Оценяването на потенциални клиенти на база характеристики и поведение е задача, която се поддава добре на AI, при условие че са изпълнени две предпоставки: валидиран модел за оценка и достатъчно исторически данни, върху които да се обучи. Без тези две неща задачата не може да бъде поета надеждно, колкото и привлекателно да звучи. Това, което AI може днес, е агент: система, която оценява потенциалните клиенти непрекъснато, дава им резултат и ги насочва към продажби или автоматизация на маркетинга, без човек да разглежда всеки лийд поотделно.
Потенциалните клиенти постъпват с фиксиран набор от характеристики: размер на компанията, длъжност, произход, поведение при кликане, попълване на формуляри, честота на посещения. Това са структурирани данни, които вече са подредени в CRM или система за автоматизация на маркетинга. AI модел може да комбинира тези характеристики и да присвои резултат на база на модели от миналото: кои комбинации от характеристики и поведение в миналото довеждаха до сделка. Това е точно типът задача, за която е изграден машинното обучение. Сравнете това със задача, при която някой сам трябва да интерпретира разказ или да оцени уникален разговор — това изисква друг вид преценка, и не това представлява оценяването на потенциални клиенти.
При стотици или хиляди потенциални клиенти на месец ръчната оценка не е издържима, и точно тук автоматизацията доказва стойността си. Маркетолог, който трябва да преглежда ръчно всеки лийд по десет характеристики, губи време, което не се компенсира от ползата. Модел, който оценява последователно и изключително бързо, независимо от броя лийдове, изцяло променя тази сметка. При компания с само няколкодесетина лийдове седмично нещата стоят по-различно: тогава ползата от автоматизацията е по-малка и човешката преценка често е също толкова бърза. Тази разлика в обема е точно причината, поради която една и съща работа при една компания се отразява различно, отколкото при друга.
Неправилно оценен лийд не е катастрофа, но не е и безплатно. Ако перспективен лийд получи твърде нисък резултат, продажбите могат да го пропуснат и се губи оборот. Ако среден лийд получи твърде висок резултат, продажбите губят време за разговор, който не води до нищо. Това е неприятно, но обикновено поправимо: следващата оценка или следващият контакт коригира картината. Това е различно от, например, финансова промяна, която не се записва правилно, където разходите за грешки са значително по-високи — както се вижда при въпроса дали AI може да поддържа дневника за одит на финансови промени. При оценяването на потенциални клиенти резултатът е помощно средство, а не крайна присъда, и това прави разходите за грешки поносими.
Пространството за преценка е на средно ниво, защото резултатът наистина се изчислява по фиксирани правила, но интерпретацията — колко тежест получава резултатът в крайното проследяване — често все още се определя от човек. Контактът с клиента се оценява относително благоприятно за автоматизация, защото самото оценяване се извършва преди да има действителен контакт: AI оценява поведение и характеристики, не разговор. Съответствието (compliance) получава средна позиция, защото личните данни и данните за поведение попадат под GDPR; начинът, по който организация събира и оценява данни за потенциални клиенти, трябва да отговаря на тези правила, а това е отделен въпрос от техническата възможност за самото оценяване.
Резултатът по-горе не се прилага автоматично за всяка организация. Компания, която тепърва започва с генериране на потенциални клиенти, просто няма достатъчно исторически данни за конверсии, за да обучи модел — тогава класификацията остава засега работа на хора, или проста точкова система без AI. Компания със силно променлива целева аудитория, при която характеристиките на добър лийд тази година се различават от миналата, трябва да преразглежда и валидира модела си по-често от компания със стабилен пазар. И организация, при която лийдовете почти винаги постъпват през един канал, с малко вариация в поведението, има по-лесни данни, върху които да се обучава, отколкото компания с десет различни входящи канали. Точно затова оценка като „агент“ е индикация за задачата като цяло, не гаранция за вашата ситуация — вижте също какво казва и какво не казва диапазонът.
Този резултат казва нещо за задачата оценяване на потенциални клиенти, не за ролята на маркетолог или служител по продажби като цяло. Тези роли обикновено съдържат много повече от само оценяване: проследяване, водене на разговори, стратегия, взаимоотношения с клиенти. Решенията относно персонал и назначаване попадат под собствени законови изисквания и не са част от оценка на задачи като тази. Затова предпочитаме да смятаме в освободени часове, а не в длъжности, и обясняваме защо смятаме в часове, а не в хора.
Искате ли да разберете колко от часовете във вашия собствен профил засягат задачи като тази? Безплатният quickscan на ftetoai се състои от дванадесет въпроса, не изисква регистрация и дава индикация коя част от вашите задачи днес може да бъде поета от AI. Пълният работен анализ, който навлиза по-дълбоко във вашите собствени процеси, все още е в разработка — затова засега не го предлагаме тук, но quickscan вече дава първоначална насока.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.