是同行或没有购买力的“吃瓜群众”，真正有效的线索很少。
在这样的市场背景下，这几年兴起了一个很火的概念叫“ABM（Account based marketing，目标客户营销）”，有几家服务商通过大肆包装和宣传这样的概念，快速吸引了一批付费客户，但细问之后，大家却发现真正续约的客户是比较少的（使用效果如何就不言而喻了）。
概念很好，但为什么一到实操环节就掉链子了呢？我们来看一下所谓ABM的概念是怎样的：通过整合各类数据库，帮助企业锁定目标客户群体（实际上是一群匿名的人群包，里面到底有多少是企业真正的目标客户，服务商自己也不知道），然后通过整合各类广告渠道（百度系、字节系和腾讯系）、EDM、短信和AI外呼机器人去触达，看似很精准，但实际上产生有效线索的转化率还是比较低。
这里面最核心的问题是：虽然全中国缴纳社保人数≥5人的企业大概有500万家（根据国家统计局的官方数据），但对于大多数B2B企业真正有价值的目标客户不会超过5%。换句话说，如果你没有找准这5%的高价值目标客户，即使投入再多的营销资源，转化率都不会高，相当于浪费了大量的资源在低价值、甚至无价值的客户身上。
上述ABM服务商的核心问题在于把B2C营销DMP的逻辑直接用在B2B营销上，效果自然不会好。
既然传统的B2B营销获客遇到这么多的问题，那么应该如何更有效地去拓展增量市场呢？最近在B2B营销圈内铺天盖地都是关于ChatGPT和AIGC的相关文章和报道，有些人为AI技术可以有效提升营销的生产力而欣喜若狂，而有些人却担心AI发展到一定程度会完全取代营销人员，但笔者认为：AI技术不是为了取代营销人，而是让营销人拥有强力的工具去更高效地工作。
我们发现一些走得比较前沿的企业已经通过GPT技术挖掘高价值潜客，大幅度提升商机转化率，笔者也有幸参与了其中一些项目的运营，今天想结合自身的工作实践，给大家分享GPT技术在精准拓客方面的应用和成功案例，希望对大家有启发。
关于拓展增量市场，想先请问各位B2B企业CEO/营销管理者三个问题：
市场上还有多少企业是贵司的高潜力目标客户（真正的目标市场有多大）？
这些高潜力目标客户有多少已经在贵司的CRM里面了？有多少还有待开发（我们的营销资源应该重点投入到哪里）？
如何比竞争对手更高效地开发这些高潜力客户，并有效转化为商机（如何比竞争对手更快地抢占市场份额）？
如果你目前还不能完全确切地回答这三个问题，那么接下来的内容或者能够帮到你。
首先，我们跟国家统计局下属专门负责数据商用化的企业进行合作，他们有一个市场上企业数据质量最高的数据库——里面有全量企业数据（交纳社保人数大于5人的企业，500多万家）及超过500种不同的企业标签。
企业需要先准备好已成交的公司名单作为GPT模型的正样本（建议至少300家，尽可能多，如果数据量比较充足，尽量选取最近一年的数据，因为市场与企业的产品都在持续变化，一些多年未有新订单的老客户数据不一定适用于GPT模型的预测），我们将70%的正样本用于GPT模型的训练，另外30%用于验证模型的准确性，接下来通过我们专有的数据融合自动化服务，把企业提供的正样本融合进统计局的全量企业数据中，补全标签，并且生成AI训练必须的负样本。
举个比较形象的例子：我们要让AI识别什么动物是猫，除了给它输入猫的照片（正样本）以外，还需要给它输入狗、狼、老虎和狮子等动物的照片（负样本），负样本通常是正样本的20倍。一般来说，正/负样本的预测正确率在70%以上，就能说明这个模型的准确性是比较高的。
GPT模型建立好之后，系统就会根据转化概率对数据库中所有的潜客进行打分排序（1-100分），输出≥85分的高价值潜客名单（包括行业和省份分布、23个画像标签等信息）。
