CRM’inizde modelin öğrenebileceği kadar çok kapatılmış anlaşma, tutarlı alan verileri ve izlenen etkileşim olduğunda AI lead scoring’e geçmeye değer. Ayda sadece birkaç anlaşma kapatıyorsanız veya yaşam döngüsü aşamalarınız düzensizse, iyi oluşturulmuş kural tabanlı bir puan modeli genellikle size daha iyi hizmet edecektir ve satış ekibinin güvenmesi daha kolaydır.
Kısa cevap bu. Daha uzun cevap ise boru hattınızın nasıl çalıştığına, puan üzerinde kimin hareket etmesi gerektiğine ve modele ne kadar geçmiş veri besleyebileceğinize bağlıdır. Bu rehber, eski yöntemin kazandığı durumlar da dahil olmak üzere her iki yaklaşımı dürüstçe karşılaştırır.
AI ve kural tabanlı lead scoring arasındaki fark nedir?
Geleneksel lead scoring, bir kişinin yazdığı bir puan tablosudur. Bir demo talebi 30 puan, fiyatlandırma sayfası ziyareti 10, “Direktör” içeren bir iş unvanı 15 ve ücretsiz e-posta alanı eksi 10 değerindedir. Toplam puan bir eşiği geçtiğinde, lead pazarlama için nitelikli hale gelir ve satışa gönderilir.
Bazen tahmine dayalı puanlama olarak adlandırılan AI lead scoring, süreci tersine çevirir. Bir kişinin hangi sinyallerin önemli olduğuna karar vermesi yerine, bir model geçmişte müşteri olan ve olmayan lead’lere bakar ve onları ayıran kalıpları bulur. HubSpot, Salesforce Einstein, Microsoft Dynamics 365 ve çeşitli bağımsız araçlar bunun versiyonlarını sunar. Çıktı genellikle elle oluşturulmuş bir puan toplamı yerine bir olasılık veya derecedir.
Temel fark, yargının nerede olduğudur. Bir kural modelinde, ekibinizin okuyabileceği bir elektronik tabloda bulunur. Tahmine dayalı bir modelde ise modelin ağırlıklarında bulunur ve bunu yalnızca sağlayıcının sunduğu açıklamalar aracılığıyla görürsünüz.
AI lead scoring aslında ne zaman daha iyi çalışır?
Tahmine dayalı modeller, sinyaller çok sayıda olduğunda ve etkileşimlerini görmek zor olduğunda parlar. Bir kişi beş veya altı kriter üzerinde düşünebilir. Bir model ise, “bir web semineri e-postasını açtıktan sonra bir hafta içinde entegrasyon sayfasını iki kez ziyaret etti” gibi kimsenin kural olarak yazmayı düşünmeyeceği kombinasyonlar da dahil olmak üzere düzinelercesini aynı anda tartabilir.
Ayrıca uyum sağlar. İdeal müşteriniz değiştiğinde, örneğin yeni bir ürün seviyesi piyasaya sürüldükten sonra, son anlaşmalar üzerinde yeniden eğitilen bir model değişikliği yakalar. Bir puan tablosu ise birisi onu düzenlemeyi hatırlayana kadar donmuş kalır.
Çalışmasını sağlayan koşullar oldukça spesifiktir:
- Hacim: sağlayıcının minimumu için yeterli kazanılmış ve kaybedilmiş anlaşma, ideal olarak çok daha fazlası. Birçok platform, belirli bir dönüşüm sayısının altında bir modeli eğitmez.
- Tutarlı sonuçlar: kapatılmış-kazanılmış ve kapatılmış-kaybedilmiş anlaşmalar güvenilir bir şekilde kaydedilmeli, sonsuza kadar açık bırakılmamalıdır.
- Temiz alanlar: sektör, şirket büyüklüğü ve ülke tüm kayıtlarda aynı şekilde doldurulmalıdır.
- İzlenen davranış: web sitesi ziyaretleri, e-posta etkileşimi ve form gönderimleri iletişim kaydıyla bağlantılı olmalıdır.
- İstikrarlı bir satış hareketi: süreciniz geçen çeyrekte tamamen değiştiyse, eski veriler yanlış dersler öğretir.
Geleneksel modeli ne zaman korumalısınız?
Kural tabanlı puanlama, utanılacak eski bir yöntem değildir. Birçok B2B şirketi için, en azından şimdilik doğru araç olmaya devam ediyor.
Az sayıda yüksek değerli sözleşme satıyorsanız kuralları koruyun. Yılda sekiz kurumsal anlaşma imzalayan bir firmanın bir modelin ihtiyaç duyduğu geçmişi yoktur ve sahip olduğu birkaç anlaşmanın her biri sıra dışıdır. Satış ekibiniz şüpheciyse ve bir lead’in neden işaretlendiğini görmesi gerekiyorsa kuralları koruyun. “+30 demo talebi, +15 VP unvanı” okuyan bir temsilci puanı anında anlar. Hiçbir neden olmadan “87 puan” gören bir temsilci onu görmezden gelebilir.
