AI lead scoring, şirket özellikleri, sitenizdeki davranış ve e-postalarla etkileşim gibi geçmiş CRM verilerindeki kalıplara dayanarak potansiyel müşterileri dönüşüm olasılıklarına göre sıralamak için makine öğrenimini kullanır. Değerini üç şeyi ölçerek kanıtlarsınız: yüksek puanların gerçekten daha sık dönüşüp dönüşmediği, satış ekibinin puanlara göre hareket edip etmediği ve boru hattı (pipeline) ile gelirin eski yönteme kıyasla iyileşip iyileşmediği.
AI lead scoring, kural tabanlı puanlamadan nasıl farklıdır?
Geleneksel lead scoring puanları elle atar: fiyatlandırma sayfası ziyareti için on puan, demo talebi için yirmi, ücretsiz e-posta adresi için eksi beş. Bu şeffaftır ancak tahminlere dayanır ve nadiren güncellenir.
AI veya tahmine dayalı puanlama, ağırlıkları kendi geçmişinizden öğrenir. HubSpot’un tahmine dayalı lead scoring’i, Salesforce Einstein Lead Scoring, Microsoft Dynamics 365 Sales tahmine dayalı puanlama ve özel platformlar gibi araçlar, hangi özelliklerin ve eylemlerin kazanılan anlaşmalardan önce geldiğini analiz eder. Her potansiyel müşteri daha sonra bir puan veya olasılık alır, genellikle en iyi faktörler listelenir.
İşin püf noktası, bir modelin yalnızca öğrendiği veriler kadar iyi olabileceğidir. CRM’inizde az sayıda kapatılmış anlaşma, tutarsız yaşam döngüsü aşamaları veya eksik kaynak verileri varsa, puanlar kesin görünecek ancak güvenilmez olacaktır. Çoğu satıcı bu nedenle minimum veri gereksinimleri belirler, bu yüzden bunları platformunuz için kontrol edin.
Hangi KPI’lar puanlamanın işe yaradığını kanıtlar?
Ölçümlerinizi doğruluk, benimseme ve iş etkisi olarak gruplandırın. Her biri bir satış liderinin farklı bir sorusunu yanıtlar.
Doğruluk KPI’ları
- Puan bandına göre dönüşüm oranı: en üst banttaki potansiyel müşteriler, fırsatlara ve müşterilere alt bantlardan daha yüksek oranlarda dönüşmelidir.
- Artış: en üst bandın dönüşüm oranının ortalama dönüşüm oranına bölünmesi.
- En üst iki banttan gelen kazanılmış anlaşmaların payı.
- Kalibrasyon: model yüzde 30 olasılık diyorsa, zamanla bu potansiyel müşterilerin yaklaşık yüzde 30’u dönüşmelidir.
Benimseme KPI’ları
- Yüksek puanlı potansiyel müşteriler için diğerlerine kıyasla ilk temasa kadar geçen hız.
- Hizmet düzeyi sözleşmeniz dahilinde iletişime geçilen yüksek puanlı potansiyel müşterilerin payı.
- Satış temsilcilerinin puanı ne sıklıkla değiştirdiği veya görmezden geldiği, CRM’inizin bunu kaydettiği yer.
İş etkisi KPI’ları
- Öncesi ve sonrası potansiyel müşteriden fırsata ve fırsattan kazanmaya dönüşüm oranı.
- Puanlanmış potansiyel müşteriler için satış döngüsü uzunluğu.
- Temsilci saati başına oluşturulan boru hattı (pipeline) değeri.
- Satış için nitelikli potansiyel müşteri başına pazarlama maliyeti.
Adil bir öncesi ve sonrası testi nasıl kurulur?
Bu çeyreği son çeyrekle karşılaştırmak mevsimselliği, kampanya değişikliklerini ve personel durumunu karıştırır. Daha temiz bir tasarım holdout’tur (kontrol grubu). Belirli bir süre için, gelen potansiyel müşterilerin bir kısmını AI puanı gösterilmeden eski yöntemle, geri kalanını ise puanla yönlendirmek için rastgele atayın. İki grup arasındaki dönüşümü ve hızı karşılaştırın.
Eğer holdout mümkün değilse, en azından bir back test kullanın. Geçen yılın potansiyel müşterilerini mevcut modelle, sonuçları göz ardı ederek puanlayın, ardından puanların daha sonra kazanılan veya kaybedilen potansiyel müşterileri ne kadar iyi sıraladığını kontrol edin. Birçok platform bir model kalite göstergesi gösterir, ancak bilinen sonuçlar üzerinde kendi back test’iniz satış ekibi için daha ikna edicidir.
Gösterge paneli neyi göstermelidir?
