En yaygın AI lead scoring hataları; modelleri çok az veya yanlı verilerle eğitmek, satış ekiplerinin güvenmediği puanları yayına almak, uygunluk ve niyeti tek bir sayıda karıştırmak ve yüksek puanların gerçekten dönüşüp dönüşmediğini hiç kontrol etmemektir. Ajanslar bunlardan; önce CRM verilerini temizleyerek, satış ekibiyle birlikte nitelikli bir lead’in tanımını yaparak, uygunluk ve etkileşim puanlarını ayırarak ve puan doğruluğunu her ay kapatılan anlaşmalara göre gözden geçirerek kaçınırlar.
AI lead scoring, bir lead’in müşteriye dönüşme olasılığını tahmin etmek için makine öğrenimini kullanır. Bir pazarlamacının manuel olarak puan vermesi yerine, model dönüşen ve dönüşmeyen geçmiş lead’lere bakar ve hangi niteliklerin ve davranışların satışı tahmin ettiğini öğrenir. HubSpot predictive lead scoring, Salesforce Einstein Lead Scoring, Microsoft Dynamics 365 predictive scoring ve MadKudu ve 6sense gibi araçların tümü bunun versiyonlarını sunar.
Fikir sağlamdır ve işe yaradığında satış ekibinin zamanını doğru kişilere harcamasına yardımcı olur. Başarısızlıklar genellikle algoritmadan ziyade kurulumdan kaynaklanır.
Hata 1: Yeterli geçmiş veri olmaması
Tahmin modelleri örneklere ihtiyaç duyar. Bir şirket geçen yıl otuz anlaşma kapattıysa, modelin öğrenebileceği otuz olumlu vaka vardır ki bu da güvenilir kalıplar bulmak için çok azdır. Platformlar genellikle tahminleyici puanlama kullanılabilir hale gelmeden önce minimum eşikler belirler ve bu minimumların üzerinde bile küçük veri setleri istikrarsız puanlar üretir.
Bundan nasıl kaçınılır
Tam verilerle kaç tane dönüşen ve dönüşmeyen lead olduğunu kontrol edin. Rakamlar küçükse, satış ekibiyle birlikte oluşturulan kural tabanlı puanlama ile başlayın ve yeterli geçmiş biriktiğinde tahminleyici puanlamaya geçin. Uygunluk için kurallar ve etkileşim için bir model içeren hibrit bir yaklaşım genellikle iyi bir ara adımdır.
Hata 2: Kirli CRM verileri
Mükerrer kişiler, eksik şirket boyutları, kişilerle ilişkilendirilmeden kapatılan anlaşmalar ve tutarsız bir şekilde güncellenen yaşam döngüsü aşamaları modeli yanıltır. Satış temsilcileri, boru hatlarını düzenlemek için kaybedilen anlaşmaları “kazanılmış” olarak işaretlerse veya kaybedilen anlaşmaları hiç kapatmazsa, model yanlış sonuçlardan öğrenir.
Bundan nasıl kaçınılır
- Mükerrer kayıtları birleştirin ve yenilerinin oluşmasını engelleyen kurallar belirleyin.
- Sektör, şirket boyutu ve kaynak gibi anahtar alanları zorunlu veya zenginleştirilmiş hale getirin.
- Yaşam döngüsü aşaması tanımları ve her birinin ne zaman değişeceği konusunda anlaşın.
- Geçmişin gerçeği yansıtması için eski anlaşmaları kapatın veya arşivleyin.
Hata 3: İyi bir lead’in ortak tanımının olmaması
Pazarlama, bir web semineri kaydından sonra bir lead’i nitelikli kabul edebilirken, satış ekibi sadece bütçesi ve yetkisi olan kişilerle ilgilenir. Model pazarlamanın tanımına göre eğitilirse, satış ekibi deneyimleriyle eşleşmeyen puanlar alır ve bunları kullanmayı bırakır.
Bundan nasıl kaçınılır
Satış liderleriyle bir çalışma oturumu yapın. Satış için nitelikli bir lead’in nasıl göründüğü ve modelin hangi sonucu tahmin etmesi gerektiği konusunda anlaşın: toplantı ayarlandı, fırsat oluşturuldu veya anlaşma kazanıldı. Bunu yazılı hale getirin ve tutarlı bir şekilde kullanın.
Hata 4: Her şey için tek bir sayı
Şirket uygunluğunu son etkinliklerle karıştıran tek bir puan yanıltıcı olabilir. Beş e-kitap indiren bir öğrenci etkileşimli görünür ama asla satın almayacaktır. Fiyatlandırma sayfasını bir kez ziyaret eden ideal bir hesaptaki satın alma direktörü sessiz görünür ama değerlidir.
