AI untuk Pemasaran Berasaskan Akaun: Pemilihan Akaun, Intent dan Pemperibadian

Oleh Camellia · Dikemas kini 10 Oktober 2026

AI untuk pemasaran berasaskan akaun (ABM) bermaksud menggunakan pembelajaran mesin dan AI generatif untuk membantu pasukan B2B menentukan akaun mana yang wajar diberi perhatian, mengesan akaun yang menunjukkan minat membeli, dan menyesuaikan pendekatan kepada setiap satu. Model mengendalikan penyusunan dan penyediaan draf. Manusia tetap memilih strategi, meluluskan mesej dan berbual dengan pembeli.

ABM melayan sesebuah syarikat bernama sebagai pasarannya sendiri. Jika anda perlukan asas dahulu, pemasaran berasaskan akaun menerangkan tiga peringkat ABM dan penyelarasan jualan-pemasaran di sebaliknya. Artikel ini menyambung dari titik di mana artikel itu berhenti dan menjawab soalan yang lebih khusus: bahagian mana dalam program ABM yang benar-benar diperbaiki oleh AI, dan bahagian mana yang secara senyap diburukkan jika anda membiarkannya?

Ringkasnya, AI kuat dalam tiga tugas: memodelkan akaun yang sesuai dengan pelanggan ideal anda, menggabungkan isyarat menjadi susunan keutamaan, dan menghasilkan draf pertama kandungan khusus akaun pada skala yang tidak mampu ditulis sebuah pasukan secara manual. Ia lemah dalam menilai politik dalaman sesebuah kumpulan pembelian, menentukan masa untuk perbualan yang sensitif, dan mengetahui bilakah sesuatu isyarat hanyalah bunyi bising.

Mengapa akaun, dan mengapa sekarang

ABM wujud kerana pembelian B2B dibuat oleh kumpulan, dalam tempoh berbulan-bulan, dan kebanyakannya sebelum wakil jualan dijemput. Laporan Pengalaman Pembeli B2B 6sense 2025, kajian global terhadap hampir 4,000 pembeli B2B, mendapati titik hubungan pertama dengan penjual beralih daripada kira-kira 69% kepada 61% perjalanan pembelian. Laporan itu turut menyatakan empat daripada lima tawaran dimenangi oleh "pilihan sebelum hubungan", iaitu vendor yang sudah menjadi pilihan pembeli sebelum berbual dengan sesiapa, dan pembeli memilih daripada satu daripada empat vendor dalam senarai pendek Hari Pertama mereka sebanyak 95% daripada masa.

Anggaplah ini masalah pemasaran. Jika senarai pendek terbentuk sebelum wakil anda mendengar tentang tawaran itu, kerja yang penting berlaku lebih awal: dikenali oleh orang yang tepat di syarikat yang tepat. Itulah tesis ABM, dan itulah sebabnya pemilihan akaun serta pengesanan isyarat awal ialah bidang di mana AI membuktikan nilainya.

Penerimaan pakai sudah meluas. Dalam penanda aras ABM tahunan keenam daripada Momentum ITSMA dan ABM Leadership Alliance (siaran bertarikh 13 Disember 2022), kira-kira 300 pemimpin dan pengamal ABM telah dibanci, dan 72% berkata ABM memberikan ROI lebih tinggi daripada jenis pemasaran lain. Anggaplah ini tinjauan persepsi pengamal, bukan pulangan yang diaudit. Ia memang menjelaskan mengapa pasukan kepimpinan terus membiayai ABM dan mengapa mereka akan bertanya apa yang AI tambah.

Fakta Utama: AI dalam ABM

• Hubungan pertama pembeli dengan penjual beralih daripada kira-kira 69% kepada 61% perjalanan pembelian, menurut laporan 6sense 2025 terhadap hampir 4,000 pembeli B2B (6sense).
• Laporan yang sama menyatakan empat daripada lima tawaran dimenangi oleh pilihan pembeli sebelum hubungan, dan pembeli memilih daripada senarai pendek Hari Pertama mereka sebanyak 95% daripada masa (6sense).
• Dalam penanda aras ABM tahunan keenam Momentum ITSMA, 72% daripada kira-kira 300 pengamal yang dibanci berkata ABM memberikan ROI lebih tinggi daripada pemasaran lain, satu pandangan yang dilaporkan sendiri (siaran).
• Tugas ABM yang paling sesuai untuk AI: pemodelan kesesuaian, penggabungan isyarat, ringkasan penyelidikan akaun dan draf pertama pemperibadian.
• Kelemahan AI: politik kumpulan pembelian, masa yang sesuai, dan menentukan sama ada sesuatu isyarat itu benar.

