AI lead scoring использует исторические данные CRM и поведения для прогнозирования того, какие лиды с наибольшей вероятностью станут клиентами, а затем ранжирует новые лиды по этой вероятности. В клиентских кампаниях это меняет две вещи: отделы продаж сначала звонят нужным людям, а рекламные платформы получают лучшие сигналы о том, какие конверсии важны. Модель хороша ровно настолько, насколько хороши данные и обратная связь от отдела продаж, поэтому большая часть работы происходит вокруг нее, а не внутри.
Чем AI lead scoring отличается от скоринга на основе правил?
Традиционный скоринг присваивает баллы вручную. Посещение страницы с ценами может принести 10 баллов, должность “Директор” — 15, бесплатный адрес электронной почты — минус 5. Правила легко объяснить, но они отражают чьи-то предположения и быстро устаревают по мере изменения рынка.
Предиктивный скоринг изучает веса на основе прошлых результатов. Он анализирует лиды, которые конвертировались, и те, которые нет, находит закономерности, которые их разделяют, и оценивает новые лиды соответствующим образом. Предиктивный lead scoring от HubSpot, Salesforce Einstein Lead Scoring, Zia от Zoho и предиктивный скоринг от Microsoft Dynamics 365 работают именно так, как и отдельные инструменты, такие как MadKudu.
Модель может найти закономерности, которые люди могут упустить, например, сочетание размера компании и загрузки определенного контента. Она также может найти ложные закономерности, что является одной из причин, по которой человеческий контроль остается в процессе.
Какие данные нужны модели lead scoring?
Большинству CRM-инструментов требуется минимальная история, прежде чем прогнозы станут надежными. Точный порог варьируется в зависимости от поставщика; как правило, несколько сотен закрытых результатов с победами и поражениями дают модели базу для обучения. Полезные входные данные включают:
- Фирмографические поля: отрасль, размер компании, страна, диапазон выручки.
- Поля контакта: должность, стаж, отдел.
- Поведение: просмотренные страницы, открытые и кликнутые письма, отправленные формы, участие в вебинарах.
- Источник: кампания, канал, ключевое слово или группа объявлений.
- Результат: созданная возможность, выигранная или проигранная сделка, с указанием причин, если они доступны.
Пробелы вредят больше, чем люди ожидают. Если торговые представители никогда не помечают лиды как дисквалифицированные, модель не может узнать, как выглядит плохой лид.
Как Alien Road применяет AI lead scoring в клиентских кампаниях
В типичном проекте процесс состоит из четырех этапов, и первый обычно самый долгий.
Аудит данных
Команда экспортирует лиды и результаты за последние 12–24 месяца и проверяет их полноту. Типичные находки включают пропущенные этапы жизненного цикла, дубликаты контактов, должности в свободном текстовом формате, требующие нормализации, и поля источника кампании, перезаписанные последующими касаниями. Исправление этого часто сразу улучшает отчетность еще до запуска какой-либо модели.
Семинар по определению
Маркетинг и продажи договариваются о том, что означает “квалифицированный”. Это определение становится результатом, который предсказывает модель. Без него маркетинг может оптимизировать количество забронированных встреч, в то время как продажи заботятся о сделках выше определенного размера.
Настройка и калибровка
Включается предиктивная функция в CRM клиента или создается пользовательская модель, если в CRM ее нет. Затем команда сравнивает предсказанные баллы с тем, что произошло на самом деле за недавний период, который был отложен, и проверяет, действительно ли лиды с высоким баллом закрывались чаще. Диапазоны баллов (например, A, B, C) устанавливаются так, чтобы для каждого диапазона было четкое действие по продажам и время ответа.
Активация в кампаниях
Сигналы о высоком намерении отправляются обратно на рекламные платформы. Импорт офлайн-конверсий Google Ads и расширенные конверсии для лидов, Conversions API от Meta и отслеживание конверсий LinkedIn могут получать события квалифицированных лидов. Ставки затем оптимизируются на лиды, которые похожи на клиентов, а не на любое заполнение формы.
Отчетность отслеживает коэффициент конверсии по диапазону баллов, скорость до первого контакта для лидов высшего диапазона, ценность воронки по источнику и то, как часто продажи переопределяют балл. Переопределения пересматриваются ежемесячно; это самая полезная обратная связь, которую получает модель.
Что может пойти не так с предиктивным скорингом?
Несколько режимов сбоев повторяются в разных аккаунтах:
- Петли обратной связи: если продажи звонят только лидам с высоким баллом, лиды с низким баллом никогда не получают шанса конвертироваться, и модель становится более уверенной в своей предвзятости.
- Дрейф данных: новый продукт, рынок или изменение цен делают прошлые закономерности менее актуальными.
- Предвзятость прокси: поля, такие как страна или домен компании, могут подменять факторы, которые не должны влиять на решения, поэтому характеристики нуждаются в проверке.
- Баллы “черного ящика”: представители игнорируют балл, который не могут понять. Инструменты, показывающие основные факторы каждого балла, вызывают больше доверия.
- Пробелы в отслеживании: баннеры согласия и блокировщики рекламы уменьшают поведенческие данные, что ослабляет прогнозы для аудиторий, заботящихся о конфиденциальности.
Простая защита от первой проблемы — каждый месяц направлять в отдел продаж небольшую случайную выборку лидов с более низким баллом. Это поддерживает честность модели.
Как измерить, улучшает ли lead scoring результаты?
Сравнивайте когорты, а не анекдоты. Четкий тест назначает лиды одного периода на обработку со скорингом и без него или сравнивает период до и после внедрения с учетом сезонности. Метрики, которые стоит отслеживать:
- Коэффициент конверсии из лида в возможность по диапазону баллов.
- Коэффициент побед и средний размер сделки по диапазону.
- Медианное время от создания лида до первого контакта с продажами.
- Стоимость квалифицированного лида по каналу после того, как рекламные платформы начнут получать события со скорингом.
- Часы продаж, потраченные на лиды, которые никогда не продвигаются.
Если высший диапазон не конвертируется заметно лучше, чем нижний, модель пока не добавляет ценности. Пересмотрите определение результата и качество данных, прежде чем добавлять больше полей.
Стоит ли малому бизнесу использовать AI lead scoring?
Зависит от объема. Бизнес с 30 лидами в месяц выигрывает больше от быстрого ответа и короткого квалификационного звонка, чем от предиктивной модели. Как только объем лидов превышает способность отдела продаж быстро реагировать, скоринг начинает окупаться. Между тем, простой скоринг на основе правил, построенный из нескольких важных сигналов, может служить мостом.
С чего начать на этой неделе
Экспортируйте лиды за последний квартал с их результатами и посчитайте, сколько из них имеют четкий статус выигранных, проигранных или дисквалифицированных. Если доля мала, первый проект — это не модель; это задача заставить продажи закрыть цикл в CRM. Если данные есть, сравните коэффициенты конверсии для ваших трех лучших источников лидов и уровней стажа. Эти несколько цифр часто показывают то, что модель позже подтвердит.
Читать далее: CRM-система · Crm-система