如上图所示，我们先看最上面的一栏数据（已经过扰动和脱敏处理）：黄色部分的3.47万是某企业提供的已成交客户（正样本），绿色部分的22.97万是GPT模型计算出来的高潜客户（≥85分），红色部分的4.50万是这批高潜客户有多少已经存在于企业自有CRM里面了，而蓝色部分的14.59万是这批高潜客户有多少在统计局数据库里面有联系人（可触达）。
那么怎么验证这些潜客名单是否具有高价值呢？企业可以做两件事：
1. 把这批高价值潜客名单与自有CRM进行撞库，看一下有多少已经是成交客户或者是销售正在跟进的客户（如果有打通CRM的数据，将会直接呈现在上图的红色部分），对于有联系人且尚未成交的客户，建议让销售优先跟进，因为GPT模型预测他们的转化率是比较高的。
2. 对于尚未在CRM里面的高价值潜客名单，可以分给各位销售负责人去看，让他们判断是否具有高价值。如果需要挖掘对应的联系人，可以委托统计局下属企业里面专业的外呼团队进行触达，获取联系人信息。外呼团队在确保符合企业所需要的联系人画像、并且获得客户的联系许可（确保合规）之后，才会输出给企业（这点有别于市场上的AI机器人外呼）。
这里肯定有朋友会问：这里面的联系人数据跟企查查、天眼查以及其他数据库里面的数据有何不同呢？其实，国家统计局的数据分为两种：第一种是给ZF大领导做重要决策使用的（不会对外公开），而第二种是给社会使用的，也是统计局的外呼团队跟这些高价值企业直接沟通20多年长期积累下来的真实数据，并不是通过互联网公开信息爬虫获取的。
值得需要注意的是，关于拓展增量市场，有两个比较常见的误区：
误区一：我们已经有权威机构的企业购买力指数报告了，不需要AI。
市场上有好多号称可以计算市场每个企业的Buying Power（BP）的公司，BP是一个根据企业的各项属性总结出来的一套公式，但没有考虑不同企业间的差异，也就是说对于不同的企业，传统方式给出的BP值基本一致，都是大的企业好，一线省市的企业好，如此类推。比如，A公司在天眼查的评分是99分，但这个分值对于任何企业都是一样的，就没有实际的参考价值了。
而GPT模型的评分机制与此完全不同，它是根据市场全量数据+企业已成交客户+AI训练出来的转化概率，基于不同的企业，计算出潜客分值是完全不同的，对于企业营销的参考价值更大。
误区二：我们已经有一套成熟的客户画像体系，不需要AI告诉我们哪些客户更有价值。
的确，一般比较成熟的企业都有清晰的客户画像，比如行业，企业规模、员工人数…… 但传统的客户画像有两个特别大的问题是不可调和的：
1. 如果筛选维度太多，结果就会特别少，每个维度都会减少至90%的数据，几个维度加起来，目标客户就所剩无几了。反之，如果减小维度，数据则不够精确造成转化率过低。
2. 人所能考虑的维度一定是有限的，大部分人无法综合考虑超过3个以上的维度，而且人也无法了解每个维度后面数据的分布，因此，所谓的经验是一个非常模糊的概念。而AI可以计算几万、甚至几千万的维度（据说淘宝的维度上亿），这就是人类无法触及的领域了。另外，人只能判断大体的好坏，而不能具体给出分值。1000个好的目标，我要先做最好的200，怎么挑呢？理论上，人是没法挑的，只能拍脑袋，而AI恰恰是具备排序能力的，这就是为什么AI一定会比人的判断更准确。
随着市场红利结束，竞争对手步步紧逼，一家纳斯达克TOP 10公司也面临着巨大的增长压力，希望在尽可能收紧营销资源的前提下，还能快速找到营销的突破口和新的增长点。如下图所示，从全市场到商机的各个阶段存在诸多痛点
1. 全市场到目标潜客阶段
因为没有统一标准和数据支撑，营销和销售人员依然在使用一些诸如企查查、购买力指数报告一类的东西制定目标客户名单，精度存疑，效率低下，各自为政；管理者对行业、区域的市场渗透率只有一个比较模糊的了解，难以用客观数据来指导营销战略的制定；总部无法给到传统的渠道与代理商除法务以外的营销指导与支持。
2. 目标潜客到线索阶段