Langkah pertama: pemilihan akaun dibantu AI dan kesesuaian ICP

Setiap program ABM bermula dengan senarai, dan senarai yang lemah ialah punca paling lazim program berprestasi rendah. AI membantu dalam dua cara.

Pemodelan kesesuaian. Ambil pelanggan closed-won anda, terutamanya yang kekal, berkembang dan merujuk pelanggan lain. Bandingkan dengan akaun yang churn (kehilangan pelanggan) atau tidak pernah bertukar. Model boleh menemui corak merentasi firmografik (industri, saiz, rantau), teknografik (alat yang digunakan syarikat) dan ciri struktur (peringkat pertumbuhan, corak pengambilan pekerja) yang membezakan kedua-dua kumpulan. Hasilnya ialah skor kesesuaian bagi setiap akaun dalam pasaran anda. Ini ialah versi berasaskan data bagi profil pelanggan ideal, dan ia kerap bercanggah dengan profil yang ada dalam fikiran pasukan jualan. Itu maklumat yang berguna.

Pengembangan lookalike. Apabila anda sudah mempunyai profil pelanggan terbaik, model mengimbas alam syarikat yang lebih luas dan menandakan syarikat yang menyerupai mereka tetapi belum disedari sesiapa dalam pasukan anda. Beginilah senarai 200 logo pilihan tangan berkembang menjadi senarai tersusun 2,000 akaun yang munasabah.

Dua perkara perlu diberi perhatian. Pertama, model yang dilatih menggunakan pelanggan lalu anda akan mengulangi masa lalu anda. Jika anda hanya menjual kepada firma perisian bersaiz sederhana, ia akan terus mencadangkan firma perisian bersaiz sederhana dan terlepas segmen baharu yang ingin anda masuki. Tambahkan segmen yang anda mahu, bukan hanya yang anda ada. Kedua, kesesuaian bukan minat. Akaun yang sangat sesuai tetapi berpuas hati dengan vendor semasanya tetap sasaran jangka dekat yang lemah.

Manusia harus membuat pemilihan akhir untuk peringkat satu, iaitu kumpulan kecil akaun strategik yang mendapat program yang sepenuhnya khusus. Gunakan AI untuk membina senarai panjang dan menjelaskan mengapa setiap akaun mendapat skor tersebut, kemudian biarkan pemimpin jualan dan pemasaran berbincang.

Langkah kedua: data intent dan penggabungan isyarat

Kesesuaian memberitahu anda siapa yang boleh membeli. Isyarat memberitahu siapa yang mungkin membeli tidak lama lagi. Data intent datang dalam dua bentuk: pihak pertama (lawatan laman web anda sendiri, muat turun kandungan, balasan e-mel, penggunaan produk) dan pihak ketiga (aktiviti penyelidikan di laman lain, dibeli daripada pembekal data atau koperasi data).

Tugas AI ialah menggabungkan isyarat ini. Satu lawatan ke halaman harga tidak bermakna banyak. Satu lawatan ke halaman harga, tiga lawatan oleh orang berbeza di syarikat yang sama dalam seminggu, dan satu iklan jawatan untuk peranan yang menggunakan kategori perisian anda bermakna jauh lebih banyak. Model boleh menimbang semua ini bersama dan mengemas kini skor apabila peristiwa baharu tiba, iaitu sepupu peringkat akaun kepada sistem pemarkahan prospek.

Beberapa peraturan praktikal:

• Beri skor kepada akaun, bukan sekadar individu. Dalam ABM, tiga kenalan dari satu syarikat yang masing-masing melakukan sesuatu yang kecil lebih kuat daripada seorang kenalan yang melakukan sesuatu yang besar.
• Asingkan data anda sendiri daripada data yang disewa. Isyarat pihak pertama anda biasanya lebih boleh dipercayai dan lebih patuh. Artikel tentang data pihak pertama untuk pemasaran AI menerangkan cara membina asas itu.
• Anggap intent pihak ketiga sebagai petunjuk. Minat peringkat topik boleh bermaksud projek penyelidikan, seorang pelajar atau seorang perunding. Gunakannya untuk mengutamakan sesuatu perbualan, bukan untuk mendakwa tawaran wujud.
• Semak asas privasi. Memadankan pelawat tanpa nama dengan syarikat dan individu dikawal selia secara berbeza merentasi rantau. Minta pihak undang-undang menyemak apa yang anda kumpulkan dan cara anda menggunakannya sebelum membina pelan di atasnya.

