На AI lead scoring стоит переходить, когда в вашей CRM достаточно закрытых сделок, последовательных данных по полям и отслеживаемого взаимодействия, чтобы модель могла на них учиться. Если вы закрываете всего несколько сделок в месяц или ваши этапы жизненного цикла не упорядочены, хорошо построенная модель баллов на основе правил обычно послужит вам лучше, и отделу продаж легче ей доверять.
Это краткий ответ. Более длинный ответ зависит от того, как работает ваш конвейер, кто должен действовать на основе оценки и сколько истории вы можете предоставить модели. Это руководство честно сравнивает оба подхода, включая случаи, когда старый метод выигрывает.
В чем разница между AI и lead scoring на основе правил?
Традиционный lead scoring — это таблица баллов, которую пишет человек. Запрос на демо стоит 30 баллов, посещение страницы цен — 10, должность с названием “Директор” — еще 15, а бесплатный почтовый домен — минус 10. Когда сумма превышает порог, лид становится marketing qualified и передается в отдел продаж.
AI lead scoring, иногда называемый предиктивным скорингом, меняет процесс. Вместо того чтобы человек решал, какие сигналы важны, модель смотрит на прошлые лиды, которые стали клиентами, и те, которые не стали, и находит закономерности, которые их разделяют. HubSpot, Salesforce Einstein, Microsoft Dynamics 365 и несколько отдельных инструментов предлагают версии этого. Результатом обычно является вероятность или оценка, а не сумма баллов, составленная вручную.
Ключевое различие заключается в том, где находится суждение. В модели правил оно находится в электронной таблице, которую ваша команда может прочитать. В предиктивной модели оно находится в весах модели, и вы видите его только через любые объяснения, которые предоставляет поставщик.
Когда AI lead scoring действительно работает лучше?
Предиктивные модели сияют, когда сигналов много, а их взаимодействия трудно увидеть. Человек может рассуждать о пяти или шести критериях. Модель может взвешивать десятки одновременно, включая комбинации, которые никто не додумался бы написать как правило, например, “посетил страницу интеграций дважды в течение недели после открытия письма о вебинаре”.
Он также адаптируется. Когда ваш идеальный клиент меняется, например, после запуска нового уровня продукта, модель, переобученная на недавних сделках, улавливает изменение. Таблица баллов остается замороженной, пока кто-то не вспомнит ее отредактировать.
Условия, при которых он работает, довольно специфичны:
- Объем: достаточно выигранных и проигранных сделок для минимума поставщика, а в идеале намного больше. Многие платформы даже не будут обучать модель ниже определенного количества конверсий.
- Последовательные результаты: закрытые-выигранные и закрытые-проигранные сделки должны быть надежно записаны, а не оставлены открытыми навсегда.
- Чистые поля: отрасль, размер компании и страна должны быть заполнены одинаково во всех записях.
- Отслеживаемое поведение: посещения веб-сайта, взаимодействие по электронной почте и отправки форм должны быть привязаны к записи контакта.
- Стабильное движение продаж: если ваш процесс полностью изменился в прошлом квартале, старые данные преподают неправильные уроки.
Когда следует придерживаться традиционной модели?
Скоринг на основе правил — это не устаревший метод, которого стоит стыдиться. Для многих B2B-компаний он остается правильным инструментом, по крайней мере, на данный момент.
Сохраняйте правила, если вы продаете дорогостоящие контракты в небольших количествах. У фирмы, которая заключает восемь корпоративных сделок в год, просто нет истории, необходимой модели, и немногие сделки, которые у нее есть, необычны. Сохраняйте правила, если ваша команда продаж скептична и должна видеть, почему лид был помечен. Представитель, который читает “+30 запрос на демо, +15 должность VP”, мгновенно понимает оценку. Представитель, который видит “оценка 87” без причины, может ее проигнорировать.