绝大多数销售线索均为销售自拓或渠道贡献（95%），营销部门存在感低下；CRM中有大量的联系人信息（90%没有转化为客户），因为缺乏挖掘手段，一直被闲置，无法产生价值；获取销售线索时，普遍采用与供应商撞库的形式，随着时间的推移，撞库的成功率越来越低（低至3%）。
3. 线索到商机阶段
转化率一直停留在行业中等偏下的水平（2.6%，行业平均3%）；大量被销售认为不合格的线索直接被直接丢弃，甚至没有进入到CRM中（营销人员为了提高表面上的转化率），浪费了大量的营销资源。
那么快速找到提升营销ROI的突破口呢？我们来看他们是怎么做的：
1. 建立GPT模式，得到高潜客户名单
首先，把企业既客名单（已成交）、对应的成交客单价、CRM中未被销售接收或跟进失败的线索/商机输入系统，跟统计局市场全量数据进行数据融合，补全标签（使用自动化匹配工具，可以快速完成这个步骤），就可以得到一个针对B2B市场定制的GPT模型（注意：针对不同的产品线，需要建立不同的模型），正/负样本的预测正确率都高达89%以上，说明模型的正确率非常高，最终得到市场中最高转化率和客单价的高潜客户名单。
2. 通过双盲测试验证转化率
通过一组双盲测试来验证通过GPT技术得到的高潜客户转化率到底提升了多少。该公司之前跟世界顶级咨询公司合作，通过传统的buying power模型给出一批有联系方式的高潜名单A，同时用GPT模型也给出一批高潜名单B，把两份名单合并且打乱顺序，形成高潜名单C。然后，请公司自己的外呼团队根据商机标准（明确预算、需求、采购周期、负责人）进行外呼筛选，最终结果是：名单A的商机转化率是2.67%（之前平均值是2.6%，并没有太多的提升），而名单B的商机转化率是9.66%，提升了2.6倍！
因为所有名单都是从CRM中提取的既有数据，完全不用再花钱获取新的联系人，同时整个营销流程没有任何改变，仅仅使用GPT技术来过滤出高价值客户，就能得到这样的结果，这是事前所有人都没有料到的。由此，我们可以得到这样的结论：只要我们承认客户转化是有规律可循的，那么AI通过大量数据训练得到的规律是一定要比人脑判断要更准确。
只用了不到3个月的时间，这家企业的营销面貌焕然一新：
全市场到目标潜客阶段：有了企业价值的客观标准和自动化的系统，形成最终目标客户列表所用的时间可以忽略不计，满足了几乎所有此类的营销和销售需求。
目标潜客到线索阶段：营销部门开始具备造血能力，所能产出的有效销售线索大大增加；CRM中的大量数据变成了营销价值挖掘宝库，管理者得到了一个最有效利用既有数据资产的工具；不再依赖撞库，系统中有明确的可联系人数量，直接筛选即可。
线索到商机阶段：转化率从2.6%提升到了9.7%，营销/销售/运营均看到了智能化转型的希望；不合格的销售线索不再被随意丢弃，而是成为AI训练的重要数据支撑。
除了预测客户的转化率以外，通过GPT模型还可以预测：客户的订单金额区间（deal size）、最佳适配商品（促进向上销售和交叉销售）、最佳渠道/销售、相似客户等，要预测这些维度，成交客户名单（正样本）也需要提供这些维度：公司名称、订单金额、购买的产品、对应的销售/渠道等。
如果觉得提供这些维度太敏感了，不愿意透露，怎么办呢？其实可以这样操作：比如把订单金额乘以一个任意的系数（脱敏处理），这样我们既不知道订单金额，企业也可以根据预测的结果进行还原。
AI其实并不可怕，关键是我们如何运用AI技术来提升营销效率。后续会分享更多关于GPT技术在B2B营销方面的应用和成功案例，欢迎感兴趣的朋友一起参与深度交流。
— END —
B2BGrowing 主理人：李文龙JackLi，6年B2B数字化营销实战者，B2B营销增长网B2BGrowing.com创办者，爱阅读和晨跑，欢迎交流，微信号：jackli2025，请备注：姓名-公司-岗位。
如果你是对B2B数字化营销、客户体验管理感兴趣，欢迎一起交流探讨。
扫一扫在手机上阅读本文章