Langkah ketiga: keutamaan akaun

Kini gabungkan kesesuaian dan intent menjadi satu senarai kerja. Kebanyakan pasukan memilih grid ringkas, dengan kesesuaian sebagai satu paksi dan penglibatan atau intent sebagai paksi lain:

AI menyegarkan grid ini secara berterusan, dan itulah keuntungan sebenar. Senarai statik yang dibina setiap Januari sudah lapuk menjelang Mac. Model boleh menaikkan akaun ke "Bertindak sekarang" pada hari tiga orang daripadanya membaca halaman harga anda dan seorang champion bertukar kerja, dan ia boleh menurunkan akaun yang senyap selama 90 hari.

Pastikan peraturan penghalaan mudah dibaca manusia. Wakil jualan akan lebih mempercayai skor yang boleh mereka soal ("kesesuaian tinggi, empat pihak berkepentingan terlibat, VP Operasi Hasil baharu") berbanding nombor kosong. Minta sistem yang anda gunakan menunjukkan sebab utama di sebalik setiap kedudukan.

Langkah keempat: penyelidikan dan wawasan akaun

Sebelum pendekatan, seseorang perlu mengenali akaun itu. Dahulu ini memakan masa 30 hingga 60 minit bagi seorang wakil. AI generatif boleh menyusun ringkasan akaun daripada sumber awam dan CRM anda: apa yang syarikat itu lakukan, pengumuman terkini, perubahan kepimpinan, keutamaan yang dinyatakan dalam panggilan pendapatan atau kenyataan akhbar, alat yang mereka gunakan, dan sejarah hubungan terdahulu dengan syarikat anda.

Ringkasan itu harus berakhir dengan hipotesis, bukan kesimpulan: "Mereka telah mengumumkan pengembangan ke dua pasaran baharu, jadi kelajuan onboarding mungkin penting." Seorang wakil atau pemasar kemudian menguji hipotesis itu dalam perbualan sebenar. Sentiasa semak fakta dalam ringkasan berbanding sumbernya, kerana model boleh mengaitkan kenyataan kepada orang yang salah atau mereka-reka butiran yang kedengaran betul. Risiko halusinasi yang sama yang menimpa mana-mana teks janaan turut terpakai di sini, dan butiran yang salah dalam mesej kepada seorang eksekutif menghabiskan kepercayaan yang tidak mudah dipulihkan.

Langkah kelima: pelan peribadi pada skala besar

Pemperibadian ialah tempat ABM dan AI generatif paling semula jadi bertemu, dan juga tempat kesilapan paling memalukan berlaku. Fikirkan dalam lapisan:

1. Peringkat segmen (satu kepada ramai). Kandungan yang disesuaikan untuk sesuatu industri atau kes penggunaan, dihasilkan dengan bantuan AI dan disunting oleh pakar.
2. Peringkat kelompok (satu kepada beberapa). Mesej untuk kumpulan 5 hingga 15 akaun serupa, dibina daripada masalah yang dikongsi.
3. Peringkat akaun (satu kepada satu). Kandungan, e-mel dan halaman pendaratan yang ditulis untuk satu akaun, dengan AI menyediakan draf dan manusia memiliki versi akhir.

Padankan usaha dengan peringkat. Kerja satu-kepada-satu sepenuhnya patut diberikan kepada beberapa akaun yang wajar menerimanya. Bagi ekor panjang, pelan kelompok yang dibina dengan baik mengatasi empat puluh e-mel nipis "Hai ".

Di mana AI paling membantu:

• E-mel dan jujukan. Sediakan versi pertama yang merujuk situasi sebenar sesuatu akaun, kemudian biarkan penjual menyuntingnya. Lihat pemasaran e-mel AI untuk pagar pengadang tentang nada, volum dan semakan.
• Media berbayar. Bina khalayak yang menyasarkan akaun dan putarkan mesej mengikut segmen. Pengiklanan berbayar AI membincangkan mekanismenya.
• Pengalaman web. Tukar tajuk, bukti sokongan dan seruan tindakan berdasarkan industri atau syarikat pelawat.
• Pemerkasaan jualan. Tukar ringkasan menjadi risalah satu halaman yang disesuaikan, rangka pelan tindakan bersama atau set soalan penemuan.
• Titik sentuh eksekutif dan acara. Sediakan isi perbincangan dan tindak lanjut untuk makan malam, taklimat atau mesyuarat persidangan.

Ujian bagi sebarang bahan peribadi itu mudah: adakah penerima akan menyangka seseorang yang memahami perniagaan mereka yang menulisnya? Jika satu-satunya pemperibadian ialah nama dan syarikat, itu cuma mail merge, dan pembeli mengenalinya serta-merta.

