AI lead scoring использует машинное обучение для прогнозирования того, какие лиды с наибольшей вероятностью станут клиентами, основываясь на закономерностях в прошлых данных CRM, таких как размер компании, поведение на сайте и взаимодействие с электронной почтой. Он заменяет или дополняет ручные правила, основанные на баллах. Он хорошо работает при наличии достаточного количества исторических сделок и чистых данных, и плохо, если чего-то из этого не хватает.
Обещание простое: отдел продаж звонит нужным людям в первую очередь. Практическая сложность заключается в том, чтобы заставить отдел продаж доверять числу, логику которого они не могут полностью увидеть.
Чем AI lead scoring отличается от скоринга на основе правил?
Традиционный скоринг присваивает баллы вручную: десять баллов за посещение страницы цен, двадцать за должность директора, минус пять за бесплатный адрес электронной почты. Это прозрачно, но основано на догадках и редко обновляется.
AI-скоринг анализирует прошлые лиды, которые конвертировались или нет, определяет, какие атрибуты и поведение предсказывали результат, и присваивает вероятности новым лидам. Он может находить комбинации, о которых человек не подумал бы, и может быть переобучен по мере изменения паттернов.
- На основе правил: прозрачно, легко изменить, но основано на предположениях и часто устаревает.
- На основе ИИ: основано на данных и адаптивно, но требует объема и сложнее в объяснении.
- Гибридный: правила для четких критериев дисквалификации и соответствия, ИИ для ранжирования внутри квалифицированных лидов.
Какие инструменты предлагают AI lead scoring?
Большинство крупных CRM включают предиктивный скоринг в более высоких тарифных планах, а специализированные инструменты добавляют больше глубины.
- HubSpot: предиктивный скоринг лидов и функции скоринга с поддержкой ИИ в тарифных планах Marketing и Sales Hub.
- Salesforce: Einstein Lead Scoring и функции Einstein в Sales Cloud и Account Engagement.
- Microsoft Dynamics 365: предиктивный скоринг лидов в Sales.
- Zoho CRM: прогнозы Zia.
- Специализированные платформы, такие как 6sense, Demandbase и MadKudu, часто объединяют данные о намерениях с историей CRM.
Требования к планам и названия функций меняются, поэтому проверяйте, что включает ваша текущая подписка.
Какие данные ему нужны?
Модель учится на результатах, поэтому ей нужно значительное количество конвертированных и неконвертированных лидов с последовательными данными. Поставщики устанавливают разные минимумы; как правило, модель, обученная на нескольких десятках закрытых сделок, в основном будет учиться на шуме.
Проверки качества данных перед включением
- Этапы жизненного цикла и результаты сделок записываются последовательно.
- Дубликаты контактов и компаний объединяются.
- Ключевые поля, такие как отрасль, размер компании и страна, заполнены для большинства записей.
- Отслеживание сайта и отправки форм подключены к записям контактов.
- У потерянных сделок есть записанная причина, поэтому модель не учится на неправильно помеченных данных.
Где AI lead scoring идет не так?
Предвзятость из истории — основной риск. Если отдел продаж исторически игнорировал сегмент, мало лидов из этого сегмента конвертировалось, и модель учится оценивать их низко. Прогноз затем подтверждает старую привычку. Просмотр баллов по сегментам помогает это обнаружить.
Другие проблемы более банальны. Сигналы поведения могут быть раздуты ботами или сотрудниками, тестирующими формы. Крупные изменения в предложении или рынке делают старые паттерны менее полезными. И когда отдел продаж не видит, почему лид получил высокий балл, они игнорируют балл, и система тихо умирает.
Как сохранить доверие отдела продаж к баллу?
- Показывайте основные факторы за каждым баллом; большинство CRM предоставляют краткое объяснение.
- Договоритесь о том, что означает каждый диапазон баллов на практике: звонить в течение дня, взращивать, дисквалифицировать.
- Ежемесячно просматривайте выборку лидов с высокими и низкими баллами вместе с отделом продаж.
- Отслеживайте коэффициент конверсии по диапазону баллов, чтобы все видели, действительно ли высокие баллы конвертируются лучше.
- Сохраняйте простое поле обратной связи для представителей, чтобы отмечать неправильные баллы.
Как Alien Road применяет AI lead scoring в проектах CRM
В типичном взаимодействии аудит обнаружения проверяет CRM: сколько существует закрытых сделок, насколько полны ключевые поля и как данные сайта и рекламы связаны с контактами. Если данные не готовы, первая фаза — это очистка и отслеживание, а не скоринг.
Настройка сочетает четкие правила соответствия, такие как целевые страны и размеры компаний, с предиктивным баллом CRM для ранжирования. Диапазоны баллов определяются вместе с отделом продаж, и рабочие процессы быстро направляют лиды с высокими баллами нужному представителю. Рекламные платформы получают данные об офлайн-конверсиях для квалифицированных лидов, поэтому Google Ads и Meta оптимизируются в сторону качества, а не объема форм. Измерение сравнивает коэффициент конверсии и время до первого контакта по диапазону баллов, а отчетность просматривает результаты на уровне сегментов для выявления предвзятости.
Подключение баллов к рекламе
Баллы лидов становятся более ценными, когда рекламные платформы могут их видеть. Импорт офлайн-конверсий Google Ads и API конверсий Meta принимают события из CRM, такие как маркетингово-квалифицированный лид или созданная возможность. Отправка этих событий позволяет системам ставок учиться тому, какие клики приносят ценные лиды, а не просто любую отправку формы.
Начните с одного события, которое имеет четкое определение и достаточный объем каждую неделю, чтобы платформам было чему учиться. Добавление нескольких редких событий одновременно обычно дает алгоритмам ставок слишком мало данных для действий, и кампании становятся менее стабильными, а не более эффективными.
Пересмотр модели с течением времени
Рынки меняются, и предложения меняются, поэтому модель скоринга, которая работала в прошлом году, может дрейфовать. Проверяйте коэффициент конверсии по диапазону баллов каждый квартал. Если лиды с высокими баллами перестают конвертироваться лучше, чем средние, переобучите модель или пересмотрите правила соответствия, прежде чем отдел продаж заметит это и перестанет использовать балл.
Также проводите проверку после крупных изменений, таких как новая линейка продуктов, новая страна или изменение цен. Эти моменты создают лиды, не похожие ни на что в истории обучения, и у модели нет способа узнать, как они будут себя вести, пока не будет записано достаточно результатов.
Документируйте каждую дату переобучения и причину, чтобы последующие изменения в баллах можно было объяснить.
С чего начать на этой неделе
Экспортируйте лиды за последние двенадцать месяцев с их результатом и основными полями. Посчитайте, сколько конвертировалось и насколько заполнено каждое поле.
Если конверсии исчисляются сотнями, а ключевые поля в основном заполнены, включите предиктивный скоринг вашей CRM в тестовом режиме и сравните его с вашими текущими правилами в течение месяца. Если нет, сначала исправьте отслеживание и ввод данных; эта работа улучшает каждый последующий шаг.
Продолжайте читать: CRM-система · Crm-система