Prediktiv leadscoring: Den komplette guiden til smartere salg og markedsføring

Hva er prediktiv leadscoring, og hva skiller det fra andre metoder?

Prediktiv leadscoring går ut på å bruke kunstig intelligens til å analysere tidligere kundedata og finne ut hvilke av dagens leads som mest sannsynlig blir kunder. Systemet undersøker tidligere salg, både dem dere vant og dem dere tapte, lærer hvilke mindre åpenbare trekk de vellykkede avtalene har til felles, og bruker denne kunnskapen til å rangere hvert nye lead. Resultatet er en enkel poengsum (for eksempel 1-100) eller en karakter (A-D) som viser salgsteamet hvor de bør bruke tiden sin.

Dette er noe helt annet enn tradisjonell leadscoring.

Med tradisjonell, regelbasert scoring må du selv tildele poeng ut fra regler du har laget. Du kan for eksempel bestemme at en markedsdirektør får +10 poeng, en student får -50, og at det å åpne en e-post gir +5. Metoden er enkel å forstå, men den er rigid, fullstendig subjektiv og krever stadig manuell justering for å holde seg relevant.

Den store forskjellen ligger i hvor avansert analysen er. Tradisjonell scoring ser kanskje på 5-10 faste kjennetegn, mens en prediktiv modell analyserer hundrevis eller tusenvis av datapunkter samtidig. Det kan være demografiske opplysninger, firmografiske data og sammensatte signaler fra hvordan folk bruker nettstedet og appen din.

KI finner sammenhenger som ikke er åpenbare for mennesker. Leadscoring må heller ikke forveksles med scoring av salgsmuligheter, for de har to ulike formål. Leadscoring rangerer nye potensielle kunder øverst i salgstrakten for å avgjøre om de er verdt en selgers tid.

Scoring av salgsmuligheter kommer senere og anslår sannsynligheten for at avtaler som allerede ligger i salgspipelinen, blir inngått. Det hjelper med prognoser.

Kort sagt erstatter prediktiv scoring menneskelige antakelser med datavitenskap. Du får et levende system som stadig lærer av resultatene og blir bedre til å kvalifisere leads, slik at salgsteamet kan konsentrere seg om de beste mulighetene i pipelinen.

Hvorfor bør virksomheten din ta i bruk prediktiv leadscoring?

Den viktigste grunnen til å ta i bruk denne KI-baserte metoden er den direkte virkningen på lønnsomheten. Når du systematisk finner og prioriterer de beste leadsene, blir arbeidet med å skape inntekter mer effektivt. Fordelene er ikke bare teoretiske.

De er konkrete, målbare og merkes i hele prosessen fra markedsføring til salg.

En sentral fordel er et kraftig løft i salgseffektiviteten. Selgere kan slutte å bruke opptil 50 % av tiden sin på leads som uansett aldri ville blitt kunder. Den tiden kan de heller bruke på å følge opp kontoer med stort potensial og faktisk inngå avtaler.

I stedet for å bruke timevis på å ringe gjennom en liste med usikre muligheter, kan de snakke med potensielle kunder som dataene allerede viser interesse hos.

Dette er de viktigste fordelene vi ser når prediktiv leadscoring tas i bruk med godt resultat: * Høyere konverteringsrater: Når innsatsen rettes mot leads som mest sannsynlig blir kunder, øker andelen salg. Modellen fungerer som et effektivt filter, slik at bare de mest lovende potensielle kundene sendes videre til salgsteamet.

Du slutter å bruke budsjettet på målgrupper som ser lovende ut på papiret, men som ikke har noen reell kjøpsintensjon. * Bedre samarbeid mellom salg og markedsføring: Er salgs- og markedsføringsteamene dine stadig uenige om kvaliteten på leadsene? En prediktiv modell gir dem et felles faktagrunnlag de kan enes om, fordi det bygger på objektive data og ikke synsing.

Prediktiv scoring kan også brukes til å sammenligne inntektene ulike kanaler for kundetilgang gir på sikt. Se på det som en analyse som må bekreftes med data som ikke ble brukt til å utvikle modellen, ikke som bevis for at budsjettet automatisk bør flyttes.

Motargumentet: Når prediktiv scoring ikke fungerer, og hvorfor det ikke er noen mirakelkur

Til tross for all oppmerksomheten mislykkes mange prosjekter med prediktiv leadscoring. Teknologien er kraftig, men den er ikke en magisk boks du kan koble til og la passe seg selv. Å tro det er den raskeste veien til en bortkastet investering og et salgsteam som i årevis vil mistru alt som kalles "KI".

Den klart vanligste årsaken til at det går galt, er dårlig datakvalitet. En prediktiv modell er en motor som drives av data. Mater du den med dårlige data, får du dårlige prediksjoner.

Problemet med "søppel inn, søppel ut" er ikke bare en klisjé. Det er den viktigste praktiske utfordringen ved å bruke KI. Hvis CRM-systemet ditt er fullt av ufullstendige, rotete eller dupliserte oppføringer, blir modellen unøyaktig og vil stadig ta feil av gode og dårlige leads.