Kurallar, yeni bir pazara girerken de mantıklıdır. Geçmiş verileriniz sahip olduğunuz müşterileri tanımlar, bir sonrakileri değil. Dünün alıcıları üzerinde eğitilmiş bir model, kazanmaya çalıştığınız segmenti memnuniyetle öncelik dışı bırakacaktır.
İki yaklaşım yan yana nasıl karşılaştırılır?
Doğrudan bir karşılaştırma, kararı satış ve liderliğe sunarken yardımcı olur:
- Kurulum çabası: kurallar bir atölye ve elektronik tablo gerektirir; tahmine dayalı olan ise veri temizleme ve minimum veri seti gerektirir.
- Şeffaflık: kurallar tamamen okunabilirdir; tahmine dayalı olan sağlayıcının açıklama özelliklerine bağlıdır.
- Bakım: kurallar üç ayda bir gözden geçirilmezse eskir; tahmine dayalı olan yeniden eğitilir, ancak sessizce kayabilir.
- Veri gereksinimi: kurallar ilk günden itibaren çalışır; tahmine dayalı olan geçmiş gerektirir.
- Önyargı riski: kurallar yazarın varsayımlarını taşır; tahmine dayalı olan geçmiş anlaşmaların kalıplarını, kötü olanlar da dahil olmak üzere miras alır.
- Maliyet: kurallar çoğu CRM ile birlikte gelir; tahmine dayalı özellikler genellikle daha yüksek plan seviyelerinde bulunur.
Hiçbir sütunun risksiz olmadığına dikkat edin. Soru, sahip olduğunuz ekiple hangi riski yönetebileceğinizdir.
İkisini aynı anda çalıştırabilir misiniz?
Evet ve çoğu orta ölçekli ekip için bu en mantıklı yoldur. Hibrit bir kurulum, hizmet verilen ülke, minimum şirket büyüklüğü ve hariç tutulan sektörler gibi uygunluk için kısa bir katı kurallar dizisini korur ve tahmine dayalı puanın bu filtrelenmiş havuz içindeki lead’leri sıralamasına izin verir.
Bu, yaygın bir hatayı ortadan kaldırır. Tahmine dayalı modeller bazen kategorinizi araştıran bir öğrenciyi çok yüksek puanlar, çünkü bu kişi ilgili bir alıcı gibi davranır. Ticari olmayan alan adlarını veya alakasız iş fonksiyonlarını kaldıran bir uygunluk kuralı, model onu görmeden önce o lead’i durdurur.
Test etmenin pratik bir yolu gölge dönemidir. Lead’leri mevcut puan modelinizle yönlendirmeye devam edin, ancak tahmine dayalı puanı altı ila sekiz hafta boyunca yanında kaydedin. Sonunda, hangi lead’lerin fırsata dönüştüğünü karşılaştırın. Tahmine dayalı puan iyi ve kötü lead’leri daha net ayırıyorsa, yönlendirmeyi değiştirin. Ayırmıyorsa, hiçbir şey kaybetmediniz.
Test sırasında ne ölçülmeli
- Puan bandına göre pazarlama için nitelikliden satış tarafından kabul edilene dönüşüm oranı.
- Üst bant lead’leri için ilk temasa kadar geçen süre.
- Üst bantta başlayan kapatılmış anlaşmaların payı.
- Satışın kötü uygunluk olarak reddettiği lead sayısı.
Alien Road AI lead scoring’i nasıl uygular
Tipik bir çalışmada, bir model yerine veri denetimiyle başlarız. Son bir veya iki yılın kişilerini ve anlaşmalarını dışa aktarırız, yaşam döngüsü aşamalarının ne sıklıkla güncellendiğini kontrol ederiz ve kaç tane kapatılmış-kaybedilmiş nedeninin boş olduğunu sayarız. Sadece bu denetim bile, önceki bir puanlama girişiminin neden başarısız olduğunu açıklar.
Ardından satışla bir uygunluk tanımı üzerinde anlaşırız ve bunu CRM’de kurallar olarak oluştururuz. Ancak o zaman müşterinin zaten ödediği tahmine dayalı özelliği açarız veya özel bir araç bağlarız ve onu gölge modunda çalıştırırız. Raporlama basit bir panodur: puan bandına karşı fırsat oranı, her iki haftada bir satış lideriyle gözden geçirilir. Model yerini hak etmiyorsa, bunu söyleriz ve bunun yerine kuralları iyileştirmeye devam ederiz.
Bu hafta nereden başlamalı
Son on iki aydaki kapatılmış-kazanılmış ve kapatılmış-kaybedilmiş anlaşmalarınızın bir raporunu çekin ve onları sayın. Sayı küçükse veya anlaşmaların büyük bir kısmının sonucu kaydedilmemişse, önce veri alışkanlığını düzeltin ve puan tablonuzu sıkılaştırın. Sağlıklı bir hacminiz varsa, CRM planınızın zaten tahmine dayalı puanlama içerip içermediğini kontrol edin, gölge modunda açın ve altı hafta sonrasına bir gözden geçirme tarihi alın. Kendi lead’leriniz üzerinde iki puanı karşılaştırabildiğinizde karar vermek çok daha kolay hale gelir.
Okumaya devam edin: CRM Sistemi · Crm Sistemi