Prædiktiv leadscoring: Den komplette guide til smartere salg og marketing

Hvad er prædiktiv leadscoring, og hvordan adskiller den sig?

Prædiktiv leadscoring bruger kunstig intelligens til at analysere data om dine tidligere kunder og finde de nuværende leads, der med størst sandsynlighed bliver kunder. Systemet gennemgår alle de handler, du tidligere har vundet og tabt, lærer de mindre åbenlyse træk, som vellykkede handler har til fælles, og bruger den viden til at rangere hvert nyt lead. Resultatet er en enkel score (for eksempel 1-100) eller en karakter (A-D), som viser dit salgsteam, hvor det skal bruge sin tid.

Det er noget helt andet end traditionel leadscoring.

Ved traditionel, regelbaseret scoring tildeler du selv point efter regler, du har fastsat. Du kan for eksempel beslutte, at en marketingdirektør får +10 point, en studerende får -50, og en åbnet e-mail giver +5. Metoden er nem at forstå, men den er ufleksibel og helt subjektiv.

Den kræver også løbende manuel justering for fortsat at være brugbar.

Den afgørende forskel er, hvor nuanceret vurderingen er. Traditionel scoring ser måske på 5-10 faste egenskaber, mens en prædiktiv model analyserer hundredvis eller tusindvis af datapunkter på én gang, herunder demografiske og firmografiske oplysninger samt komplekse adfærdssignaler fra dit website og din app. AI kan finde sammenhænge, som et menneske næppe ville opdage.

Leadscoring må heller ikke forveksles med scoring af salgsmuligheder, for de tjener to forskellige formål. Leadscoring rangerer helt nye potentielle kunder i toppen af salgstragten for at afgøre, om en sælger overhovedet skal bruge tid på dem. Scoring af salgsmuligheder kommer senere og forudsiger sandsynligheden for at lukke handler, der allerede er i din salgspipeline.

Det hjælper med salgsprognoser.

Prædiktiv scoring erstatter i sidste ende menneskeligt gætværk med dataanalyse. Den skaber et system, som hele tiden lærer af resultaterne og forbedrer sin vurdering af leads, så salgsteamet kan fokusere på de bedste muligheder i pipelinen.

Hvorfor bør din virksomhed bruge prædiktiv leadscoring?

Den vigtigste grund til at vælge denne AI-drevne tilgang er dens direkte betydning for indtjeningen. Når du systematisk finder og prioriterer dine bedste leads, får du en mere effektiv salgsproces. Fordelene er ikke kun teoretiske.

De er konkrete, målbare og kan styrke hele arbejdet med at nå ud til markedet.

En central fordel er markant større salgseffektivitet. Sælgere kan holde op med at bruge op til 50% af deres tid på leads, som alligevel aldrig ville blive til handler. Den tid kan de i stedet bruge på at opbygge relationer til lovende kunder og lukke handler.

Frem for at ringe i timevis til folk, der måske er interesserede, kan de kontakte potentielle kunder, som data allerede peger på som varme leads.

Her er de vigtigste fordele, vi ser ved vellykkede implementeringer af prædiktiv leadscoring: * Højere konverteringsrater: Når du koncentrerer indsatsen om de leads, der med størst sandsynlighed bliver til handler, forbedrer du typisk din lukkerate. Modellen fungerer som et filter, så salgsteamet kun får de mest lovende potentielle kunder.

Du holder op med at bruge budget på målgrupper, der ser gode ud på papiret, men slet ikke har til hensigt at købe. * Bedre samspil mellem salg og marketing: Diskuterer dine salgs- og marketingteams konstant kvaliteten af leads? En prædiktiv model giver dem et fælles grundlag, de kan blive enige om, fordi det bygger på objektive data frem for holdninger.

Prædiktiv scoring kan også bruges til at sammenligne, hvor meget omsætning forskellige kilder til nye kunder senere skaber. Betragt det som en analyse, der skal valideres med data, modellen ikke er trænet på, ikke som bevis for, at budgettet automatisk bør flyttes.

Det kritiske perspektiv: Hvornår fejler prædiktiv leadscoring, og hvorfor er den ikke en mirakelløsning?

Trods al omtalen mislykkes mange projekter med prædiktiv leadscoring. Teknologien er stærk, men den er ikke en løsning, du bare kan sætte til og derefter lade passe sig selv. Tror du det, risikerer du hurtigt en spildt investering og et salgsteam, som ikke vil stole på noget med mærkatet "AI" i mange år fremover.

Den klart største årsag til fiasko er dårlig datakvalitet. En prædiktiv model drives af data. Giver du den dårlige data, får du dårlige forudsigelser.

Princippet om dårlige data ind, dårlige resultater ud er ikke bare en kliché. Det er den centrale praktiske udfordring ved at bruge AI. Hvis dit CRM er fyldt med ufuldstændige, rodede eller dobbelte registreringer, bliver modellen upræcis og vil igen og igen tage fejl af gode og dårlige leads.

