Prediktiv lead scoring: den kompletta guiden till smartare försäljning och marknadsföring

Vad är prediktiv lead scoring och hur skiljer den sig från traditionell lead scoring?

Prediktiv lead scoring innebär att använda artificiell intelligens för att analysera tidigare kunddata och avgöra vilka av dina nuvarande leads som mest sannolikt blir kunder. Systemet granskar tidigare affärer, både vunna och förlorade, lär sig vilka mindre uppenbara egenskaper de vunna affärerna har gemensamt och använder sedan den kunskapen för att rangordna varje nytt lead. Resultatet är en enkel poäng (till exempel 1-100) eller ett betyg (A-D) som hjälper säljarna att prioritera sin tid.

Det skiljer sig helt från traditionell lead scoring.

Med traditionell, regelbaserad lead scoring måste du själv tilldela poäng utifrån regler du har bestämt. Du kanske ger en marknadschef +10 poäng, en student -50 och någon som öppnar ett mejl +5. Metoden är lätt att förstå, men den är stel, helt subjektiv och kräver ständiga manuella justeringar för att fortsätta fungera.

Den stora skillnaden är hur avancerad analysen är. Traditionell lead scoring kanske utgår från 5-10 fasta attribut, medan en prediktiv modell analyserar hundratals eller tusentals datapunkter samtidigt. Det kan handla om demografi, företagsuppgifter och komplexa beteendesignaler från din webbplats och app.

AI kan upptäcka samband som en människa knappast skulle hitta. Blanda inte heller ihop lead scoring med poängsättning av affärsmöjligheter. De fyller två olika syften.

Lead scoring rangordnar helt nya potentiella kunder tidigt i säljprocessen för att avgöra om de är värda en säljares tid. Poängsättning av affärsmöjligheter kommer senare och uppskattar sannolikheten att vinna affärer som redan finns i säljpipelinen, som stöd för prognoser.

I grunden ersätter prediktiv lead scoring mänskliga gissningar med dataanalys. Det är ett system som hela tiden lär sig av resultaten och förbättrar hur leads kvalificeras, så att säljarna kan fokusera på de bästa möjligheterna i pipelinen.

Varför bör ditt företag använda prediktiv lead scoring?

Det främsta skälet att använda det här AI-baserade arbetssättet är dess direkta påverkan på resultatet. När du systematiskt identifierar och prioriterar dina bästa leads blir försäljningsarbetet mer effektivt och ger bättre resultat. Fördelarna är inte bara teoretiska.

De är konkreta, mätbara och kan förbättra hela processen för att nå och vinna kunder.

En viktig fördel är att säljarna kan arbeta betydligt effektivare. De kan sluta lägga upp till 50% av sin tid på leads som ändå aldrig skulle ha blivit affärer. Den tiden kan de i stället använda för att utveckla kontakter med stor potential och faktiskt stänga affärer.

I stället för att ringa sig igenom en lista med osäkra möjligheter pratar de med potentiella kunder som data redan pekar ut som lovande.

Här är de viktigaste fördelarna vi ser när prediktiv lead scoring införs framgångsrikt: * Högre konverteringsgrad: När ni lägger kraften på leads med störst sannolikhet att bli affärer ökar också andelen affärer ni vinner. Modellen fungerar som ett filter, så att bara de mest lovande potentiella kunderna går vidare till säljarna.

Ni slutar lägga budget på målgrupper som ser bra ut på papperet men inte har någon verklig avsikt att köpa. * Bättre samarbete mellan försäljning och marknadsföring: Är era sälj- och marknadsteam ständigt oense om kvaliteten på era leads? En prediktiv modell ger båda teamen ett gemensamt underlag att utgå från, eftersom bedömningen bygger på objektiva data i stället för åsikter.

Prediktiv lead scoring kan också användas för att jämföra vilka intäkter olika kanaler för kundanskaffning ger på längre sikt. Se det som en analys som behöver valideras med data som inte användes för att bygga modellen, inte som ett bevis för att budgeten automatiskt bör flyttas.

Ett annat perspektiv: när prediktiv lead scoring misslyckas och varför den inte löser allt

Trots uppmärksamheten misslyckas många projekt med prediktiv lead scoring. Tekniken är kraftfull, men den är ingen låda du bara kan koppla in och sedan lämna åt sitt öde. Den föreställningen är ett snabbt sätt att slösa bort investeringen och få ett säljteam som misstror allt som kallas "AI" under lång tid framöver.

Den enskilt största orsaken till misslyckanden är datakvaliteten. En prediktiv modell drivs av data. Matar du den med dåliga data får du dåliga prognoser.

