Il leadscoring basato su caratteristiche e comportamento è un compito che si presta bene all'AI, a condizione che siano soddisfatte due condizioni: un modello di scoring validato e dati storici sufficienti su cui allenarsi. Senza questi due elementi, il compito non è affidabile da trasferire, per quanto attraente possa sembrare. Ciò che l'AI è oggi in grado di gestire è un agente: un sistema che valuta, assegna un punteggio e indirizza continuamente i lead verso il sales o l'automazione marketing, senza che una persona debba esaminare ogni lead singolarmente.
I lead arrivano con un pacchetto fisso di caratteristiche: dimensione dell'azienda, funzione, provenienza, comportamento di clic, dati inseriti nei form, frequenza di visita. Si tratta di dati strutturati già ordinatamente registrati in un CRM o in un sistema di marketing automation. Un modello AI può combinare queste caratteristiche e assegnare un punteggio in base a schemi ricavati dal passato: quali combinazioni di caratteristiche e comportamento hanno portato in precedenza a una vendita. È esattamente il tipo di compito per cui il machine learning è stato costruito. Confrontatelo con un compito in cui qualcuno deve interpretare autonomamente una storia o valutare una conversazione unica: questo richiede un tipo di giudizio diverso, e non è ciò di cui si occupa il leadscoring.
Con centinaia o migliaia di lead al mese, una valutazione manuale non è sostenibile, ed è esattamente lì che l'automazione dimostra il suo valore. Un marketer che deve esaminare manualmente ogni lead su dieci caratteristiche perde tempo che non è compensato dal guadagno. Un modello che assegna punteggi in modo coerente e rapidissimo, indipendentemente dal numero di lead, cambia completamente questo calcolo. In un'azienda con solo una manciata di lead alla settimana la situazione è diversa: lì il guadagno dell'automazione è minore e la valutazione umana è spesso altrettanto rapida. Questa differenza di volume è esattamente il motivo per cui lo stesso lavoro risulta diverso da un'azienda all'altra.
Un lead valutato in modo errato non è un disastro, ma non è nemmeno gratuito. Se un lead promettente ottiene un punteggio troppo basso, il sales può non accorgersene e si perde fatturato. Se un lead mediocre ottiene un punteggio troppo alto, il sales spreca tempo in una conversazione che non porta a nulla. È fastidioso, ma solitamente recuperabile: il punteggio successivo o il momento di contatto successivo corregge il quadro. Ciò è diverso, ad esempio, da una modifica finanziaria non registrata correttamente, dove il costo dell'errore è considerevolmente più alto — come si può vedere nella domanda se l'AI può tenere il registro di audit delle modifiche finanziarie. Nel leadscoring il punteggio è uno strumento di supporto, non un giudizio definitivo, e questo rende il costo dell'errore sostenibile.
Il margine di giudizio si colloca a un valore intermedio perché un punteggio viene sì calcolato secondo regole fisse, ma l'interpretazione — quanto peso un punteggio riceve nel follow-up finale — spesso resta ancora in mano a una persona. Il contatto con il cliente ottiene un punteggio relativamente favorevole per l'automazione, perché lo scoring stesso avviene prima che vi sia un contatto effettivo: l'AI valuta comportamento e caratteristiche, non una conversazione. La compliance ottiene una posizione intermedia perché i dati personali e i dati comportamentali rientrano nel GDPR; il modo in cui un'organizzazione raccoglie e valuta i dati dei lead deve rispettare queste regole, e questo è un tema diverso dalla fattibilità tecnica dello scoring in sé.
Il risultato descritto sopra non vale automaticamente per ogni organizzazione. Un'azienda che ha appena iniziato con la lead generation semplicemente non dispone di dati storici di conversione sufficienti per allenare un modello — in tal caso la classificazione rimane per il momento lavoro umano, oppure un semplice sistema di punteggio senza AI. Un'azienda con un pubblico target fortemente variabile, in cui le caratteristiche di un buon lead quest'anno sono diverse da quelle dell'anno scorso, deve rivedere e validare il proprio modello più spesso di un'azienda con un mercato stabile. E un'organizzazione in cui i lead arrivano quasi sempre tramite un unico canale, con poca variazione nel comportamento, dispone di dati più semplici su cui allenarsi rispetto a un'azienda con dieci canali di afflusso diversi. Questo è esattamente il motivo per cui un punteggio come "agente" è un'indicazione per il compito in senso generale, non una garanzia per la vostra situazione — si veda anche cosa dice e cosa non dice una banda di valori.
Questo risultato dice qualcosa sul compito di leadscoring, non sul ruolo del marketer o dell'addetto sales nel suo complesso. Questi ruoli comprendono generalmente molto più del solo scoring: follow-up, conduzione delle conversazioni, strategia, relazione con il cliente. Le decisioni riguardanti il personale e il suo impiego rientrano in requisiti legali propri e non fanno parte di una valutazione del compito come questa. Per questo preferiamo calcolare in ore liberate piuttosto che in funzioni, e spieghiamo perché calcoliamo in ore e non in persone.
Volete sapere quante delle ore nel vostro profilo specifico riguardano compiti come questo? Il quickscan gratuito di ftetoai consiste in dodici domande, non richiede un account, e fornisce un'indicazione di quale parte dei vostri compiti sia oggi trasferibile all'AI. La werkscan completa, che approfondisce i vostri processi specifici, è ancora in fase di sviluppo — quindi non la offriamo ancora qui, ma il quickscan offre già ora una prima indicazione.
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.