Η βαθμολόγηση leads βάσει χαρακτηριστικών και συμπεριφοράς είναι μια εργασία που προσφέρεται καλά για AI, εφόσον πληρούνται δύο προϋποθέσεις: ένα επικυρωμένο μοντέλο βαθμολόγησης και αρκετά ιστορικά δεδομένα για εκπαίδευση. Χωρίς αυτά τα δύο, η εργασία δεν μπορεί να αναληφθεί με αξιοπιστία, όσο ελκυστικό κι αν ακούγεται. Αυτό που η AI μπορεί να διαχειριστεί σήμερα είναι ένας agent: ένα σύστημα που αξιολογεί, βαθμολογεί και προωθεί leads συνεχώς προς τις πωλήσεις ή την αυτοματοποίηση μάρκετινγκ, χωρίς να χρειάζεται ένας άνθρωπος να εξετάζει κάθε lead ξεχωριστά.
Τα leads έρχονται με ένα σταθερό σύνολο χαρακτηριστικών: μέγεθος εταιρείας, θέση εργασίας, προέλευση, συμπεριφορά κλικ, στοιχεία φόρμας, συχνότητα επισκέψεων. Πρόκειται για δομημένα δεδομένα που είναι ήδη τακτοποιημένα σε ένα CRM ή σύστημα αυτοματοποίησης μάρκετινγκ. Ένα μοντέλο AI μπορεί να συνδυάσει αυτά τα χαρακτηριστικά και να αποδώσει μια βαθμολογία βάσει προτύπων από το παρελθόν: ποιοι συνδυασμοί χαρακτηριστικών και συμπεριφοράς οδήγησαν παλαιότερα σε συμφωνία. Αυτός είναι ακριβώς ο τύπος εργασίας για τον οποίο έχει σχεδιαστεί η μηχανική μάθηση. Συγκρίνετε αυτό με μια εργασία όπου κάποιος πρέπει να ερμηνεύσει μια αφήγηση ή να αξιολογήσει μια μοναδική συζήτηση — αυτό απαιτεί άλλο είδος κρίσης, και δεν είναι αυτό που είναι η βαθμολόγηση leads.
Με εκατοντάδες ή χιλιάδες leads τον μήνα, η χειροκίνητη αξιολόγηση δεν είναι βιώσιμη, και εκεί ακριβώς η αυτοματοποίηση αποδεικνύει την αξία της. Ένας υπεύθυνος μάρκετινγκ που πρέπει να εξετάσει χειροκίνητα κάθε lead ως προς δέκα χαρακτηριστικά χάνει χρόνο που δεν αντισταθμίζεται από το κέρδος. Ένα μοντέλο που βαθμολογεί με συνέπεια και εξαιρετική ταχύτητα, ανεξάρτητα από τον αριθμό των leads, αλλάζει εντελώς αυτόν τον υπολογισμό. Σε μια εταιρεία με μόνο μια χούφτα leads την εβδομάδα, η κατάσταση είναι διαφορετική: εκεί το κέρδος από την αυτοματοποίηση είναι μικρότερο και η ανθρώπινη αξιολόγηση είναι συχνά εξίσου γρήγορη. Αυτή η διαφορά στον όγκο είναι ακριβώς ο λόγος για τον οποίο η ίδια εργασία καταλήγει διαφορετικά σε μια εταιρεία απ' ό,τι σε μια άλλη.
Ένα λανθασμένα βαθμολογημένο lead δεν είναι καταστροφή, αλλά ούτε και χωρίς κόστος. Αν ένα υποσχόμενο lead βαθμολογηθεί πολύ χαμηλά, οι πωλήσεις μπορεί να το χάσουν και χάνονται έσοδα. Αν ένα μέτριο lead βαθμολογηθεί πολύ υψηλά, οι πωλήσεις σπαταλούν χρόνο σε μια συζήτηση που δεν οδηγεί πουθενά. Αυτό είναι ενοχλητικό, αλλά συνήθως αναστρέψιμο: η επόμενη βαθμολόγηση ή η επόμενη επαφή διορθώνει την εικόνα. Αυτό διαφέρει, για παράδειγμα, από μια οικονομική αλλαγή που δεν καταγράφεται σωστά, όπου το κόστος σφάλματος είναι σημαντικά υψηλότερο — όπως φαίνεται στο ερώτημα αν η AI μπορεί να τηρεί το αρχείο ελέγχου οικονομικών αλλαγών. Στη βαθμολόγηση leads, η βαθμολογία είναι ένα εργαλείο, όχι μια τελική κρίση, και αυτό κάνει το κόστος σφάλματος διαχειρίσιμο.
