AI lead scoring, B2B lead’lerini manuel olarak atanan puanlar yerine geçmiş anlaşmalardaki kalıpları kullanarak müşteri olma olasılıklarına göre sıralar. Bir model, firmografik verilere, sayfa ziyaretleri ve e-posta tıklamaları gibi davranışlara ve CRM geçmişine bakar, ardından her bir lead’e bir puan veya olasılık verir. Bu, CRM verileri temiz olduğunda ve satış ekibi rakamlara gerçekten güvendiğinde çalışır; her ikisi de olmadığında, bu sadece göz ardı edilen başka bir alana dönüşür.
AI lead scoring, kural tabanlı scoring’den ne ile ayrılır?
Geleneksel scoring, eylemler ve özellikler için puanlar verir: fiyatlandırma sayfası ziyareti için on, yönetici unvanı için yirmi, ücretsiz e-posta adresi için eksi beş. Kuralları okumak kolaydır, ancak bunlar fikirleri yansıtır ve pazar değiştiğinde kimse onları güncellemez.
AI scoring, ağırlıkları sonuçlardan öğrenir. Fırsata dönüşen veya kapanan anlaşmaları dönüşmeyenlerle karşılaştırır ve onları ayıran kombinasyonları bulur. Sonuç genellikle daha az sezgiseldir. Bir model, bir hafta içinde entegrasyon sayfasına ikinci kez bakmanın iş unvanından daha önemli olduğuna karar verebilir, çünkü veriler bunu gösterir.
B2B scoring modeli hangi verilere ihtiyaç duyar?
Model sadece CRM’in kaydettiği verilerden öğrenebilir. Bir araç seçmeden önce bunların mevcut olduğunu ve yeterince tam olduğunu kontrol edin:
- Her bir kişi için net bir yaşam döngüsü aşaması ve aşamaların değiştiği tarihler.
- Fırsatlar üzerindeki kazanılmış ve kaybedilmiş anlaşma sonuçları, orijinal kişilerle ilişkilendirilmiş şekilde.
- Sektör, boyut ve ülke gibi şirket verileri, girilmiş veya zenginleştirilmiş.
- Bilinen kişilere karşı izlenen web sitesi ve e-posta etkileşimi.
- Modelin yeterince olumlu örneğe sahip olması için minimum birkaç yüz dönüştürülmüş lead.
Birçok B2B şirketi ikinci noktada başarısız olur. Anlaşmalar onları başlatan kişilerle ilişkilendirilmeden oluşturulur, bu yüzden model hangi erken davranışın gelire yol açtığını öğrenemez.
Hangi araçlar AI lead scoring sunar?
Çoğu büyük CRM artık tahmine dayalı bir seçenek içerir. HubSpot, daha yüksek Sales ve Marketing Hub katmanlarında tahmine dayalı lead scoring ve AI destekli scoring özellikleri sunar. Salesforce, Sales Cloud için Einstein Lead Scoring ve Einstein Opportunity Scoring sağlar. Microsoft Dynamics 365 Sales’te tahmine dayalı lead scoring yerleşiktir. Zoho CRM, Zia asistanı aracılığıyla scoring sunar. Özellik adları ve katman gereksinimleri sık sık değişir, bu yüzden güncel kullanılabilirliği her satıcının belgelerinde doğrulayın.
Veri ambarı olan ekipler, BigQuery ML veya Python notebook gibi araçlarda kendi modellerini kurabilir ve puanları CRM’e geri gönderebilirler. Bu yol daha fazla kontrol sağlar, ancak onu korumak için birine ihtiyaç duyar.
Yerleşik mi yoksa özel mi?
Yerleşik scoring, çoğu orta ölçekli ekip için mantıklı varsayılandır. Zaten verilerle bağlantılıdır, otomatik güncellenir ve mühendislik gerektirmez. Özel modeller, veriler birkaç sistemde olduğunda, örneğin bir SaaS platformundaki ürün kullanımı ile CRM verileri birleştiğinde ve yerleşik model bunu göremediğinde mantıklıdır.
Uygunluk ve niyet iki farklı puandır
Birçok ekip, puanı ikiye bölerek daha iyi sonuçlar elde eder. Uygunluk puanı, şirketin ideal müşteri profiline ne kadar yakın olduğunu bildirir: sektör, boyut, bölge, teknoloji yığını. Niyet puanı ise kişinin şu anda ne kadar aktif olduğunu bildirir: ziyaretler, indirmeler, yanıtlar. Hiçbir faaliyeti olmayan mükemmel uygunluktaki şirket, zayıf uygunluktaki aktif lead’den farklı bir yaklaşım gerektirir ve tek bir karışık rakam bu farkı gizler. Çoğu CRM, her ikisini de saklamanıza ve kombinasyona göre yönlendirme yapmanıza izin verir.