Правила также имеют смысл, когда вы выходите на новый рынок. Ваши исторические данные описывают клиентов, которые у вас были, а не тех, которых вы хотите получить дальше. Модель, обученная на покупателях вчерашнего дня, с радостью понизит приоритет сегмента, который вы пытаетесь завоевать.
Как сравниваются два подхода?
Прямое сравнение помогает, когда вы представляете решение отделу продаж и руководству:
- Усилия по настройке: правила требуют семинара и электронной таблицы; предиктивный скоринг требует очистки данных и минимального набора данных.
- Прозрачность: правила полностью читаемы; предиктивный скоринг зависит от функций объяснения поставщика.
- Обслуживание: правила устаревают, если их не пересматривать ежеквартально; предиктивный скоринг переобучается, но может незаметно дрейфовать.
- Требование к данным: правила работают с первого дня; предиктивный скоринг требует истории.
- Риск предвзятости: правила несут предположения автора; предиктивный скоринг наследует закономерности прошлых сделок, включая плохие.
- Стоимость: правила поставляются с большинством CRM; предиктивные функции часто находятся в более высоких тарифных планах.
Заметьте, что ни один столбец не свободен от риска. Вопрос в том, какой риск вы можете управлять с командой, которая у вас есть.
Можно ли использовать оба одновременно?
Да, и для большинства команд среднего размера это самый разумный путь. Гибридная настройка сохраняет короткий набор жестких правил для соответствия, таких как обслуживаемая страна, минимальный размер компании и исключенные отрасли, и позволяет предиктивной оценке ранжировать лиды внутри этого отфильтрованного пула.
Это устраняет распространенную ошибку. Предиктивные модели иногда очень высоко ранжируют студента, который исследует вашу категорию, потому что этот человек ведет себя как заинтересованный покупатель. Правило соответствия, которое удаляет некоммерческие домены или нерелевантные должностные функции, останавливает этот лид до того, как модель его увидит.
Практический способ тестирования — это теневой период. Продолжайте направлять лиды по вашей существующей модели баллов, но записывайте предиктивную оценку рядом с ней в течение шести-восьми недель. В конце сравните, какие лиды стали возможностями. Если предиктивная оценка более четко разделяет хорошие и плохие лиды, переключите маршрутизацию. Если нет, вы ничего не потеряли.
Что измерять во время теста
- Коэффициент конверсии из marketing qualified в sales accepted по диапазону оценки.
- Время до первого контакта для лидов высшего диапазона.
- Доля закрытых сделок, которые начались в высшем диапазоне.
- Количество лидов, которые отдел продаж отклонил как неподходящие.
Как Alien Road применяет AI lead scoring
В типичном проекте мы начинаем с аудита данных, а не с модели. Мы экспортируем контакты и сделки за последние один-два года, проверяем, как часто обновлялись этапы жизненного цикла, и считаем, сколько причин закрыто-проиграно пусты. Один только этот аудит часто объясняет, почему предыдущая попытка скоринга провалилась.
Затем мы согласовываем определение соответствия с отделом продаж и строим его как правила в CRM. Только после этого мы включаем предиктивную функцию, за которую клиент уже платит, или подключаем специальный инструмент и запускаем его в теневом режиме. Отчетность — это простая панель управления: диапазон оценки против коэффициента возможностей, пересматриваемый с руководителем отдела продаж каждые две недели. Если модель не оправдывает свое место, мы говорим об этом и продолжаем улучшать правила.
С чего начать на этой неделе
Выгрузите отчет о ваших закрытых-выигранных и закрытых-проигранных сделках за последние двенадцать месяцев и посчитайте их. Если число небольшое или большая часть сделок не имеет записанного результата, сначала исправьте привычку работы с данными и ужесточите таблицу баллов. Если у вас здоровый объем, проверьте, включает ли ваш план CRM предиктивный скоринг, включите его в теневом режиме и назначьте дату пересмотра через шесть недель. Решение становится намного проще, как только вы можете сравнить две оценки на своих собственных лидах.
Читайте дальше: CRM-система · Crm-система