Το περιθώριο κρίσης βρίσκεται σε ενδιάμεση τιμή επειδή μια βαθμολογία μεν υπολογίζεται με σταθερούς κανόνες, αλλά η ερμηνεία της — πόσο βάρος λαμβάνει μια βαθμολογία στην τελική παρακολούθηση — συχνά παραμένει στον άνθρωπο. Η επαφή με τον πελάτη βαθμολογείται σχετικά ευνοϊκά για αυτοματοποίηση, επειδή η ίδια η βαθμολόγηση γίνεται πριν υπάρξει πραγματική επαφή: η AI αξιολογεί συμπεριφορά και χαρακτηριστικά, όχι μια συζήτηση. Η συμμόρφωση παίρνει μια ενδιάμεση θέση επειδή τα προσωπικά δεδομένα και τα δεδομένα συμπεριφοράς εμπίπτουν στον ΓΚΠΔ· ο τρόπος με τον οποίο ένας οργανισμός συλλέγει και βαθμολογεί δεδομένα leads πρέπει να συμμορφώνεται με αυτούς τους κανόνες, κάτι που είναι διαφορετικό ζήτημα από την τεχνική εφικτότητα της ίδιας της βαθμολόγησης.
Το παραπάνω συμπέρασμα δεν ισχύει αυτόματα για κάθε οργανισμό. Μια εταιρεία που μόλις ξεκινά με τη δημιουργία leads απλώς δεν διαθέτει αρκετά ιστορικά δεδομένα μετατροπών για να εκπαιδεύσει ένα μοντέλο — τότε η κατηγοριοποίηση παραμένει προς το παρόν ανθρώπινη εργασία, ή μια απλή βαθμολόγηση με πόντους χωρίς AI. Μια εταιρεία με έντονα μεταβαλλόμενο κοινό-στόχο, όπου τα χαρακτηριστικά ενός καλού lead φέτος διαφέρουν από πέρυσι, πρέπει να αναθεωρεί και να επικυρώνει το μοντέλο της πιο συχνά από μια εταιρεία με σταθερή αγορά. Και ένας οργανισμός όπου τα leads έρχονται σχεδόν πάντα μέσω ενός καναλιού, με μικρή διακύμανση στη συμπεριφορά, διαθέτει απλούστερα δεδομένα για εκπαίδευση από μια εταιρεία με δέκα διαφορετικά κανάλια εισροής. Αυτός είναι ακριβώς ο λόγος για τον οποίο μια βαθμολογία ως «agent» αποτελεί ένδειξη για την εργασία γενικά, όχι εγγύηση για τη δική σας κατάσταση — δείτε επίσης τι λέει και τι δεν λέει ένα εύρος.
Αυτό το συμπέρασμα αφορά την εργασία της βαθμολόγησης leads, όχι τον ρόλο του υπευθύνου μάρκετινγκ ή του υπαλλήλου πωλήσεων στο σύνολό του. Αυτοί οι ρόλοι περιλαμβάνουν συνήθως πολύ περισσότερα από απλή βαθμολόγηση: παρακολούθηση, διεξαγωγή συζητήσεων, στρατηγική, σχέση με τον πελάτη. Οι αποφάσεις σχετικά με το προσωπικό και την απασχόληση υπόκεινται σε δικές τους νομικές απαιτήσεις και δεν εμπίπτουν σε μια αξιολόγηση εργασιών όπως αυτή. Γι' αυτό προτιμούμε να υπολογίζουμε σε ελευθερωμένες ώρες παρά σε θέσεις εργασίας, και εξηγούμε γιατί υπολογίζουμε σε ώρες και όχι σε ανθρώπους.
Θέλετε να μάθετε πόσες από τις ώρες στο δικό σας προφίλ αφορούν εργασίες σαν αυτή; Η δωρεάν γρήγορη σάρωση (quickscan) της ftetoai αποτελείται από δώδεκα ερωτήσεις, δεν απαιτεί λογαριασμό, και δίνει μια ένδειξη για το ποιο μέρος των εργασιών σας μπορεί σήμερα να αναληφθεί από AI. Η πλήρης σάρωση εργασιών, που εμβαθύνει περισσότερο στις δικές σας διαδικασίες, βρίσκεται ακόμη υπό κατασκευή — δεν την προσφέρουμε ακόμη εδώ, αλλά η γρήγορη σάρωση δίνει ήδη μια πρώτη κατεύθυνση.
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.