Puanın iyi olduğunu nasıl bilirsiniz?
Kimse ona güvenmeden önce onu geçmişle karşılaştırın. Geçmiş çeyrekten lead’leri alın, geldikleri zamanki puanlarına bakın ve en üst gruptakilerin ne kadarının en alt grupla karşılaştırıldığında fırsata dönüştüğünü görün. Eğer en üst grup daha iyi dönüşmüyorsa, model hazır değildir.
Kullanıma alındıktan sonra kaymayı izleyin. Farklı bir sektöre yönelik yeni bir kampanya, modelin hiç görmediği lead’leri getirebilir ve onlar için puanlar güvenilmez olabilir. Her ay puan grubu bazında dönüşüm oranını gözden geçirmek bunu erkenden yakalar.
- Genel doğruluğu değil, puan grubu bazında dönüşümü karşılaştırın.
- Puanın en yüksek katkı sağlayan faktörlerini, tek bir form alanının baskın olması gibi sıra dışı bir şey için kontrol edin.
- Yanlış negatiflere bakın: düşük puanlı lead’lerden gelen iyi anlaşmalar.
- Formlarda, kampanyalarda veya hedef pazarlarda herhangi bir büyük değişiklikten sonra tekrar kontrol edin.
Satış ve pazarlama puanı birlikte nasıl kullanmalıdır?
Bir puan sadece davranışı değiştirdiğinde önem taşır. Her grubun neyi tetiklediğine dair anlaşın. En üst grup, bir iş günü içinde takip hedefiyle doğrudan satış temsilcisine gidebilir. Orta grup, üç hafta sonra bir kontrolle besleme dizisine girebilir. En alt grup pazarlama otomasyonunda kalır.
Bu kuralları ekipler arasındaki hizmet seviyesi sözleşmesine ve CRM iş akışlarına yazın ki yönlendirme otomatik gerçekleşsin. Sonra her gruptan birkaç lead’i gözden geçirmek için aylık görüşün. Bu kısa incelemeler güveni herhangi bir doğruluk tablosundan daha hızlı inşa eder.
En çok ne yanlış gider?
Yaygın başarısızlıklar teknikten çok organizasyoneldir. Satış temsilcileri puanı görmezden gelir çünkü kimse onun neye sebep olduğunu açıklamamıştır. Pazarlama, bütçesi olmayan tek bir webinar kitlesinden gelen yüksek puanlı lead’lerin artışını kutlar. Model, şirketin esasen bir sektöre sattığı yıl için eğitilir ve sonra hedef pazar değişir. Bunların her biri düzenli gözden geçirme, kişi kaydındaki en yüksek faktörlerin kısa açıklaması ve büyük değişikliklerden sonra yeniden eğitme alışkanlığı ile düzeltilebilir.
Alien Road AI lead scoring’i nasıl uygular
Tipik bir iş birliğinde CRM veri denetimi ile başlarız. Yaşam döngüsü aşamalarını, anlaşma ilişkilendirmelerini, kopya kişileri ve şirket verileri olan kayıtların payını kontrol ederiz. Denetim genellikle scoring işi başlamadan önce temizleme listesi üretir, çünkü karışık kayıtlar üzerinde eğitilmiş bir model karışıklığı öğrenir.
Sonra planın izin verdiği yerde müşterinin CRM’inde yerleşik tahmine dayalı scoring’i etkinleştiririz veya veriler sistemler arasında yayıldığında veri ambarında basit bir model kurarız. Onu satış lideriyle birlikte geçmiş çeyrekler üzerinde test ederiz, puan grupları üzerinde anlaşırız ve yönlendirme iş akışlarını bağlarız. Raporlama, grup bazında dönüşümü, en üst grup lead’leri için takip hızını ve her gruptan gelen boru hattı değerini izler, böylece puan ne kadar sofistike göründüğüyle değil, gelirle değerlendirilir.
Bu hafta nereden başlamalı
Son on iki ayın kapanmış anlaşmalarını dışa aktarın ve orijinal lead kişisinin ne kadarının ekli olduğunu kontrol edin. Pay düşükse, herhangi bir şey almadan önce CRM’inizdeki ilişkilendirme kurallarını düzeltin. Temiz sonuç verisi, hiçbir scoring aracının sizin için sağlayamayacağı tek şeydir ve bu, çoğu ekibin atladığı adımdır.
Okumaya devam edin: CRM Sistemi · Crm Sistemi