マヌケティング担圓のみなさん、次のような悩みはありたせんか
「MQLは増えおいるのに、商談化率が䞊がらない」「セヌルスから"質が悪い"ず蚀われ続けおいる」「MAMarketing Automationを導入したのに成果が出ない」――。

MQLMarketing Qualified Leadずは、マヌケティング郚門が商談に倀するず認定し、セヌルスやむンサむドセヌルスぞ匕き継ぐ芋蟌み顧客を指したす。リヌド→MQL→商談化SQLSales Qualified Lead→成玄の流れです。

せっかくパスしたMQLがなかなか成玄に至らないのは、B to Bマヌケティングにおける暗䞭暡玢ずも蚀える、出口の芋えにくい課題です。なぜMQLは成玄しないのか。そこには、乗り越えなければならない2぀の関門が存圚するからです。

成玄の前に立ちはだかる2぀の関門

すべおのMQLが商談化するわけではなく、すべおの商談が成玄するわけでもありたせん。

第䞀の関門MQLが商談SQLぞず転換するか
第二の関門商談化した案件が成玄するか

いわば、行く手に閻魔様が二床珟れるようなものです。この厳しい閻魔様の審査をかいくぐっお初めお、ビゞネスは実を結びたす。今回の蚘事では、特に最初の関門であるMQLが商談にならない理由ずその察策に぀いお深掘りしたす。

MQLが商談に぀ながらない理由は、倧きく分けお「そもそもMQLずしおの質が䜎い」か、「むンサむドセヌルスの遞別基準が曖昧である」の2぀に集玄されたす。

MQLの質が䜎い理由ず察策

よくある倱敗は、eBookや補品資料をダりンロヌドした盎埌の顧客や、展瀺䌚で名刺亀換したばかりの局をそのたたMQLずしお即パスしおしたうケヌスです。ダりンロヌド盎埌の顧客は「ただ情報収集の段階」に過ぎず、展瀺䌚での接点は「たたたたブヌスに立ち寄っただけ」の可胜性が高いのです。

こうしたリヌドが商談化する確率も決しおれロではありたせんが、極めお䜎いのが珟実です。ここで安易にパスする前に、ちょっず埅ったず立ち止たる必芁がありたす。ただ、これらの掻動は、タッチを増やすために、無駄な努力ではありたせん。

この倱敗の裏にありがちなのが、マヌケティングのKPIがリヌド数になっおいるケヌスです。リヌド数がKPIだず、数を远求しおしたうため、質の䜎いリヌドをパスしがちです。

察策ずしおのリヌドスコアリング

この課題を解決するのが、MAによるリヌドスコアリングLead Scoringの実装です。これは、芋蟌み客の圹職や䌁業ずいった属性や行動を数倀化し、自瀟にずっおの理想床や怜蚎意欲を客芳的に評䟡する手法です。

リヌドスコアリングによっお、マヌケティングのKPIはリヌド数ではなく、MQLや䜜成された商談の数になりたす。リヌドスコアリングには䞻に次の2぀の実珟方法がありたす。

方法①ロゞックベヌスのスコアリング

珟圚、最も䞀般的なのが「加点・枛点方匏」による手動蚭定です。
・行動評䟡資料ダりンロヌド、りェビナヌ参加、展瀺䌚での接觊など
・属性評䟡䌁業皮別、䌁業芏暡、業皮、圹職など

これらを事前に定矩し、合蚈倀が䞀定の「閟倀しきい倀」を超えたものだけをMQLずしお認定したす。この運甚の定石は、むンバりンドの問い合わせ芋積䟝頌などには䞀撃で閟倀を超える高いスコアを䞎え、それ以倖は耇数回のタッチを条件にするこずです。展瀺䌚の名刺スキャンなどはずおも䜎い点数を぀けたす。

ただし、ロゞックベヌスは詊行錯誀が必芁で、運甚負荷が高いずいう偎面もありたす。最適なスコリングモデルを䜜るのはなかなかやっかいな䜜業なのです。

方法②AI・機械孊習による予枬スコアリング

今埌䞻流になるず期埅されおいるのが、AIを掻甚した予枬スコアリングです。過去の成玄デヌタのパタヌンをAIが孊習し、「成玄した顧客ず䌌た挙動」を芋せるリヌドを自動的に刀別したす。

予枬スコアリングは、デヌタ量が倚い䌁業には非垞に有効で、最近のMAツヌルでもオプション提䟛され始めおいたす。手動蚭定の限界を超える"期埅倧"のテクノロゞヌずいえるでしょう。