En anden stor udfordring er problemet med den 'sorte boks'. Sælgere, der har stolet på deres mavefornemmelse i 10 år, opgiver den ikke til fordel for et tal fra en maskine, medmindre de kan se, at det virker, og i det mindste forstår hovedtrækkene i logikken. Hvis salgsteamet hverken forstår eller stoler på scorerne, bruger de dem ikke, og så er hele systemet værdiløst.

En vellykket implementering kræver tæt samarbejde. Det er ikke kun et IT- eller marketingprojekt.

Her er de typiske grunde til, at initiativerne falder fra hinanden: * Udvikling i siloer: Marketingteamet driver hele projektet uden reel input fra de sælgere, der skal bruge scorerne. Det fører næsten uundgåeligt til problemer med at få systemet taget i brug. * Manglende feedback: Modellen kan ikke bare sættes op og glemmes.

Den har brug for løbende feedback fra salgsteamet for at bevare sin præcision og blive justeret, når markedet eller kundernes adfærd ændrer sig. Uden nye oplysninger fra sælgerne om, hvilke leads der *faktisk* var gode eller dårlige, falder modellens præcision med tiden. * Uklart defineret problem: Teamet får aldrig tydeligt defineret, hvad et "godt lead" egentlig er, eller hvordan projektets succes skal måles.

Uden klare mål og målepunkter kan du hverken beregne ROI eller vide, om modellen virker. * Manglende datarensning: Teams undervurderer ofte, hvor meget arbejde det kræver at rydde op i dataene, *før* de går i gang. De bliver så optagede af mulighederne med AI, at de springer det grundlæggende arbejde med at gennemgå og rense data over.

Prædiktiv leadscoring er et samspil mellem mennesker, processer og teknologi. Teknologien er ofte den letteste del. Det svære arbejde er at få mennesker og processer med.

Trin 1: Vurder, om du er klar til prædiktiv leadscoring

Før du overhovedet begynder at se på softwareleverandører, skal du ærligt vurdere, om I er klar. At starte et projekt med prædiktiv leadscoring uden det rette fundament er som at bygge et hus på sand. En grundig gennemgang af jeres data, teams og tekniske infrastruktur er et nødvendigt første skridt.

Jeres vigtigste ressource er historiske data. En AI-model lærer af tidligere succeser og fejl, så uden tilstrækkelige data har den intet at lære af. Microsoft kræver for eksempel mindst 40 kvalificerede og 40 diskvalificerede leads fra de seneste to år alene for at træne en model til Dynamics 365.

Flere data er altid bedre.

Det er lige så vigtigt, at dataene er rene og strukturerede. En gennemgang af datakvaliteten er afgørende. I skal finde og rette ufuldstændige poster, dubletter og uensartet formatering i jeres CRM. Uden den oprydning bliver modellens forudsigelser upålidelige.

Brug denne tjekliste til at vurdere, om I er klar: * Tilstrækkelig datamængde: Har I hundredvis, helst tusindvis, af historiske leads med klare udfald (f.eks. konverteret eller diskvalificeret) registreret i jeres CRM? * Rene og tilgængelige data: Er jeres CRM-data velholdte og lette at få adgang til?

Kan I rent faktisk hente oplysninger om leadkilde, demografi og tidligere interaktioner? * Klare definitioner af leads: Er salgs- og marketingteamet formelt enige om, hvornår et lead er "kvalificeret" eller "diskvalificeret"? Den definition bliver det facit, som hele modellen lærer ud fra.

* Opbakning fra ledelse og teams: Er der reel opbakning til projektet fra ledelsen i både salg og marketing? Begge teams skal være med fra første dag.

I vores seneste 12 projekter inden for marketinganalyse var kvaliteten af samarbejdet mellem salg og marketing *før* projektstart den stærkeste indikator for succes. Teams, der allerede kommunikerede åbent, kunne nemt fastlægge mål og opbygge processer for feedback. Projekter i teams med eksisterende gnidninger gik derimod næsten altid i stå.

Trin 2: Sådan implementerer du din model til prædiktiv leadscoring

Når du har bekræftet, at I er klar, kan du gå i gang med implementeringen. AI-teknologien bag kan være kompleks, men trinene til at bygge og sætte en model til prædiktiv leadscoring i drift er logiske og overskuelige. Tænk på det som en opskrift snarere end magi: Du samler ingredienserne, forbereder dem, tilbereder dem og serverer resultatet.

Processen har fire hovedfaser: indsamling af data, rensning af data, opbygning af modellen og scoring. Målet er en prædiktiv model, der genkender kendetegnene ved et godt lead for netop din virksomhed.

