AI lead scoring ранжирует B2B-лиды по вероятности их превращения в клиентов, используя закономерности прошлых сделок вместо баллов, назначенных вручную. Модель анализирует фирмографические данные, поведение, такое как посещения страниц и клики по ссылкам в письмах, а также историю CRM, после чего присваивает каждому лиду балл или вероятность. Это работает, когда данные в CRM чистые, а отдел продаж действительно доверяет этим цифрам; без обоих условий это становится еще одним игнорируемым полем.
Чем AI lead scoring отличается от скоринга на основе правил?
Традиционный скоринг начисляет баллы за действия и характеристики: десять за посещение страницы с ценами, двадцать за должность директора, минус пять за бесплатный адрес электронной почты. Правила легко читать, но они отражают мнения, и никто не обновляет их, когда рынок меняется.
AI-скоринг изучает веса на основе результатов. Он сравнивает лиды, которые превратились в возможности или закрытые сделки, с теми, которые этого не сделали, и находит комбинации, которые их разделяют. Результат часто менее интуитивен. Модель может решить, что второе посещение страницы интеграции в течение недели важнее, чем должность, потому что данные показывают именно это.
Какие данные нужны B2B-модели скоринга?
Модель может учиться только на том, что записывает CRM. Прежде чем выбирать инструмент, убедитесь, что эти данные существуют и достаточно полны:
- Четкий этап жизненного цикла для каждого контакта с датами изменения этапов.
- Результаты закрытых выигранных и проигранных сделок, связанные с исходными контактами.
- Данные о компании, такие как отрасль, размер и страна, введенные или обогащенные.
- Взаимодействие с веб-сайтом и электронной почтой, отслеживаемое для известных контактов.
- Минимум несколько сотен конвертированных лидов, чтобы у модели было достаточно положительных примеров.
Многие B2B-компании терпят неудачу на втором пункте. Сделки создаются без привязки контактов, которые их инициировали, поэтому модель не может узнать, какое раннее поведение привело к доходу.
Какие инструменты предлагают AI lead scoring?
Большинство крупных CRM теперь включают предиктивную опцию. HubSpot предлагает предиктивный lead scoring в своих более высоких тарифах Sales и Marketing Hub, а также функции скоринга с поддержкой ИИ. Salesforce предоставляет Einstein Lead Scoring и Einstein Opportunity Scoring для Sales Cloud. Microsoft Dynamics 365 Sales имеет встроенный предиктивный lead scoring. Zoho CRM предлагает скоринг через своего помощника Zia. Названия функций и требования к тарифам часто меняются, поэтому подтверждайте текущую доступность в документации каждого поставщика.
Команды с хранилищем данных также могут создать свою собственную модель в таких инструментах, как BigQuery ML или Python-ноутбук, и отправлять баллы обратно в CRM. Этот путь дает больше контроля, но требует кого-то для его поддержки.
Встроенный или кастомный?
Встроенный скоринг — разумный выбор по умолчанию для большинства команд среднего размера. Он уже подключен к данным, обновляется автоматически и не требует инженерных усилий. Кастомные модели имеют смысл, когда данные живут в нескольких системах, например, использование продукта на SaaS-платформе плюс данные CRM, и встроенная модель не может их видеть.
Соответствие и намерение — это два разных балла
Многие команды получают лучшие результаты, разделяя балл на две части. Балл соответствия говорит о том, насколько компания соответствует идеальному профилю клиента: отрасль, размер, регион, технологический стек. Балл намерения говорит о том, насколько активен человек прямо сейчас: посещения, скачивания, ответы. Идеально подходящая компания без активности требует иных действий, чем активный лид от компании, которая плохо подходит, и единая смешанная цифра скрывает эту разницу. Большинство CRM позволяют хранить оба балла и настраивать маршрутизацию на основе их комбинации.
Как узнать, хорош ли балл?
Проверьте его на истории, прежде чем кто-либо начнет на него полагаться. Возьмите лиды из прошлого квартала, посмотрите на их баллы на момент прихода и посмотрите, сколько из них в верхней группе стали возможностями по сравнению с нижней группой. Если верхняя группа не конвертируется значительно лучше, модель не готова.
После запуска следите за дрейфом. Новая кампания, нацеленная на другую отрасль, может привлечь лиды, которые модель никогда не видела, и баллы для них могут быть ненадежными. Ежемесячный просмотр коэффициента конверсии по группам баллов позволяет заметить это на ранней стадии.
- Сравнивайте конверсию по группам баллов, а не общую точность.
- Проверяйте основные факторы, влияющие на балл, на предмет странностей, например, доминирование одного поля формы.
- Ищите ложноотрицательные результаты: хорошие сделки, которые пришли от лидов с низким баллом.
- Перепроверяйте после любых серьезных изменений в формах, кампаниях или целевых рынках.
Как отделы продаж и маркетинга должны использовать балл вместе?
Балл имеет значение только в том случае, если он меняет поведение. Договоритесь о том, что запускает каждая группа. Верхняя группа может сразу идти к менеджеру по продажам с целью последующего контакта в течение одного рабочего дня. Средняя группа может попасть в цепочку прогрева с проверкой через три недели. Самая низкая группа остается в автоматизации маркетинга.
Запишите эти правила в соглашение об уровне обслуживания между командами и в рабочие процессы CRM, чтобы маршрутизация происходила автоматически. Затем встречайтесь ежемесячно, чтобы просмотреть несколько лидов из каждой группы. Эти короткие обзоры укрепляют доверие быстрее, чем любой график точности.
Что чаще всего идет не так?
Распространенные неудачи носят скорее организационный, чем технический характер. Менеджеры по продажам игнорируют балл, потому что никто не объяснил, что им движет. Маркетинг празднует рост лидов с высоким баллом, которые пришли с одной аудитории вебинара без бюджета. Модель обучается на годе, когда компания продавала в основном одной отрасли, а затем целевой рынок меняется. Каждую из этих проблем можно исправить регулярным обзором, кратким объяснением основных факторов в карточке контакта и привычкой переобучать модель после больших изменений.
Как Alien Road применяет AI lead scoring
В типичном проекте мы начинаем с аудита данных CRM. Мы проверяем этапы жизненного цикла, привязки сделок, дубликаты контактов и долю записей с данными о компании. Аудит обычно создает список очистки перед началом любой работы по скорингу, потому что модель, обученная на грязных записях, учится грязи.
Затем мы активируем встроенный предиктивный скоринг в CRM клиента, где это позволяет план, или строим простую модель в хранилище данных, когда данные распределены по системам. Мы тестируем ее на прошлых кварталах вместе с руководителем отдела продаж, согласовываем группы баллов и подключаем рабочие процессы маршрутизации. Отчетность отслеживает конверсию по группам, скорость последующего контакта для лидов верхней группы и ценность пайплайна от каждой группы, поэтому балл оценивается по доходу, а не по тому, насколько сложным он выглядит.
С чего начать на этой неделе
Экспортируйте свои закрытые выигранные сделки за последние двенадцать месяцев и проверьте, сколько из них имеют привязанный исходный контакт лида. Если доля низкая, исправьте правила ассоциации в вашей CRM, прежде чем что-либо покупать. Чистые данные о результатах — это единственное, что не может предоставить ни один инструмент скоринга, и это шаг, который пропускает большинство команд.
Читать далее: CRM-система · Crm-система