Pazarlamacılar için AI Lead Scoring: Ne işe yarar ve nerede kullanılır

Geleneksel puanlama, puanları elle atar: fiyatlandırma sayfasını ziyaret etmek için on puan, direktör unvanı için yirmi puan, ücretsiz e-posta adresi için eksi beş puan. Şeffaftır ancak tahminlere dayanır ve nadiren güncellenir.

AI puanlaması, dönüşen ve dönüşmeyen geçmiş potansiyel müşterilere bakar, hangi özelliklerin ve davranışların sonucu tahmin ettiğini bulur ve yeni potansiyel müşterilere olasılıklar atar. Bir insanın düşünemeyeceği kombinasyonları seçebilir ve kalıplar değiştikçe yeniden eğitilebilir.

• Kural tabanlı: şeffaf, değiştirmesi kolay, ancak varsayımlara dayanır ve genellikle güncel değildir.
• AI tabanlı: veri odaklı ve uyarlanabilir, ancak hacim gerektirir ve açıklanması daha zordur.
• Hibrit: net diskalifiye ve uygunluk kriterleri için kurallar, nitelikli potansiyel müşteriler içinde sıralama için AI.

Çoğu büyük CRM, daha yüksek plan seviyelerinde tahmine dayalı puanlamayı içerir ve uzman araçlar daha fazla derinlik ekler.

• HubSpot: Marketing ve Sales Hub seviyelerinde tahmine dayalı lead scoring ve AI destekli puanlama özellikleri.
• Salesforce: Sales Cloud ve Account Engagement genelinde Einstein Lead Scoring ve Einstein özellikleri.
• Microsoft Dynamics 365: Sales’te tahmine dayalı lead scoring.
• Zoho CRM: Zia tahminleri.
• 6sense, Demandbase ve MadKudu gibi uzman platformlar, genellikle niyet verilerini CRM geçmişiyle birleştirir.

Plan gereksinimleri ve özellik adları değişir, bu nedenle mevcut aboneliğinizin neleri içerdiğini kontrol edin.

Model sonuçlardan öğrenir, bu nedenle tutarlı verilere sahip anlamlı sayıda dönüşmüş ve dönüşmemiş potansiyel müşteriye ihtiyaç duyar. Satıcılar farklı minimumlar belirler; genel bir kural olarak, birkaç düzine kapatılmış anlaşma üzerinde eğitilmiş bir model çoğunlukla gürültüyü öğrenecektir.

Açmadan önce veri kalitesi kontrolleri

• Yaşam döngüsü aşamaları ve anlaşma sonuçları tutarlı bir şekilde kaydedilir.
• Yinelenen kişiler ve şirketler birleştirilir.
• Sektör, şirket büyüklüğü ve ülke gibi anahtar alanlar çoğu kayıt için doldurulur.
• Web sitesi takibi ve form gönderimleri kişi kayıtlarına bağlanır.
• Kaybedilen anlaşmaların kaydedilmiş bir nedeni vardır, böylece model yanlış etiketlenmiş verilerden öğrenmez.

Geçmişten gelen önyargı ana risktir. Satış ekibi geçmişte bir segmenti görmezden geldiyse, o segmentten az sayıda potansiyel müşteri dönüşmüştür ve model onları düşük puanlamayı öğrenir. Tahmin daha sonra eski alışkanlığı doğrular. Puanları segmente göre gözden geçirmek bunu yakalamaya yardımcı olur.

Diğer sorunlar daha sıradandır. Davranış sinyalleri botlar veya formları test eden çalışanlar tarafından şişirilebilir. Teklifteki veya pazardaki büyük değişiklikler eski kalıpları daha az yararlı hale getirir. Ve satış ekibi bir potansiyel müşterinin neden yüksek puan aldığını göremediğinde, puanı görmezden gelir ve sistem sessizce ölür.

• Her puanın arkasındaki en önemli faktörleri gösterin; çoğu CRM kısa bir açıklama sağlar.
• Her puan bandının pratikte ne anlama geldiği konusunda anlaşın: bir gün içinde arayın, besleyin, diskalifiye edin.
• Yüksek ve düşük puanlı potansiyel müşteri örneklerini satış ekibiyle aylık olarak gözden geçirin.
• Puan bandına göre dönüşüm oranını takip edin, böylece herkes yüksek puanların gerçekten daha iyi dönüşüp dönüşmediğini görür.
• Temsilcilerin yanlış puanları işaretlemesi için basit bir geri bildirim alanı tutun.

Tipik bir çalışmada, keşif denetimi CRM’i inceler: kaç tane kapatılmış anlaşma var, anahtar alanlar ne kadar eksiksiz ve web sitesi ile reklam verileri kişilerle nasıl bağlantılı. Veriler hazır değilse, ilk aşama puanlamadan ziyade temizlik ve takiptir.

Kurulum, hedef ülkeler ve şirket büyüklükleri gibi net uygunluk kurallarını, sıralama için CRM’in tahmine dayalı puanıyla birleştirir. Puan bantları satış ekibiyle tanımlanır ve iş akışları yüksek puanlı potansiyel müşterileri hızlı bir şekilde doğru temsilciye yönlendirir. Reklam platformları, nitelikli potansiyel müşteriler için çevrimdışı dönüşüm verilerini alır, böylece Google Ads ve Meta, form hacminden ziyade kaliteye doğru optimize edilir. Ölçüm, puan bandına göre dönüşüm oranını ve ilk temasa kadar geçen süreyi karşılaştırır ve raporlama, önyargıyı yakalamak için segment düzeyindeki sonuçları gözden geçirir.

Puanları reklamcılığa bağlama

Reklam platformları onları görebildiğinde lead puanları daha değerli hale gelir. Google Ads çevrimdışı dönüşüm içe aktarımları ve Meta’nın Conversions API’si, CRM’den pazarlama tarafından nitelikli potansiyel müşteri veya oluşturulan fırsat gibi olayları kabul eder. Bu olayları göndermek, teklif sistemlerinin herhangi bir form gönderiminden ziyade hangi tıklamaların değerli potansiyel müşteriler ürettiğini öğrenmesini sağlar.

Platformların öğrenecek bir şeyi olması için her hafta net bir tanıma ve yeterli hacme sahip bir olayla başlayın. Bir kerede birkaç nadir olay eklemek genellikle teklif algoritmalarına hareket etmek için çok az veri verir ve kampanyalar daha verimli olmak yerine daha az kararlı hale gelir.

Modeli zaman içinde gözden geçirme

Piyasalar değişir ve teklifler değişir, bu nedenle geçen yıl çalışan bir puanlama modeli kayabilir. Dönüşüm oranını puan bandına göre her çeyrekte gözden geçirin. Yüksek puanlı potansiyel müşteriler orta puanlılardan daha iyi dönüşmeyi bırakırsa, satış ekibi fark edip puanı kullanmayı bırakmadan önce modeli yeniden eğitin veya uygunluk kurallarını gözden geçirin.

Ayrıca yeni bir ürün grubu, yeni bir ülke veya fiyat değişikliği gibi büyük değişikliklerden sonra gözden geçirin. Bu anlar, eğitim geçmişindeki hiçbir şeye benzemeyen potansiyel müşteriler yaratır ve model, yeterli sonuç kaydedilene kadar nasıl davranacaklarını bilmenin bir yoluna sahip değildir.

Her yeniden eğitim tarihini ve nedenini belgeleyin, böylece puanlardaki sonraki değişiklikler açıklanabilir.