Самые распространенные ошибки AI lead scoring — это обучение моделей на слишком малых или предвзятых данных, запуск баллов, которым отделы продаж не доверяют, смешивание соответствия и намерения в одну цифру, а также отсутствие проверки того, действительно ли высокие баллы конвертируются. Агентства избегают их, сначала очищая данные CRM, определяя квалифицированный лид совместно с отделом продаж, разделяя баллы соответствия и вовлеченности, а также ежемесячно проверяя точность баллов по закрытым сделкам.
AI lead scoring использует машинное обучение для оценки вероятности того, что лид станет клиентом. Вместо того чтобы маркетолог вручную начислял баллы, модель анализирует прошлые лиды, которые конвертировались, и те, которые нет, и учится тому, какие атрибуты и поведение предсказывают продажу. HubSpot predictive lead scoring, Salesforce Einstein Lead Scoring, Microsoft Dynamics 365 predictive scoring и такие инструменты, как MadKudu и 6sense, предлагают версии этого.
Идея здравая, и когда она работает, она помогает отделу продаж тратить время на нужных людей. Неудачи, как правило, связаны с настройкой, а не с алгоритмом.
Ошибка 1: Недостаточно исторических данных
Предиктивным моделям нужны примеры. Если компания закрыла тридцать сделок в прошлом году, у модели есть тридцать положительных случаев для обучения, что слишком мало для поиска надежных закономерностей. Платформы обычно устанавливают минимальные пороги, прежде чем предиктивный скоринг станет доступен, и даже выше этих минимумов небольшие наборы данных дают нестабильные баллы.
Как этого избежать
Проверьте, сколько конвертированных и неконвертированных лидов существует с полными данными. Если цифры малы, начните со скоринга на основе правил, построенного совместно с отделом продаж, и перейдите к предиктивному скорингу, как только накопится достаточная история. Гибрид, с правилами для соответствия и моделью для вовлеченности, часто является хорошим промежуточным шагом.
Ошибка 2: Грязные данные CRM
Дубликаты контактов, отсутствующие размеры компаний, сделки, закрытые без привязки к контактам, и непоследовательно обновляемые этапы жизненного цикла вводят модель в заблуждение. Если торговые представители помечают проигранные сделки как «закрытые выигранные», чтобы навести порядок в своих воронках, или вообще никогда не закрывают проигранные сделки, модель учится на неправильных результатах.
Как этого избежать
- Объединяйте дубликаты и устанавливайте правила, предотвращающие появление новых.
- Сделайте ключевые поля, такие как отрасль, размер компании и источник, обязательными или обогащенными.
- Согласуйте определения этапов жизненного цикла и время их изменения.
- Закрывайте или архивируйте устаревшие сделки, чтобы история отражала реальность.
Ошибка 3: Нет общего определения хорошего лида
Маркетинг может считать лид квалифицированным после регистрации на вебинар, в то время как продажи заботятся только о людях с бюджетом и полномочиями. Если модель обучена на определении маркетинга, продажи получают баллы, которые не соответствуют их опыту, и перестают их использовать.
Как этого избежать
Проведите рабочую сессию с руководителями продаж. Согласуйте, как выглядит квалифицированный для продаж лид и какой результат должна предсказывать модель: встреча назначена, возможность создана или сделка выиграна. Запишите это и используйте последовательно.
Ошибка 4: Одна цифра для всего
Единый балл, который смешивает соответствие компании с недавней активностью, может ввести в заблуждение. Студент, скачавший пять электронных книг, выглядит вовлеченным, но никогда не купит. Директор по закупкам в идеальном аккаунте, который один раз посетил страницу цен, выглядит спокойным, но он ценен.
Как этого избежать
Разделите балл на два измерения: соответствие, основанное на фирмографических и демографических данных, и вовлеченность или намерение, основанное на поведении. Многие платформы поддерживают несколько баллов. Продажи могут затем приоритизировать лиды с высоким соответствием и высокой вовлеченностью, а также взращивать лиды с высоким соответствием и низкой вовлеченностью.
Ошибка 5: Черный ящик, которому продажи не доверяют
Когда представитель видит балл 87 без объяснения, он его игнорирует. Доверие растет, когда люди могут видеть, почему лид получил высокий балл.
Как этого избежать
Используйте платформы, которые показывают способствующие факторы, такие как основные положительные и отрицательные факторы Salesforce Einstein. Поделитесь с отделом продаж простым резюме того, что влияет на балл. Собирайте отзывы от представителей о лидах, где балл казался неправильным, и рассматривайте эти случаи вместе.
Ошибка 6: Никогда не проверять точность
Балл — это предсказание. Если никто не сравнивает предсказания с результатами, сломанная модель может работать месяцами. Изменения рынка, новая линейка продуктов или изменение кампаний могут повлиять на то, кто конвертируется.
Как этого избежать
Каждый месяц группируйте лиды по диапазону баллов и сравнивайте коэффициенты конверсии. Высокие диапазоны должны конвертироваться намного лучше, чем низкие. Если это не так, исследуйте изменения данных, переобучите модель или пересмотрите определение успеха.
Ошибка 7: Игнорирование предвзятости и конфиденциальности
Модели учатся на истории, включая ее предвзятости. Если прошлые продажи фокусировались на определенных регионах или типах компаний, модель будет недооценивать другие, даже если сейчас они являются хорошими целями. Lead scoring также обрабатывает персональные данные, поэтому применяются GDPR, KVKK и аналогичные правила.
Как этого избежать
Просмотрите, какие атрибуты использует модель, и удалите те, которые создают несправедливую или нерелевантную предвзятость. Документируйте правовую основу для обработки и будьте прозрачны в своем уведомлении о конфиденциальности относительно профилирования.
Как Alien Road применяет AI lead scoring
В типичном взаимодействии lead scoring является частью работы CRM, а не отдельной функцией. Discovery проверяет качество данных CRM, объем лидов и историю конверсии, а также отображает, как лиды в настоящее время перемещаются от маркетинга к продажам. Мы берем интервью у руководителей продаж о том, что делает лид достойным звонка.
Настройка начинается с очистки данных и общего определения успеха. В зависимости от объема данных мы настраиваем скоринг соответствия на основе правил, предиктивный скоринг или их комбинацию в HubSpot, Salesforce или Dynamics. Соответствие и вовлеченность отслеживаются отдельно там, где это позволяет платформа, а баллы питают правила маршрутизации и представления продаж.
Измерение сравнивает коэффициенты конверсии по диапазону баллов каждый месяц и отслеживает, как быстро связываются с лидами с высоким баллом. Отчеты делятся этими таблицами как с маркетингом, так и с продажами и перечисляют лиды, где балл и результат не совпали, чтобы модель и процесс улучшались вместе.
С чего начать на этой неделе
Экспортируйте лиды прошлого года с их результатами и посчитайте, сколько конвертировалось. Затем сядьте с руководителем продаж на тридцать минут и согласуйте одно письменное определение квалифицированного лида.
Имея эти две вещи, вы знаете, реалистичен ли предиктивный скоринг и что он должен предсказывать. Если данных мало, начните с простого скоринга соответствия на основе правил сейчас и запланируйте переход на потом.
Читать далее: CRM-система · Crm-система