AI lead scoring для электронной коммерции прогнозирует, какие покупатели, подписчики или оптовые запросы с наибольшей вероятностью совершат покупку, используя такие данные о поведении, как посещения, просмотры товаров, взаимодействие с email и прошлые заказы. Практическое применение включает приоритизацию оптовых и B2B лидов, таргетинг email и SMS по вероятности покупки, создание рекламных аудиторий и раннее выявление ценных клиентов.
Что такое lead scoring в контексте электронной коммерции?
Lead scoring зародился в B2B-продажах, где команды ранжируют потенциальных клиентов, чтобы менеджеры по продажам в первую очередь звонили самым перспективным. В электронной коммерции большинство покупателей никогда не общаются с продавцом, поэтому концепция меняется. Баллы ранжируют контакты по вероятности того, что они совершат покупку, повторную покупку или потратят больше, и эти баллы определяют, кто получит какое сообщение, предложение или рекламу.
Основанный на правилах скоринг начисляет баллы за действия: пять за открытие email, десять за просмотр товара, двадцать за добавление в корзину. AI-скоринг на основе исторических данных изучает, какие комбинации поведения действительно предшествовали покупкам, и соответствующим образом взвешивает их. Такие платформы, как Klaviyo, HubSpot, Salesforce и Bloomreach, включают предиктивные баллы или модели склонности, названия и функции которых варьируются в зависимости от плана.
Какие бренды электронной коммерции выигрывают больше всего?
Скоринг стоит усилий, когда у вас достаточно контактов и достаточно решений, которые нужно принимать с помощью баллов. Магазин с несколькими сотнями подписчиков может сегментировать вручную. Магазин с десятками тысяч контактов, несколькими линейками продуктов и регулярными кампаниями выигрывает гораздо больше.
Бренды с оптовым или B2B направлением выигрывают почти сразу. Оптовые запросы сильно различаются по ценности, и отдел продаж с ограниченным временем должен знать, на какие отвечать в первую очередь.
Вариант использования 1: Приоритизация оптовых и B2B запросов
Бренд, продающий как потребителям, так и розничным торговцам, часто получает оптовые формы от бутиков, сетей, маркетплейсов и реселлеров. Скоринг может объединить данные формы с поведением и фирмографическими деталями.
- Размер и тип компании, из формы или инструментов обогащения.
- Страницы, просмотренные перед отправкой, такие как прайс-лист для оптовиков или страница минимального заказа.
- История заказов, если компания также покупала как потребитель.
- Расположение относительно вашей существующей дистрибуции.
- Реакция на предыдущие информационные email-рассылки.
Например, обжарщик кофе может обнаружить, что кафе, которые просматривали страницу оборудования и страницу оптовых цен, становились постоянными клиентами гораздо чаще, чем те, кто просто отправил короткую форму. На такие запросы звонят в тот же день.
Вариант использования 2: Email и SMS таргетинг по вероятности покупки
Отправка каждой кампании каждому подписчику — это просто, но расточительно. Высокая частота рассылок людям, которые их никогда не открывают, может навредить доставляемости, так как почтовые провайдеры следят за вовлеченностью.
С баллами вероятности покупки вы можете отправлять новинки по полной цене контактам с высокой склонностью, более мягкий контентный email — средним, а серию для повторного вовлечения — низким. Исключение долго неактивных контактов защищает репутацию отправителя и обычно почти не снижает доход.
Вариант использования 3: Рекламные аудитории и ставки на основе ценности
Баллы могут питать платные медиа. Загружайте сегменты с высокой склонностью как пользовательские аудитории в Meta или списки Customer Match в Google Ads, с согласия и в соответствии с политиками каждой платформы. Используйте их для создания похожих аудиторий или для исключения людей, которые и так собираются купить, из дорогих кампаний по привлечению.
Для магазинов с разной стоимостью заказов прогнозируемая ценность может информировать ставки на основе ценности, чтобы рекламные платформы оптимизировались на клиентов, которые стоят дороже с течением времени, а не просто на любую покупку.
Вариант использования 4: Раннее выявление ценных клиентов
Некоторые первые заказы намекают на будущую лояльность: определенная категория товаров, покупка по полной цене, регистрация аккаунта или конкретный канал привлечения. AI-модели могут помечать этих новых клиентов, чтобы они получали лучший прием, например, рукописную записку, ранний доступ или звонок из службы поддержки.
Какие данные вам нужны?
- Чистая история заказов, связанная с записями клиентов, желательно минимум за год.
- Поведение на сайте, связанное с известными контактами, через платформу вашего магазина или аналитическую интеграцию.
- История взаимодействия с email и SMS.
- Записи о согласии, чтобы вы оценивали и таргетировали только те контакты, которые соответствуют GDPR, KVKK или другому применимому законодательству.
- Четкое определение результата, который вы прогнозируете: первая покупка, повторная покупка или оптовый аккаунт.
Пробелы в данных создают уверенные, но неверные баллы. Если половина ваших заказов проходит через маркетплейс, который не делится данными клиентов, модель видит только половину картины.
Каковы ограничения?
Баллы — это вероятности, а не факты. Контакт с высоким баллом все равно может не купить, а низкий балл — не повод игнорировать кого-то навсегда. Модели также дрейфуют: сезонное поведение, новые продукты или изменение маркетингового микса могут сделать прошлогодние паттерны менее надежными. Периодически переобучайте или проверяйте баллы.
Существует также вопрос справедливости. Избегайте использования баллов для предложения разных цен или худшего обращения на основе чувствительных атрибутов, и проверяйте, как модель вашей платформы использует такие данные, как местоположение.
Как превратить баллы в действия?
Балл, на который никто не реагирует, — это просто еще один столбец в CRM. Перед включением скоринга запишите, что происходит на каждом уровне. Высокая вероятность покупки может означать кампании по полной цене и отсутствие кодов скидок. Средняя может означать контент и социальное доказательство. Низкая может означать сниженную частоту рассылок и предложение по возврату после определенного периода. Для оптовых лидов определите, кто звонит, как быстро и что они предлагают.
Держите количество сегментов небольшим. Три или четыре группы с четкими действиями легче запускать и измерять, чем десять мелко градуированных уровней, которые в итоге получают один и тот же email.
Как Alien Road применяет AI lead scoring
В типичном проекте электронной коммерции обнаружение сначала изучает данные: где живут заказы, контакты и записи о согласии, как они связаны и какой результат наиболее важен для бизнеса. Часто есть быстрое решение, например, правильное подключение магазина к email-платформе или объединение дублирующихся профилей.
Настройка использует предиктивные функции, уже доступные на платформах клиента, где это возможно, вместо пользовательской модели. Баллы превращаются в небольшое количество сегментов, и каждый сегмент получает четкое действие: тип сообщения, рекламную аудиторию или правило последующих продаж для оптовых запросов.
Измерение сравнивает результаты сегмента с контрольной группой, которая получает стандартное обслуживание. Отчеты показывают доход на получателя, коэффициенты конверсии по сегментам и конверсию оптовых запросов, а также отмечают, когда баллы нуждаются в перекалибровке.
С чего начать на этой неделе
Выгрузите список клиентов, которые совершили вторую покупку за последний год, и посмотрите, что они делали до этого: какие email открывали, какие страницы посещали и что содержал их первый заказ. Даже этот ручной просмотр выявляет сигналы, которые выучила бы модель. Затем проверьте, предлагает ли ваша email или CRM-платформа уже предиктивные баллы, которые вы не включили.
Читать далее: CRM-система · Crm-система