Problemet med "skräp in, skräp ut" är ingen klyscha, utan den centrala operativa utmaningen när AI ska användas i praktiken. Om ditt CRM är fullt av ofullständiga, röriga eller dubbla poster blir modellen opålitlig och kommer gång på gång att bedöma bra och dåliga leads fel.

Ett annat stort hinder är problemet med den svarta lådan. Säljare som har litat på sin magkänsla i ett decennium kommer inte att överge den för en siffra från en maskin om de inte ser att den fungerar och åtminstone förstår logiken i stora drag. Om säljarna inte förstår eller litar på poängen kommer de inte att använda dem.

Då blir hela systemet meningslöst. Ett lyckat införande kräver nära samarbete. Det här är inte bara ett IT- eller marknadsföringsprojekt.

Här är vanliga skäl till att sådana satsningar faller: * Utveckling i stuprör: Marknadsteamet driver hela projektet utan verklig input från säljarna som förväntas använda poängen. Det leder nästan garanterat till problem med att få systemet använt. * Ingen återkoppling: Modellen är inget du kan ställa in och sedan glömma.

Den behöver löpande återkoppling från säljarna för att fortsätta vara träffsäker och kunna justeras när marknaden eller kundernas beteenden förändras. Utan nya uppgifter från säljarna om vilka leads som *faktiskt* var bra eller dåliga försämras träffsäkerheten med tiden. * Otydligt definierat problem: Teamet slår aldrig fast vad ett "bra lead" är eller hur man från början ska avgöra om projektet lyckas.

Utan tydliga mål och mätetal kan du varken beräkna avkastningen på investeringen eller ens veta om modellen fungerar. * Bristande datakvalitet ignoreras: Team underskattar ofta arbetet med att rensa sina data *innan* de börjar. De är så ivriga att komma igång med AI att de hoppar över den grundläggande granskningen och rensningen av data.

Prediktiv lead scoring är ett samspel mellan människor, processer och teknik. Tekniken är ofta den enkla delen. Det verkliga arbetet är att få människorna och processerna på plats.

Steg 1: Bedöm om ni är redo för prediktiv lead scoring

Innan du ens börjar titta på leverantörer behöver du göra en ärlig bedömning av hur redo ni är. Att starta ett projekt för prediktiv lead scoring utan rätt grund är som att bygga ett hus på sand. En grundlig genomgång av data, team och teknisk infrastruktur är ett nödvändigt första steg.

Er viktigaste tillgång är historisk data. En AI-modell lär sig av tidigare framgångar och misslyckanden. Utan tillräckligt med data har den inget att lära sig av.

Microsoft kräver till exempel minst 40 kvalificerade och 40 diskvalificerade leads från de senaste två åren bara för att träna en modell för Dynamics 365. Mer data är alltid bättre.

Det är lika viktigt att informationen är korrekt och strukturerad. Därför behöver ni granska datakvaliteten. Hitta och åtgärda ofullständiga poster, dubbletter och inkonsekvent formatering i ert CRM. Utan den upprensningen går det inte att lita på modellens prognoser.

Använd checklistan för att se om ni är redo: * Tillräckligt med data: Har ni hundratals, helst tusentals, historiska leads med tydliga utfall (till exempel konverterade eller diskvalificerade) registrerade i ert CRM? * Korrekt och tillgänglig data: Är informationen i ert CRM välskött och lätt att komma åt? Kan ni faktiskt hämta uppgifter om leadkälla, demografi och engagemangshistorik?

* Tydliga definitioner av leads: Har sälj- och marknadsteamen formellt enats om vad som gör ett lead "kvalificerat" eller "diskvalificerat"? Den definitionen blir facit för hela modellen. * Stöd från ledning och team: Finns ett genuint stöd för projektet hos ledningen för både sälj och marknad?

Båda teamen måste vara med från första dagen.

I våra senaste dussinet projekt inom marknadsanalys var relationen mellan sälj och marknad *innan* projektet startade den tydligaste framgångsfaktorn. Team som redan kommunicerade öppet kunde enkelt sätta mål och skapa rutiner för återkoppling. I team där det redan fanns friktion stannade projekten nästan alltid av.

Steg 2: Så inför du en modell för prediktiv lead scoring

När du har bekräftat att ni är redo kan arbetet börja. AI-tekniken bakom kan vara komplex, men stegen för att bygga och driftsätta en modell för prediktiv lead scoring är logiska och tydliga. Tänk recept snarare än magi: samla ingredienserna, förbered dem, tillaga och servera.

Processen har fyra huvudsteg: samla in data, rensa data, bygga modellen och poängsätta leads. Målet är en prediktiv modell som lär sig vad som kännetecknar ett bra lead för just ert företag.