Her er trinene:

1. Indsaml og saml data: Start med at samle alle de data, der kan pege på købsinteresse. Det omfatter mere, end du måske tror: adfærdsdata (besøg på websitet, klik i e-mails, download af indhold), demografiske og firmografiske data (jobtitel, branche, virksomhedsstørrelse) samt historiske CRM-data om, hvilke leads der blev til vundne aftaler.
2. Rens og klargør data: Her håndterer du manglende værdier, retter uoverensstemmelser og formaterer dataene til modellen. Du kan for eksempel samle "VP", "Vice President" og "V.P." under én jobtitel: "VP". Denne oprydning er afgørende for præcisionen.
3. Byg og træn modellen: Her kommer AI'en i arbejde. Algoritmer som logistisk regression og random forests analyserer de historiske data, du har klargjort. Modellen gennemgår hundredvis af egenskaber for at finde mønstre og statistiske sammenhænge med konvertering, som ikke er umiddelbart synlige. Den finder spor, du ikke vidste var der.
4. Validér og sæt modellen i drift: Før modellen tages i brug, tester du den på data, den aldrig har set, for at kontrollere, hvor godt den forudsiger udfald. Når den er valideret, sætter du den i drift. Modellen bruger det, den har lært, til at score nye leads i realtid.

Forløbet kan vises som en løbende cyklus, fordi modellen aldrig holder op med at lære.

AI er den nye elektricitet. Ligesom elektricitet forandrede næsten alt for 100 år siden, har jeg i dag faktisk svært ved at komme i tanke om en branche, som jeg ikke tror, AI vil forandre i løbet af de næste år." Andrew Ng, [Stanford Graduate School of Business](https://www.gsb.stanford.edu/insights/andrew

ng-why-ai-new-electricity), marts 2017

Det er evnen til at lære, der gør prædiktive modeller så effektive. Når der kommer nye data om, hvad der sker med leads (f.eks. om et lead bliver kunde eller diskvalificeres af salgsteamet), føres de tilbage i systemet.

På den måde kan modellen løbende tilpasse sin scoring, når markedet, produktet eller kundeprofilen ændrer sig, og blive mere præcis over tid.

Trin 3: Omsæt scores til handling, og mål ROI

En prædiktiv score er bare et tal. Den skaber først værdi, når den udløser en konkret handling, der forbedrer salgsprocessen. At indføre en model til prædiktiv leadscoring uden automatiserede arbejdsgange omkring den svarer til at købe en racerbil og lade den stå i garagen.

Målet er at bygge et system, der automatisk behandler leads forskelligt efter deres score. Ikke alle leads er lige værdifulde, så opfølgningen skal heller ikke være ens. Det kræver tæt integration mellem scoringssystemet og jeres CRM eller platform til marketingautomatisering.

En praktisk model til fordeling af leads bruger tre niveauer: * Niveau 1: Leads med høj score (A): Det er jeres varmeste potentielle kunder. En effektiv arbejdsgang sender dem direkte til en sælger, der følger op med det samme, ofte inden for få minutter. Vi sender endda notifikationer i realtid med oplysninger om leadet til en dedikeret Slack-kanal for salgsteamet.

Her er hurtig opfølgning altafgørende. * Niveau 2: Leads med middel score (B): Disse leads ser lovende ud, men er endnu ikke helt klar til en salgssamtale.

De bør automatisk komme med i målrettede e-mailforløb, der tager fat på deres sandsynlige interesser og udfordringer. Målet er at øge deres engagement og dermed deres score. * Niveau 3: Leads med lav score (C/D): Disse leads er ikke et godt match lige nu.

Det er spild af salgsteamets dyrebare tid at følge op på dem. De kan i stedet få et nyhedsbrev med få kontaktpunkter over længere tid eller blot diskvalificeres, så den aktive pipeline forbliver relevant.

En kombination af AI og enkle regler er ofte meget effektiv. Du kan supplere den AI-genererede score med traditionelle filtre, for eksempel ved at markere alle leads, der besøger prissiden. Det giver dig både intelligent automatisering og direkte kontrol.

Et lead med høj score, som *også* besøger prissiden, kan for eksempel udløse en øjeblikkelig alarm med høj prioritet til den ansvarlige sælger.

Her er et eksempel på et JSON-payload, der kan sendes til en Slack-webhook, når et lead i kategori A identificeres:

{
 "text": "New A-Grade Lead! :fire:",
 "blocks": [
 {
 "type": "section",
 "text": {
 "type": "mrkdwn",
 "text": "*Name:* Jane Doe\n*Company:* Acme Corp\n*Title:* VP of Operations\n*Score:* 95/100"
 }
 },
 {
 "type": "actions",
 "elements": [
 {
 "type": "button",
 "text": {
 "type": "plain_text",
 "text": "View in CRM"
 },
 "style": "primary",
 "url": "https://your.crm.com/leads/12345"
 }
 ]
 }
 ]
}

Endelig skal I have en fast proces for feedback. Det kan være en enkel funktion direkte i jeres CRM, hvor en sælger kan markere et lead som "Lav kvalitet", selv om det har fået en høj score.

Den feedback er de mest værdifulde data, I kan indsamle efter lanceringen. Den giver modellen nye, faktiske udfald at lære af, så den kan rette sine fejl og gøre hele det prædiktive system mere præcist på lang sigt.