Et annet stort hinder er «den svarte boksen». Selgere som har stolt på magefølelsen i ti år, vil ikke legge den bort til fordel for et tall fra en maskin med mindre de ser at det fungerer og i det minste forstår hovedtrekkene i hvordan tallet beregnes. Hvis salgsteamet ikke forstår eller stoler på poengene, kommer de ikke til å bruke dem.

Da er hele systemet verdiløst. En vellykket innføring krever tett samarbeid. Dette er ikke bare et IT- eller markedsføringsprosjekt.

Dette er vanlige grunner til at slike initiativer mislykkes: * Utvikling i silo: Markedsføringsteamet driver prosjektet alene, uten reelle innspill fra selgerne som skal bruke poengene. Da er det nesten garantert at løsningen ikke blir tatt i bruk. * Manglende tilbakemeldinger: Modellen kan ikke bare settes opp og glemmes.

Den trenger jevnlige tilbakemeldinger fra salgsteamet for å holde seg presis og tilpasse seg endringer i markedet eller kundenes atferd. Uten nye opplysninger fra selgerne om hvilke leads som *faktisk* var gode eller dårlige, blir modellen mindre treffsikker over tid. * Uklart definert problem: Teamet avklarer aldri hva et "godt lead" egentlig er, eller hvordan et vellykket prosjekt skal se ut.

Uten tydelige mål og måltall kan du verken måle avkastningen på investeringen eller vite om modellen fungerer. * Dårlig datakvalitet overses: Team undervurderer ofte arbeidet som kreves for å rydde opp i dataene *før* de begynner. De blir så opptatt av hva KI kan få til, at de hopper over det grunnleggende arbeidet med å gjennomgå og rense dataene.

Prediktiv leadscoring er et samspill mellom mennesker, prosesser og teknologi. Teknologien er ofte den enkleste delen. Det virkelige arbeidet er å få menneskene og prosessene med.

Trinn 1: Vurder om du er klar for prediktiv leadscoring

Før du i det hele tatt begynner å se på programvareleverandører, må du gjøre en ærlig vurdering av om dere er klare. Å starte et prosjekt med prediktiv leadscoring uten riktig grunnlag er som å bygge et hus på sand. En grundig gjennomgang av dataene, teamene og den tekniske infrastrukturen er et nødvendig første steg.

Den viktigste ressursen deres er historiske data. En KI-modell lærer av det som tidligere har fungert og ikke fungert. Har dere for lite data, har den ingenting å lære av.

For eksempel krever Microsoft minst 40 kvalifiserte og 40 diskvalifiserte leads fra de siste to årene bare for å trene en modell på Dynamics 365-plattformen. Mer data er alltid bedre.

Det er like viktig at dataene er rene og strukturerte. En gjennomgang av datakvaliteten er avgjørende. Dere må finne og rette opp ufullstendige oppføringer, duplikater og inkonsekvent formatering i CRM-systemet. Uten dette arbeidet blir modellens prediksjoner helt upålitelige.

Bruk denne sjekklisten for å se om dere er klare: * Tilstrekkelig datamengde: Har dere hundrevis, helst tusenvis, av historiske leads med tydelige utfall (for eksempel konvertert eller diskvalifisert) registrert i CRM-systemet? * Rene og tilgjengelige data: Er CRM-dataene godt vedlikeholdt og lett tilgjengelige? Kan dere faktisk hente ut leadkilde, demografiske opplysninger og historikk over interaksjoner?

* Tydelige definisjoner av leads: Er salgs- og markedsføringsteamene formelt enige om hva som gjør et lead «kvalifisert» eller «diskvalifisert»? Denne definisjonen blir fasiten for hele modellen. * Støtte fra ledelsen og teamene: Har prosjektet reell støtte fra ledelsen for både salg og markedsføring?

Begge teamene må være involvert fra første dag.

I de siste tolv prosjektene våre innen markedsanalyse var forholdet mellom salg og markedsføring *før* prosjektstart den beste indikatoren på om prosjektet ville lykkes. Team som allerede kommuniserte åpent, kunne enkelt definere mål og etablere rutiner for tilbakemeldinger. Der det allerede var friksjon mellom teamene, stoppet prosjektene nesten alltid opp.

Trinn 2: Slik tar du i bruk en modell for prediktiv leadscoring

Når dere har bekreftet at dere er klare, kan dere starte implementeringen. KI-teknologien bak kan være kompleks, men stegene for å bygge og ta i bruk en modell for prediktiv leadscoring er logiske og oversiktlige. Tenk på det som en oppskrift snarere enn magi: Dere samler ingrediensene, forbereder dem, tilbereder dem og serverer resultatet.

Prosessen har fire hovedfaser: samle inn data, rense data, bygge modellen og score leads. Målet er å lage en prediktiv modell som forstår hva som kjennetegner et godt lead for akkurat deres virksomhet.