Så här går det till, steg för steg:

1. Samla in och sammanställ data: Börja med att samla all information som kan tyda på köpintresse. Det är mer än du kanske tror. Ta med beteendedata (webbplatsbesök, klick i mejl, nedladdat innehåll), demografiska och firmografiska uppgifter (jobbtitel, bransch, företagsstorlek) samt historiska CRM-data som visar vilka leads som blev vunna affärer.
2. Rensa och förbered data: Hantera saknade värden, rätta till inkonsekvenser och formatera informationen för modellen. Du kan till exempel slå ihop "VP", "Vice President" och "V.P." till en enda jobbtitel: "VP". Den här rensningen är avgörande för träffsäkerheten.
3. Bygg och träna modellen: Nu gör AI-tekniken sitt jobb. Algoritmer som logistisk regression och random forest analyserar den förberedda historiska datan. Modellen går igenom hundratals egenskaper för att hitta mönster och statistiska samband med konvertering som inte är uppenbara vid första anblick. Den hittar ledtrådar du inte visste fanns.
4. Validera och driftsätt modellen: Innan modellen tas i bruk testar du den mot data som den aldrig tidigare har sett för att kontrollera prognosförmågan. När den har validerats driftsätter du den. Då använder modellen det den har lärt sig för att poängsätta nya leads i realtid.

Hela flödet kan visas som en löpande cykel, eftersom modellen aldrig slutar lära sig.

AI is the new electricity. Just as electricity transformed almost everything 100 years ago, today I actually have a hard time thinking of an industry that I don’t think AI will transform in the next several years." Andrew Ng, [Stanford Graduate School of Business](https://www.gsb.stanford.edu/insights/andrew

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

Förmågan att lära sig är det som gör prediktiva modeller så kraftfulla. När nya uppgifter om hur det gick för ett lead blir tillgängliga, till exempel att det blev kund eller diskvalificerades av säljteamet, matas de tillbaka in i systemet. Modellen kan då fortlöpande anpassa sin poängsättning när marknaden, produkten eller kundprofilen förändras.

Det gör att träffsäkerheten kan förbättras över tid.

Steg 3: Omsätt poängen i handling och mät avkastningen

En prediktiv poäng är bara en siffra. Den skapar värde först när den leder till en konkret åtgärd som förbättrar säljprocessen. Att införa prediktiv lead scoring utan automatiserade arbetsflöden är som att köpa en tävlingsbil och låta den stå kvar i garaget.

Målet är ett system som automatiskt hanterar leads olika beroende på deras poäng. Alla leads är inte lika intressanta, så uppföljningen bör inte heller vara likadan. Det kräver en nära integration mellan poängsättningssystemet och ert CRM eller er plattform för marknadsautomatisering.

En praktisk modell för fördelning använder tre prioriteringsnivåer: * Nivå 1: Leads med höga poäng (klass A): Det här är era hetaste potentiella kunder. Ett effektivt arbetsflöde skickar dem direkt till en säljare för omedelbar uppföljning, ofta inom några minuter. Vi skickar även aviseringar i realtid med uppgifter om leadet till en särskild Slack-kanal för säljteamet.

Här är snabbheten avgörande. * Nivå 2: Leads med medelhöga poäng (klass B): De här leadsen verkar lovande, men är ännu inte riktigt redo för ett säljsamtal.

De bör automatiskt läggas till i riktade mejlflöden som tar upp deras sannolika intressen och utmaningar. Målet är att öka engagemanget och höja deras poäng. * Nivå 3: Leads med låga poäng (klass C/D): De här leadsen passar inte just nu.

Att jaga dem slösar bort säljteamets dyrbara tid. Lägg dem i stället i ett långsiktigt nyhetsbrevsflöde med få utskick, eller diskvalificera dem för att hålla den aktiva säljpipelinen relevant.

En kombination av AI och enkla regler är ofta mycket effektiv. Du kan komplettera den AI-genererade poängen med traditionella filter, till exempel en markering när ett lead besöker prissidan. Då får du både intelligent automatisering och direkt kontroll.

Ett lead med hög poäng som *dessutom* besöker prissidan kan till exempel utlösa en omedelbar avisering med hög prioritet till kundansvarig.

Här är ett exempel på en JSON-payload som kan skickas till en Slack-webhook när ett lead i klass A identifieras:

{
 "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"
 }
 ]
 }
 ]
}

Slutligen behöver ni en tydlig rutin för återkoppling. Det kan vara så enkelt som att en säljare i ert CRM kan markera ett lead som "Låg kvalitet", även om det har fått en hög poäng.

Den återkopplingen är den mest värdefulla information ni kan samla in efter lanseringen. Den ger modellen nya faktiska utfall att lära sig av, så att den kan rätta sina misstag och förbättra träffsäkerheten i hela det prediktiva systemet på sikt.