Gösterge panelini bir satış yöneticisinin haftalık okuyabileceği kadar kısa tutun. HubSpot, Salesforce raporları, Looker Studio veya Power BI’da çalışan bir düzen:
- Birinci satır: bu hafta puan bandına göre potansiyel müşteriler ve son 90 günde banda göre dönüşüm oranı.
- İkinci satır: banda göre ilk temasa kadar geçen ortalama süre ve SLA dahilindeki yüzde.
- Üçüncü satır: banda göre boru hattı (pipeline) ve kazanılan gelir, artı ortalamaya kıyasla artış.
- Notlar: modelin son yeniden eğitilmesi, tespit edilen veri sorunları, potansiyel müşteri kaynaklarındaki değişiklikler.
Ham puanları değil, bantları gösterin. İnsanlar “73’e karşı 68” yerine “A, B, C”ye daha kolay tepki verirler.
Lead scoring pratikte neden başarısız olur?
Genellikle algoritma yüzünden değil. Yaygın nedenler arasında satış ekiplerinin kara kutu puanına güvenmemesi, pazarlamanın modeli aşağı çeken düşük kaliteli potansiyel müşteriler göndermesi, yaşam döngüsü aşamalarının tutarsız güncellenmesi nedeniyle modelin gürültüden öğrenmesi ve modelin daha önce hiç görmediği yeni potansiyel müşteri kaynakları yer alır. Kimsenin bakmadığı bir puan, ne kadar doğru olursa olsun başarısız olur.
Düzeltmeler teknik olduğu kadar organizasyoneldir. Temsilcilere her puanın arkasındaki en iyi faktörleri gösterin, her ay birkaç başarısızlığı birlikte gözden geçirin ve pazarlama için nitelikli ve satış için nitelikli potansiyel müşteri tanımları üzerinde yazılı olarak anlaşın.
Alien Road, CRM projelerinde AI lead scoring’i nasıl uygular
Tipik bir çalışmada, keşif bir CRM veri denetimidir: kaç tane kazanılmış ve kaybedilmiş anlaşma var, yaşam döngüsü aşamaları ve kaynaklar ne kadar tutarlı kaydediliyor ve hangi alanlar güvenilir bir şekilde dolduruluyor. Ayrıca satış temsilcileriyle şu anda hangi potansiyel müşterileri önce arayacaklarını nasıl seçtikleri hakkında görüşüyoruz.
Kurulum, anahtar alanları temizler ve standartlaştırır, müşterinin CRM’inde veya özel bir araçta mevcut olan tahmine dayalı puanlamayı yapılandırır, puanları bantlara dönüştürür ve yüksek bantlı potansiyel müşterilerin temsilcilere hızlı ulaşması için yönlendirme kuralları ve görünümler oluşturur. Mümkün olduğunda, en başından bir holdout grubu kuruyoruz.
Ölçüm, yukarıdaki KPI gruplarını izler, banda göre dönüşümün ve puan ile sonucun uyuşmadığı potansiyel müşterilerin aylık incelemesiyle. Müşteriye raporlama, gösterge paneli artı o incelemeden kısa bir nottur, böylece pazarlama ve satış aynı rakamları görür.
Model ne sıklıkla yeniden eğitilmeli veya gözden geçirilmelidir?
Satın alma davranışı değişir. Yeni bir ürün grubu, fiyat değişikliği, yeni bir reklam kanalı veya hedef pazardaki bir kayma, geçen yılın kalıplarını yanıltıcı hale getirebilir. Birçok CRM aracı tahmine dayalı modellerini otomatik olarak bir takvime göre yeniden eğitir, ancak yine de sonuçları gözden geçirmeniz gerekir, çünkü kötü güncel veriler üzerinde otomatik yeniden eğitim, kötü verileri daha hızlı öğrenir.
Üç aylık bir inceleme çoğu B2B ekibi için işe yarar. Banda göre dönüşümü kontrol edin, modelin şimdi kullandığı en iyi faktörlere bakın ve iş mantığına uygun olup olmadıklarını sorun. Eğer model aniden satışın anlamsız olduğunu bildiği belirli bir form alanı gibi bir faktörü ödüllendirirse, yeni puanlara güvenmeden önce araştırın.
Bu hafta nereden başlamalı
Geçen yılın potansiyel müşterilerini kaynakları, birkaç anahtar öznitelik ve nihai sonuçlarıyla dışa aktarın. Kaç tanesinin müşteri olduğunu sayın; eğer sayı çok küçükse, bir puanlama aracı almadan önce veri kalitesine odaklanın.
Eğer puanlama zaten açıksa, bugün bir rapor oluşturun: son 90 günde puan bandına göre fırsata dönüşüm oranı. Eğer en üst bant diğerlerinden açıkça daha iyi performans göstermiyorsa, çözmeniz gereken ilk sorunu buldunuz ve bunu model hakkında tartışmadan önce buldunuz.
Okumaya devam edin: CRM Sistemi · Crm Sistemi