AI lead scoring использует машинное обучение для ранжирования лидов по вероятности конверсии на основе закономерностей в прошлых данных CRM, таких как характеристики компании, поведение на вашем сайте и взаимодействие с электронными письмами. Вы доказываете его ценность, измеряя три вещи: действительно ли высокие баллы чаще конвертируются, действует ли отдел продаж в соответствии с баллами и улучшаются ли воронка и доход по сравнению со старым методом.
Чем AI lead scoring отличается от скоринга на основе правил?
Традиционный lead scoring присваивает баллы вручную: десять баллов за посещение страницы с ценами, двадцать за запрос демо, минус пять за бесплатный адрес электронной почты. Это прозрачно, но основано на догадках и редко обновляется.
ИИ или предиктивный скоринг изучает веса на основе вашей собственной истории. Такие инструменты, как HubSpot predictive lead scoring, Salesforce Einstein Lead Scoring, предиктивный скоринг Microsoft Dynamics 365 Sales и специализированные платформы, анализируют, какие атрибуты и действия предшествовали выигранным сделкам. Каждый лид затем получает балл или вероятность, часто со списком основных факторов.
Подвох в том, что модель может быть настолько хороша, насколько хороши данные, на которых она учится. Если в вашей CRM мало закрытых сделок, непоследовательные этапы жизненного цикла или отсутствуют исходные данные, баллы будут выглядеть точными, но будут ненадежными. Большинство поставщиков по этой причине устанавливают минимальные требования к данным, поэтому проверьте их для своей платформы.
Какие KPI доказывают, что скоринг работает?
Группируйте свои показатели по точности, внедрению и влиянию на бизнес. Каждый из них отвечает на разный вопрос руководителя отдела продаж.
KPI точности
- Коэффициент конверсии по диапазону баллов: лиды в верхнем диапазоне должны конвертироваться в возможности и клиенты с явно более высокими показателями, чем в нижних диапазонах.
- Прирост: коэффициент конверсии верхнего диапазона, деленный на средний коэффициент конверсии.
- Доля выигранных сделок, пришедших из двух верхних диапазонов.
- Калибровка: если модель говорит о 30-процентной вероятности, примерно 30 процентов этих лидов должны конвертироваться с течением времени.
KPI внедрения
- Скорость до первого контакта для лидов с высоким баллом по сравнению с другими.
- Доля лидов с высоким баллом, с которыми связались в рамках вашего соглашения об уровне обслуживания.
- Как часто торговые представители меняют или игнорируют балл, где ваша CRM это записывает.
KPI влияния на бизнес
- Коэффициент конверсии из лида в возможность и из возможности в победу до и после.
- Длительность цикла продаж для лидов со скорингом.
- Стоимость воронки, созданная за час работы представителя.
- Маркетинговые затраты на одного квалифицированного для продаж лида.
Как настроить честный тест «до и после»?
Сравнение этого квартала с прошлым смешивает сезонность, изменения в кампаниях и кадровый состав. Более чистый дизайн — это контрольная группа. В течение определенного периода случайным образом назначьте часть входящих лидов для обработки старым способом, без отображения ИИ-балла, а остальные — с баллом. Сравните конверсию и скорость между двумя группами.
Если контрольная группа невозможна, по крайней мере используйте обратное тестирование. Оцените лиды прошлого года с помощью текущей модели, игнорируя результаты, затем проверьте, насколько хорошо баллы отсортировали лиды, которые позже были выиграны или проиграны. Многие платформы показывают индикатор качества модели, но ваше собственное обратное тестирование на известных результатах более убедительно для отдела продаж.
Что должна показывать панель мониторинга?
Сделайте панель мониторинга достаточно краткой, чтобы менеджер по продажам читал ее еженедельно. Макет, который работает в HubSpot, отчетах Salesforce, Looker Studio или Power BI:
- Первая строка: лиды по диапазону баллов на этой неделе и коэффициент конверсии по диапазону за последние 90 дней.
- Вторая строка: среднее время до первого контакта по диапазону и процент в рамках SLA.
- Третья строка: воронка и выигранный доход по диапазону, плюс прирост по сравнению со средним.
- Примечания: когда модель была переобучена, обнаруженные проблемы с данными, изменения в источниках лидов.
Показывайте диапазоны, а не «сырые» баллы. Люди охотнее действуют на основе «A, B, C», чем на основе «73 против 68».
Почему lead scoring не работает на практике?
Обычно не из-за алгоритма. Общие причины включают недоверие отделов продаж к баллу «черного ящика», маркетинг, отправляющий низкокачественные лиды, которые тянут модель вниз, непоследовательно обновляемые этапы жизненного цикла, из-за чего модель учится на шуме, и новые источники лидов, которые модель никогда не видела. Балл, на который никто не смотрит, также не работает, каким бы точным он ни был.
Исправления носят как организационный, так и технический характер. Покажите представителям основные факторы каждого балла, ежемесячно просматривайте несколько упущенных возможностей вместе и письменно согласуйте определения квалифицированных для маркетинга и продаж лидов.
Как Alien Road применяет AI lead scoring в CRM-проектах
В типичном проекте открытие — это аудит данных CRM: сколько существует закрытых выигранных и закрытых проигранных сделок, насколько последовательно записываются этапы жизненного цикла и источники, и какие поля надежно заполнены. Мы также опрашиваем торговых представителей о том, как они в настоящее время выбирают, каким лидам звонить в первую очередь.
Настройка очищает и стандартизирует ключевые поля, настраивает предиктивный скоринг, доступный в CRM клиента или специализированном инструменте, преобразует баллы в диапазоны и создает правила маршрутизации и представления, чтобы лиды высокого диапазона быстро доходили до представителей. По возможности мы с самого начала создаем контрольную группу.
Измерение следует указанным выше группам KPI, с ежемесячным обзором конверсии по диапазону и лидов, где балл и результат не совпали. Отчетность клиенту — это панель мониторинга плюс краткая заметка из этого обзора, чтобы маркетинг и продажи видели одни и те же цифры.
Как часто модель должна переобучаться или пересматриваться?
Покупательское поведение меняется. Новая линейка продуктов, изменение цены, новый рекламный канал или сдвиг на целевом рынке могут сделать прошлогодние модели вводящими в заблуждение. Многие CRM-инструменты переобучают свои предиктивные модели автоматически по расписанию, но вам все равно нужно проверять результаты, потому что автоматическое переобучение на плохих недавних данных просто быстрее учит плохим данным.
Квартальный обзор подходит для большинства B2B-команд. Проверяйте конверсию по диапазону, смотрите на основные факторы, которые модель использует сейчас, и спрашивайте, имеют ли они бизнес-смысл. Если модель внезапно вознаграждает такой фактор, как конкретное поле формы, которое, как знает отдел продаж, бессмысленно, исследуйте это, прежде чем доверять новым баллам.
С чего начать на этой неделе
Экспортируйте лиды прошлого года с их источником, несколькими ключевыми атрибутами и их окончательным результатом. Посчитайте, сколько из них стали клиентами; если число очень мало, сосредоточьтесь на качестве данных, прежде чем покупать инструмент скоринга.
Если скоринг уже включен, создайте сегодня один отчет: коэффициент конверсии в возможность по диапазону баллов за последние 90 дней. Если верхний диапазон явно не превосходит остальные, вы нашли свою первую проблему для решения, и нашли ее до споров о модели.
Продолжайте читать: CRM-система · Crm System