Pandangan AI dalam ABM: tugas, input dan semakan manusia

Cara melaksanakan AI dalam program ABM anda: langkah demi langkah

1. Sepakati matlamat dan metrik. Saluran paip yang dijana daripada akaun sasaran, kelajuan tawaran atau hasil pengembangan. Bukan "bilangan e-mel dihantar."
2. Bersihkan data akaun. Gabungkan syarikat pendua, betulkan hubungan induk dan anak syarikat, dan piawaikan industri. Model menguatkan data yang buruk. Semak stack pemasaran AI untuk melihat sistem mana yang perlu saling menyuap.
3. Takrifkan kejayaan bersama jualan. Dokumenkan rupa akaun yang baik, apa yang dikira isyarat pembelian, dan siapa yang menindaklanjuti apa. ABM gagal apabila pemasaran memberi skor kepada akaun yang diabaikan jualan.
4. Bina model kesesuaian dengan holdout. Latih menggunakan sebahagian sejarah pelanggan anda dan uji pada selebihnya. Jika ia tidak dapat memilih pemenang daripada data yang belum dilihatnya, jangan gunakannya.
5. Mulakan dengan satu peringkat atau segmen. Projek rintis 50 hingga 100 akaun sudah memadai untuk belajar.
6. Gabungkan isyarat dengan peraturan yang telus. Tuliskan isyarat mana yang dikira dan berapa banyak. Semak sebab di sebalik akaun berkedudukan teratas setiap minggu.
7. Sediakan semakan manusia untuk pendekatan keluar. Setiap mesej kepada akaun peringkat satu disemak oleh seorang manusia. Pelan kelompok menerima semakan sampel.
8. Simpan pustaka dakwaan yang diluluskan. Beri model fakta, rujukan pelanggan dan kedudukan yang boleh digunakannya, dan tiada yang lain. Itu mengehadkan bukti sokongan yang direka-reka.
9. Ukur berbanding kumpulan perbandingan. Tahan akaun serupa yang menerima layanan standard. Itulah satu-satunya cara bersih untuk melihat apa yang ditambah oleh pendekatan dibantu AI.
10. Semak setiap suku tahun. Segarkan model dengan kemenangan dan kekalahan baharu, tamatkan isyarat yang tidak lagi meramal, dan semak semula peruntukan peringkat.

Kesilapan lazim

• Menganggap skor sebagai kebenaran. Skor kesesuaian atau intent ialah hipotesis tentang di mana hendak melabur perhatian. Gunakannya untuk memulakan perbualan, bukan untuk meramal hasil.
• Terlalu mempercayai intent pihak ketiga. Aktiviti penyelidikan bukan keputusan membeli. Pasukan yang menggelar setiap akaun yang ditandakan sebagai "dalam pasaran" menghabiskan muhibah dengan jualan.
• Pemperibadian yang menakutkan orang. Merujuk aktiviti peribadi seseorang atau sesuatu yang tidak pernah dikongsinya dengan anda terasa seperti pengawasan. Gunakan maklumat yang pembeli jangka anda ketahui.
• Membiarkan AI mereka fakta. Butiran yang tidak disahkan tentang pelanggan, pesaing atau eksekutif boleh menamatkan sesuatu hubungan. Semak sebelum menghantar.
• Menambah volum, bukan kerelevanan. Tujuan ABM ialah interaksi yang lebih sedikit dan lebih tepat sasaran. Jika AI membolehkan anda menghantar sepuluh kali ganda mesej kepada senarai yang sama, anda telah membina semula taburkan dan berharap dengan kosa kata yang lebih baik.
• Mengabaikan penyelarasan dengan jualan. Model tidak membaiki masalah serah tugas. Jika wakil jualan tidak bertindak ke atas senarai keutamaan, kedudukan itu hanyalah hiasan.
• Model yang hanya belajar daripada masa lalu. Menyuapnya hanya campuran pelanggan sedia ada mengecilkan pasaran anda. Sengaja sertakan segmen yang ingin anda menangi.
• Tiada semakan privasi. Memadankan trafik tanpa nama dengan syarikat dan orang boleh tertakluk kepada peraturan perlindungan data yang berbeza mengikut rantau. Dapatkan input undang-undang lebih awal.
• Mengukur aktiviti, bukan hasil. Bukaan dan klik pada e-mel akaun tidak menunjukkan banyak. Jejaki kemajuan akaun, mesyuarat dengan peranan yang tepat dan saluran paip.