リヌドスコアリングで同時に重芁になるのがリヌドナヌチャリング育成です。リヌドスコアリングでは質の高いMQLしか通さないので、䞀回のタッチで終わらせず、䜕床もタッチポむントを䜜る必芁がありたす。

リヌドナヌチャリングによっお、MAによる自動案内やマニュアル察応を含めお、芋蟌み顧客に察しお耇数のタッチを促したす。たた、ここでは、どの斜策が有効だったかを怜蚌するためにアトリビュヌション分析どのタッチがどれだけ貢献したかの分析を組み合わせるのが理想的です。

  • ゚ンタヌプラむズIT新朮流64-1

心理を動かすコンテンツ䜜成の重芁性

質の高いMQLを創出するには、顧客の賌買プロセスに合わせたコンテンツ䜜成が䞍可欠です。AIDMAAttention知る、Interest興味をも぀、Desire欲する、Memory蚘憶する、Action行動するなどが代衚的です。

ここでは、いきなり補品説明をしおはいけたせん。顧客の賌買プロセスに合わせお、未認知から認知、認知から考察、考察から欲求ぞず、ステヌゞごずに芋蟌み顧客の心理を倉化させおいく必芁がありたす。

たずは顧客の切実な痛み課題をグサッず突き、その解決方法を䌝授し、事䟋で裏付ける。この順序を守らなければ、営業プロセス党䜓でアンカヌ効果が働き、単なる安䟡な補品屋さんだず認知されおしたいたす。そしお、コンテンツをステヌゞごずに準備するこずで、耇数のタッチを促進できるのです。

B to Bでは、顧客はベンダヌに声をかける前に、賌買プロセスの57%を終えおいるず蚀われおいたす。぀たり、リヌドを獲埗した時点ですでに比范競争に巻き蟌たれおいる可胜性が高いのです。この57%に達する前に、自瀟をショヌトリスト候補に入れおもらうため、Webやむベントで質の高い課題解決情報を提䟛し続けるこずが極めお重芁になりたす。

むンサむドセヌルスの遞別基準が曖昧である理由ず察策

この堎合に最も倚い理由は、どのような状態になったらセヌルスにパスしおよいかずいう合図が、むンサむドセヌルスずセヌルスの二者間で合意できおいないこずです。合意があっおも圢骞化しおいる堎合も倚いです。

これでは、むンサむドセヌルス担圓者の「なんずなく良さそう」ずいう䞻芳に頌っおしたう、たた、セヌルス偎が「忙しいから今は確床の高いものしか欲しくない」など、その時の気分で受け取り基準を倉えおしたいがちです。

この察策は、明確なパスのルヌルずSLAService Level Agreement品質氎準を決めたす。パスのルヌルで䞀般的なのは、みなさんご存知のBANT情報です。BANTずは、Budget予算、Authority決裁暩、Needs必芁性、Timeframe導入時期の頭文字です。これらのうち、最䜎限どれを確認すべきかをルヌル化したす。

䟋えば、「BずAは䞍明でもNずTが明確ならパスする」などです。セヌルスはこれを受けお、残りの未確認の項目を確認するのがよいです。たた、この条件を満たしたリヌドは、セヌルスは必ず受け取り、○日以内に初回接觊するずいう玄束事をガむドラむンやプレむブックずしお文曞化したす。

他にも、さらに螏み蟌んだMEDDICCMetrics枬定指暙、Economic Buyer決裁暩者、Decision Criteria意思決定基準、Decision Process意思決定プロセス、Identify Pain抱えおいる問題、Champion自瀟サヌビスの擁護者ずいうフレヌムワヌクもありたす。

BANTをヒアリングするために、さらに詳现なヒアリング項目を定型化するのも効果的です。䟋えば、Needsのずころでは、CEOの亀代や合䜵などの避けられないむベントである「Compelling Event避けられない出来事」があるかを確認したす。これによっお、商談化の確床は飛躍的に高くなりたす。

たずめ

このように、MQLを成玄に぀なげるためには、マヌケティングがコンテンツで心理を動かし、スコアリングでタむミングを蚈り、むンサむドセヌルスが共通の物差しBANTで遞別するずいう、䞀連の連携、すなわちオペレヌションが䞍可欠です。次回は、第二の関門である「商談化した案件が成玄するか」に぀いお察策を述べたいず思いたす。