Bundan nasıl kaçınılır
Puanı iki boyuta ayırın: firmografik ve demografik verilere dayalı uygunluk ve davranışa dayalı etkileşim veya niyet. Birçok platform birden fazla puanı destekler. Satış ekibi daha sonra yüksek uygunluk ve yüksek etkileşimli lead’lere öncelik verebilir ve yüksek uygunluk, düşük etkileşimli olanları besleyebilir.
Hata 5: Satış ekibinin güvenmediği bir kara kutu
Bir temsilci açıklama olmadan 87 puan gördüğünde, onu görmezden gelir. İnsanlar bir lead’in neden yüksek puan aldığını görebildiğinde güven artar.
Bundan nasıl kaçınılır
Salesforce Einstein’ın en iyi olumlu ve olumsuz faktörleri gibi katkıda bulunan faktörleri gösteren platformlar kullanın. Puanı neyin yönlendirdiğine dair satış ekibiyle basit bir özet paylaşın. Puanın yanlış hissedildiği lead’ler hakkında temsilcilerden geri bildirim toplayın ve bu vakalara birlikte bakın.
Hata 6: Doğruluğu hiç kontrol etmemek
Bir puan bir tahmindir. Kimse tahminleri sonuçlarla karşılaştırmazsa, bozuk bir model aylarca çalışabilir. Pazar değişiklikleri, yeni bir ürün grubu veya kampanyalardaki bir değişiklik, kimin dönüşeceğini değiştirebilir.
Bundan nasıl kaçınılır
Her ay lead’leri puan aralığına göre gruplandırın ve dönüşüm oranlarını karşılaştırın. Yüksek aralıklar düşük aralıklardan çok daha iyi dönüşmelidir. Eğer dönüşmüyorsa, veri değişikliklerini araştırın, modeli yeniden eğitin veya başarı tanımını gözden geçirin.
Hata 7: Önyargı ve gizliliği görmezden gelmek
Modeller, önyargıları da dahil olmak üzere geçmişten öğrenir. Geçmiş satışlar belirli bölgelere veya şirket türlerine odaklandıysa, model şimdi iyi hedef olsalar bile diğerlerini düşük değerlendirecektir. Lead scoring ayrıca kişisel verileri işler, bu nedenle GDPR, KVKK ve benzeri kurallar geçerlidir.
Bundan nasıl kaçınılır
Modelin hangi nitelikleri kullandığını gözden geçirin ve haksız veya ilgisiz önyargı yaratanları kaldırın. İşleme için yasal dayanağı belgeleyin ve profil oluşturma konusunda gizlilik bildiriminizde şeffaf olun.
Alien Road AI lead scoring’i nasıl uygular
Tipik bir çalışmada lead scoring, bağımsız bir özellik değil, CRM çalışmasının bir parçasıdır. Keşif süreci, CRM’in veri kalitesini, lead hacmini ve dönüşüm geçmişini gözden geçirir ve lead’lerin şu anda pazarlamadan satışa nasıl hareket ettiğini haritalandırır. Satış liderleriyle bir lead’i aramaya değer kılan şey hakkında görüşürüz.
Kurulum, veri temizleme ve ortak bir başarı tanımıyla başlar. Veri hacmine bağlı olarak, HubSpot, Salesforce veya Dynamics’te kural tabanlı uygunluk puanlaması, tahminleyici puanlama veya bir kombinasyon yapılandırırız. Uygunluk ve etkileşim, platformun izin verdiği yerlerde ayrı ayrı izlenir ve puanlar yönlendirme kurallarını ve satış görünümlerini besler.
Ölçüm, her ay puan aralığına göre dönüşüm oranlarını karşılaştırır ve yüksek puanlı lead’lerle ne kadar hızlı iletişime geçildiğini izler. Raporlar bu tabloları hem pazarlama hem de satış ekibiyle paylaşır ve puan ile sonucun uyuşmadığı lead’leri listeler, böylece model ve süreç birlikte gelişir.
Bu hafta nereden başlamalı
Geçen yılın lead’lerini sonuçlarıyla birlikte dışa aktarın ve kaçının dönüştüğünü sayın. Ardından bir satış lideriyle otuz dakika oturun ve nitelikli bir lead’in yazılı bir tanımı üzerinde anlaşın.
Bu iki şey elinizdeyken, tahminleyici puanlamanın gerçekçi olup olmadığını ve neyi tahmin etmesi gerektiğini bilirsiniz. Veri azsa, şimdi basit bir kural tabanlı uygunluk puanı ile başlayın ve geçişi sonrası için planlayın.
Okumaya devam et: CRM Sistemi · Crm Sistemi