Leadscoring baseret på kendetegn og adfærd er en opgave, der egner sig godt til AI, forudsat at to betingelser er opfyldt: en valideret scoringsmodel og tilstrækkelig historisk data at træne på. Uden disse to er opgaven ikke pålideligt at overtage, uanset hvor tillokkende det lyder. Det AI i dag kan klare, er en agent: et system, der løbende vurderer, scorer og videresender leads til salg eller marketing-automatisering, uden at et menneske skal gennemgå hver lead enkeltvis.
Leads kommer ind med et fast sæt kendetegn: virksomhedsstørrelse, funktion, oprindelse, klikadfærd, formularindtastning, besøgsfrekvens. Det er strukturerede data, der allerede ligger pænt registreret i et CRM- eller marketing-automationssystem. En AI-model kan kombinere disse kendetegn og tildele en score baseret på mønstre fra fortiden: hvilke kombinationer af kendetegn og adfærd førte tidligere til en aftale. Det er præcis den type opgave, som machine learning er bygget til. Sammenlign det med en opgave, hvor nogen selv skal fortolke en historie eller vurdere en unik samtale — det kræver en anden slags bedømmelse, og det er ikke, hvad leadscoring er.
Ved hundredvis eller tusindvis af leads om måneden er manuel vurdering ikke til at holde til, og det er præcis her, automatisering beviser sin værdi. En marketingmedarbejder, der manuelt skal gennemgå hver lead ud fra ti kendetegn, mister tid, der ikke opvejer gevinsten. En model, der scorer konsekvent og lynhurtigt, uanset antallet af leads, ændrer det regnestykke fuldstændigt. Hos en virksomhed med kun en håndfuld leads om ugen ser det anderledes ud: her er gevinsten ved automatisering mindre, og menneskelig vurdering er ofte lige så hurtig. Denne forskel i volumen er præcis grunden til, at samme arbejde falder anderledes ud hos den ene virksomhed end hos den anden.
En forkert scoret lead er ikke en katastrofe, men heller ikke gratis. Hvis en lovende lead scorer for lavt, kan salg misse den, og der går omsætning tabt. Scorer en middelmådig lead for højt, spilder salg tid på en samtale, der ikke fører nogen vegne. Det er ærgerligt, men som regel til at rette op på: den næste score eller det næste kontaktpunkt korrigerer billedet. Det er anderledes end for eksempel en finansiel ændring, der ikke registreres korrekt, hvor fejlomkostningerne ligger betydeligt højere — som det ses ved spørgsmålet om, hvorvidt AI kan føre revisionslogbogen over finansielle ændringer. Ved leadscoring er scoren et hjælpemiddel, ikke en endelig dom, og det gør fejlomkostningerne til at bære.
Skønsrummet ligger på en mellemværdi, fordi en score ganske vist beregnes efter faste regler, men fortolkningen — hvor meget vægt en score får i den endelige opfølgning — ofte stadig ligger hos et menneske. Kundekontakt scorer relativt gunstigt for automatisering, fordi selve scoringen finder sted, før der reelt er kontakt: AI'en vurderer adfærd og kendetegn, ikke en samtale. Compliance får en mellemposition, fordi personoplysninger og adfærdsdata falder ind under GDPR; hvordan en organisation indsamler og scorer leaddata, skal overholde disse regler, og det er et andet spørgsmål end den tekniske gennemførlighed af selve scoringen.
Ovenstående resultat gælder ikke automatisk for enhver organisation. En virksomhed, der lige er begyndt med leadgenerering, har ganske enkelt ikke nok historiske konverteringsdata til at træne en model — så forbliver klassificering foreløbig menneskearbejde, eller en simpel pointoptælling uden AI. En virksomhed med en stærkt varierende målgruppe, hvor kendetegnene for en god lead i år er anderledes end sidste år, skal revidere og validere sin model oftere end en virksomhed med et stabilt marked. Og en organisation, hvor leads næsten altid kommer ind via én kanal, med lidt variation i adfærd, har enklere data at træne på end en virksomhed med ti forskellige tilstrømningskanaler. Det er præcis derfor, en score som "agent" er en indikation for opgaven i almindelighed, ikke en garanti for jeres situation — se også hvad en bandbredde siger, og hvad den ikke siger.
Dette resultat siger noget om opgaven leadscoring, ikke om rollen som marketingmedarbejder eller salgsmedarbejder som helhed. Disse roller indeholder som regel meget mere end blot scoring: opfølgning, samtaleførelse, strategi, kunderelation. Beslutninger om personale og indsats falder ind under egne lovmæssige krav og hører ikke til en opgavevurdering som denne. Vi regner derfor hellere i frigjorte timer end i stillinger, og forklarer hvorfor vi regner i timer og ikke i mennesker.
Vil I vide, hvor mange af timerne i jeres egen profil berører opgaver som denne? Den gratis quickscan fra ftetoai består af tolv spørgsmål, kræver ingen konto og giver en indikation af, hvor stor en del af jeres opgaver der i dag kan overtages af AI. Den fulde arbejdsscan, der går dybere ind i jeres egne processer, er stadig under udvikling — den tilbyder vi derfor endnu ikke her, men quickscanen giver allerede nu en første retning.
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.