Müşteri Kampanyalarında AI Lead Scoring Kullanımı

Geleneksel scoring puanları elle atar. Bir fiyatlandırma sayfası ziyareti 10 puan, “Direktör” unvanı 15 puan, ücretsiz bir e-posta adresi eksi 5 puan kazandırabilir. Kuralları açıklamak kolaydır, ancak birinin varsayımlarını yansıtırlar ve pazar değiştikçe kötü yaşlanırlar.

Tahminleyici (predictive) scoring, ağırlıkları geçmiş sonuçlardan öğrenir. Dönüşen ve dönüşmeyen lead’lere bakar, onları ayıran kalıpları bulur ve yeni lead’leri buna göre puanlar. HubSpot’un tahminleyici lead scoring’i, Salesforce Einstein Lead Scoring, Zoho’nun Zia’sı ve Microsoft Dynamics 365’in tahminleyici scoring’i bu şekilde çalışır, MadKudu gibi bağımsız araçlar da öyle.

Model, insanların gözden kaçırabileceği, şirket büyüklüğü ile belirli bir içerik indirme kombinasyonu gibi kalıpları bulabilir. Ayrıca sahte kalıplar da bulabilir, bu da insan denetiminin neden süreçte kaldığının bir nedenidir.

Çoğu CRM aracı, tahminlerin güvenilir olması için minimum bir geçmişe ihtiyaç duyar. Tam eşik satıcıya göre değişir; genel bir kural olarak, hem kazanç hem de kayıplarla birkaç yüz kapatılmış sonuç, modele öğrenecek bir şey verir. Faydalı girdiler şunları içerir:

• Firmografik alanlar: sektör, şirket büyüklüğü, ülke, gelir bandı.
• İletişim alanları: iş unvanı, kıdem, departman.
• Davranış: görüntülenen sayfalar, açılan ve tıklanan e-postalar, gönderilen formlar, web semineri katılımı.
• Kaynak: kampanya, kanal, anahtar kelime veya reklam seti.
• Sonuç: oluşturulan fırsat, kazanılan veya kaybedilen anlaşma, mümkünse nedenleriyle birlikte.

Boşluklar insanların beklediğinden daha fazla zarar verir. Satış temsilcileri lead’leri asla diskalifiye olarak işaretlemezse, model kötü bir lead’in neye benzediğini öğrenemez.

Tipik bir çalışmada süreç dört aşamadan oluşur ve ilki genellikle en uzun olanıdır.

Veri denetimi

Ekip, son 12 ila 24 ayın lead’lerini ve sonuçlarını dışa aktarır ve eksiksizliğini kontrol eder. Yaygın bulgular arasında eksik yaşam döngüsü aşamaları, yinelenen kişiler, normalleştirilmesi gereken serbest metin iş unvanları ve sonraki temaslarla üzerine yazılan kampanya kaynağı alanları bulunur. Bunları düzeltmek, genellikle herhangi bir model çalışmadan önce raporlamayı hemen iyileştirir.

Tanım çalıştayı

Pazarlama ve satış, “nitelikli” (qualified) kelimesinin ne anlama geldiği konusunda anlaşır. Bu tanım, modelin tahmin ettiği sonuç haline gelir. O olmadan, pazarlama rezerve edilen toplantılar için optimize edebilirken, satış belirli bir büyüklüğün üzerindeki anlaşmalarla ilgilenir.

Kurulum ve kalibrasyon

Müşterinin CRM’indeki tahminleyici özellik açılır veya CRM’de yoksa özel bir model oluşturulur. Ekip daha sonra tahmin edilen puanları, saklı tutulan yakın bir dönemde gerçekte ne olduğuyla karşılaştırır ve yüksek puanlı lead’lerin gerçekten daha sık kapanıp kapanmadığını kontrol eder. Puan bantları (örneğin A, B, C), her bandın net bir satış eylemi ve yanıt süresi olacak şekilde ayarlanır.

Kampanyalarda aktivasyon

Yüksek niyet sinyalleri reklam platformlarına geri gönderilir. Google Ads çevrimdışı dönüşüm içe aktarmaları ve lead’ler için geliştirilmiş dönüşümler, Meta’nın Conversions API’si ve LinkedIn’in dönüşüm takibi, nitelikli lead etkinliklerini alabilir. Teklif verme (bidding), herhangi bir form doldurmaya değil, müşteri gibi görünen lead’lere doğru optimize edilir.

Raporlama, puan bandına göre dönüşüm oranını, üst bant lead’leri için ilk temasa kadar geçen hızı, kaynağa göre boru hattı değerini ve satışın bir puanı ne sıklıkla geçersiz kıldığını izler. Geçersiz kılmalar aylık olarak gözden geçirilir; bunlar modelin aldığı en faydalı geri bildirimdir.

Birkaç hata modu hesaplar arasında tekrarlanır:

• Geri bildirim döngüleri: satış sadece yüksek puanlı lead’leri ararsa, düşük puanlı lead’ler asla dönüşme şansı bulamaz ve model kendi önyargısına daha fazla güvenir.
• Veri kayması: yeni bir ürün, pazar veya fiyat değişikliği geçmiş kalıpları daha az alakalı hale getirir.
• Vekil önyargısı: ülke veya şirket alanı gibi alanlar, kararları yönlendirmemesi gereken faktörlerin yerini alabilir, bu nedenle özelliklerin gözden geçirilmesi gerekir.
• Kara kutu puanları: temsilciler anlayamadıkları bir puanı görmezden gelirler. Her puanın arkasındaki temel faktörleri gösteren araçlar daha fazla güven kazanır.
• İzleme boşlukları: onay banner’ları ve reklam engelleyiciler davranış verilerini azaltır, bu da gizlilik bilincine sahip kitleler için tahminleri zayıflatır.

İlk sorun için basit bir güvenlik önlemi, her ay düşük puanlı lead’lerden küçük bir rastgele örneklemi satışa yönlendirmektir. Modeli dürüst tutar.

Anekdotları değil, kohortları karşılaştırın. Net bir test, aynı dönemden lead’leri puanlı ve puansız işleme atar veya mevsimselliği göz önünde bulundurarak lansman öncesi ve sonrası bir dönemi karşılaştırır. İzlenmesi gereken metrikler:

• Puan bandı başına lead’den fırsata dönüşüm oranı.
• Bant başına kazanma oranı ve ortalama anlaşma büyüklüğü.
• Lead oluşturulmasından ilk satış temasına kadar geçen medyan süre.
• Reklam platformları puanlı etkinlikleri almaya başladıktan sonra kanal başına nitelikli lead maliyeti.
• Asla ilerlemeyen lead’lere harcanan satış saatleri.

Üst bant alt banttan belirgin şekilde daha iyi dönüşmüyorsa, model henüz değer katmıyor demektir. Daha fazla alan eklemeden önce sonuç tanımını ve veri kalitesini gözden geçirin.

Hacme bağlıdır. Ayda 30 lead’i olan bir işletme, tahminleyici bir modelden ziyade hızlı bir yanıt ve kısa bir nitelik belirleme aramasından daha fazla kazanır. Lead hacmi satış ekibinin hızlı yanıt verme kapasitesini aştığında, scoring meyvelerini vermeye başlar. Arada, önemli olan birkaç sinyalden oluşturulmuş basit bir kural tabanlı puan köprü görevi görebilir.