Slik gjør dere det, steg for steg:

1. Samle inn og slå sammen data: Begynn med å hente inn alle data som kan tyde på kjøpsinteresse. Det omfatter mer enn du kanskje tror. Datagrunnlaget inkluderer atferdsdata (nettstedbesøk, klikk i e-poster, nedlasting av innhold), demografiske og firmografiske data (stillingstittel, bransje, bedriftsstørrelse) og historiske CRM-data om hvilke leads som endte i inngåtte avtaler.
2. Rens og klargjør data: Her håndterer dere manglende verdier, retter opp inkonsekvenser og formaterer dataene for modellen. Dere kan for eksempel samle «VP», «Vice President» og «V.P.» under én stillingstittel: «VP». Dette trinnet er avgjørende for treffsikkerheten.
3. Bygg og tren modellen: Her gjør KI-en jobben sin. Algoritmer som logistisk regresjon eller tilfeldige skoger analyserer de klargjorte historiske dataene. Modellen går gjennom hundrevis av kjennetegn for å finne mønstre og statistiske sammenhenger som ikke er åpenbare, men som henger sammen med konvertering. Det er som å la en etterforsker finne spor dere ikke visste fantes.
4. Valider og ta modellen i bruk: Før modellen settes i drift, tester dere den på data den aldri har sett før, for å kontrollere hvor godt den predikerer. Når den er validert, tar dere den i bruk. Modellen bruker det den har lært, til å score nye leads i sanntid.

Hele prosessen kan vises som en kontinuerlig sløyfe, fordi modellen aldri slutter å lære.

«KI er den nye elektrisiteten. Slik elektrisiteten forvandlet nesten alt for 100 år siden, har jeg i dag vanskelig for å se for meg en bransje som KI ikke vil forvandle i løpet av de neste årene.» Andrew Ng, Stanford Graduate School of Business, mars 2017

Det er evnen til å lære som gjør prediktiv modellering så nyttig. Når nye data om utfallet for leads blir tilgjengelige (for eksempel at et lead blir kunde eller diskvalifiseres av salgsteamet), føres de tilbake til systemet. Dermed kan modellen fortløpende tilpasse scoringen når markedet, produktet eller kundeprofilen endrer seg, slik at treffsikkerheten blir bedre over tid.

Trinn 3: Gjør scorene nyttige og mål avkastningen

En prediktiv score er bare et tall. Den skaper først verdi når den utløser en konkret handling som forbedrer salgsprosessen. Å ta i bruk en prediktiv scoringsmodell uten å bygge automatiserte arbeidsflyter rundt den, er som å kjøpe en racerbil og la den stå i garasjen.

Målet er å bygge et system som automatisk behandler leads ulikt ut fra scoren deres. Ikke alle leads er like lovende, og oppfølgingen bør gjenspeile det. Det krever tett integrasjon mellom scoringsmotoren og CRM-systemet eller plattformen deres for markedsføringsautomatisering.

En praktisk modell fordeler leads på tre nivåer: * Nivå 1: Leads med høy score (A): Dette er de mest lovende potensielle kundene. En god arbeidsflyt sender disse leadene rett til en selger for umiddelbar oppfølging, ofte i løpet av få minutter. Vi sender også varsler i sanntid med opplysninger om leadet til en egen Slack-kanal for salgsteamet.

Her er rask oppfølging helt avgjørende. * Nivå 2: Leads med middels score (B): Disse leadene virker lovende, men er ikke helt klare for kontakt med en selger.

De bør automatisk legges inn i målrettede e-postløp som tar opp interessene og utfordringene de trolig har. Målet er å øke engasjementet og løfte scoren deres. * Nivå 3: Leads med lav score (C/D): Disse leadene passer ikke godt akkurat nå.

Det er bortkastet å bruke salgsteamets verdifulle tid på å følge dem opp. Legg dem heller inn i et langsiktig nyhetsbrevløp med lite oppfølging, eller diskvalifiser dem for å holde den aktive salgspipelinen ryddig.

En hybrid tilnærming som kombinerer KI med enkle regler, fungerer ofte svært godt. Dere kan bruke tradisjonelle filtre (som å flagge alle leads som besøker prissiden) som et tillegg til den KI-genererte scoren. Da får dere både intelligent automatisering og direkte kontroll.

Et lead med høy score som *også* besøker prissiden, kan for eksempel utløse et umiddelbart varsel med høy prioritet til den kundeansvarlige.

Her er et eksempel på en JSON-payload som kan sendes til en Slack-webhook når et lead i kategori A blir identifisert:

{
 "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"
 }
 ]
 }
 ]
}

Til slutt trenger dere en fast rutine for tilbakemeldinger. Det kan være så enkelt som at en selger kan merke et lead som «Dårlig kvalitet» direkte i CRM-systemet, selv om leadet fikk høy score.

Disse tilbakemeldingene er de mest verdifulle dataene dere kan samle inn etter lansering. De gir modellen en ny fasit å lære av, slik at den kan rette opp egne feil og forbedre treffsikkerheten til hele det prediktive systemet på lang sikt.