Potencialių klientų vertinimas pagal požymius ir elgesį yra užduotis, kuri gerai tinka DI, jei įvykdomos dvi sąlygos: validuotas vertinimo modelis ir pakankamai istorinių duomenų, kuriais galima apmokyti modelį. Be šių dviejų sąlygų šios užduoties patikimai perimti negalima, kaip patraukliai tai beskambėtų. Tai, ką DI šiandien gali padaryti, yra agentas: sistema, kuri nuolat vertina, įvertina balais ir perduoda potencialius klientus pardavimams arba rinkodaros automatizavimui, be to, kad žmogus atskirai peržiūrėtų kiekvieną potencialų klientą.
Potencialūs klientai ateina su fiksuotu požymių rinkiniu: įmonės dydžiu, pareigomis, kilme, paspaudimų elgsena, formos duomenimis, apsilankymų dažniu. Tai struktūrizuoti duomenys, kurie CRM arba rinkodaros automatizavimo sistemoje jau yra tvarkingai užfiksuoti. DI modelis gali sujungti šiuos požymius ir priskirti balą pagal ankstesnius modelius: kokios požymių ir elgsenos kombinacijos anksčiau lėmė sandorį. Tai lygiai tokio tipo užduotis, kuriai machine learning yra sukurtas. Palyginkite tai su užduotimi, kurioje kažkas pats turi interpretuoti pasakojimą arba įvertinti unikalų pokalbį — tam reikia kitokio pobūdžio vertinimo, o tai nėra tai, kas yra potencialių klientų vertinimas.
Kai per mėnesį atkeliauja šimtai ar tūkstančiai potencialių klientų, rankinis vertinimas tampa nepakeliamas, ir tai yra tiksliai ta vieta, kur automatizavimas parodo savo vertę. Rinkodaros specialistas, kuris turi rankiniu būdu peržiūrėti kiekvieną potencialų klientą pagal dešimt požymių, praranda laiką, kuris nekompensuoja gaunamos naudos. Modelis, kuris nuosekliai ir itin greitai vertina, nepaisant potencialių klientų skaičiaus, visiškai pakeičia šią skaičiavimo lygtį. Įmonėje, kurioje per savaitę atkeliauja vos kelios potencialių klientų užklausos, situacija kitokia: tada automatizavimo nauda mažesnė, o žmogaus vertinimas dažnai yra tiek pat greitas. Šis apimties skirtumas yra tiksliai priežastis, kodėl tas pats darbas vienoje įmonėje pasireiškia kitaip nei kitoje.
Neteisingai įvertintas potencialus klientas nėra katastrofa, bet nėra ir be jokios kainos. Jei perspektyvus potencialus klientas gauna per mažą balą, pardavimai gali jį praleisti ir prarasti apyvartą. Jei vidutiniškas potencialus klientas gauna per didelį balą, pardavimai sugaišta laiką pokalbiui, kuris niekur neveda. Tai nemalonu, bet dažniausiai pataisoma: kitas įvertinimas ar kitas kontaktas taiso vaizdą. Tai skiriasi, pavyzdžiui, nuo finansinio pakeitimo, kuris neįrašomas teisingai — tokiu atveju klaidų kaina yra kur kas didesnė, kaip matyti klausime, ar DI gali tvarkyti finansinių pakeitimų audito žurnalą. Vertinant potencialius klientus, balas yra pagalbinis įrankis, o ne galutinis sprendimas, ir tai daro klaidų kainą pakenčiamą.
Sprendimo laisvė vertinama vidutiniškai, nes balas apskaičiuojamas pagal nustatytas taisykles, bet interpretacija — kiek svorio balas gauna galutiniame tolesniame veiksme — dažnai vis dar priklauso žmogui. Klientų ryšiai vertinami palyginti palankiai automatizavimo atveju, nes patį vertinimą atliekamas prieš faktinį kontaktą: DI vertina elgesį ir požymius, ne pokalbį. Atitiktis užima vidurinę padėtį, nes asmens duomenys ir elgsenos duomenys patenka į BDAR taikymo sritį; kaip organizacija renka ir vertina potencialių klientų duomenis, turi atitikti šias taisykles, ir tai yra kitas klausimas nei paties vertinimo techninis įgyvendinamumas.
Aukščiau pateiktas rezultatas nebūtinai taikomas kiekvienai organizacijai automatiškai. Įmonė, kuri tik pradeda potencialių klientų generavimą, tiesiog neturi pakankamai istorinių konversijos duomenų modeliui apmokyti — tada klasifikavimas kol kas išlieka žmogaus darbu arba paprastu balų skaičiavimu be DI. Įmonė su itin kintančia tikslinę auditorija, kur geros potencialaus kliento požymiai šiais metais skiriasi nuo pernykščių, turi peržiūrėti ir validuoti savo modelį dažniau nei įmonė su stabilia rinka. O organizacija, kurioje potencialūs klientai beveik visada atkeliauja per vieną kanalą su mažai elgsenos variacijos, turi paprastesnius duomenis modeliui apmokyti nei įmonė su dešimt skirtingų srautų kanalų. Tai tiksliai priežastis, kodėl balas kaip „agentas“ yra bendro pobūdžio užduoties indikacija, o ne garantija jūsų konkrečiai situacijai — žr. taip pat ką intervalas parodo, o ko ne.
Šis rezultatas kalba apie potencialių klientų vertinimo užduotį, o ne apie rinkodaros specialisto ar pardavimų darbuotojo vaidmenį kaip visumą. Šie vaidmenys paprastai apima daug daugiau nei vien vertinimą: tolesnius veiksmus, pokalbių valdymą, strategiją, klientų ryšius. Sprendimai dėl personalo ir jo panaudojimo priklauso savoms teisinėms prielaidoms ir nėra šios užduoties vertinimo dalis. Todėl mums labiau patinka skaičiuoti atlaisvintomis valandomis, ne pareigybėmis, ir paaiškiname, kodėl skaičiuojame valandomis, o ne žmonėmis.
Ar norite žinoti, kiek valandų jūsų pačių profilyje susiję su tokiomis užduotimis? Nemokamą ftetoai greitąją apžvalgą sudaro dvylika klausimų, jai nereikia paskyros, ir ji parodo indikaciją, kokią dalį jūsų užduočių šiandien galima perduoti DI. Išsamesnė darbo apžvalga, kuri giliau analizuoja jūsų pačių procesus, kol kas kuriama — jos čia dar nepasiūlome, tačiau greitoji apžvalga jau dabar suteikia pirmą orientaciją.
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.