Ocena leadów na podstawie cech i zachowań to zadanie, które dobrze nadaje się do AI, o ile spełnione są dwa warunki: zwalidowany model scoringowy oraz wystarczające dane historyczne do trenowania. Bez tych dwóch elementów zadania nie można wiarygodnie przejąć, jakkolwiek atrakcyjnie by to nie brzmiało. Co AI może dziś obsłużyć, to agent: system, który stale ocenia leady, przypisuje im wynik i przekazuje je do sprzedaży lub automatyzacji marketingu, bez konieczności ręcznego przeglądania każdego leadu przez człowieka.
Leady napływają z ustalonym zestawem cech: wielkość firmy, funkcja, źródło, zachowanie w zakresie kliknięć, dane z formularzy, częstotliwość wizyt. To ustrukturyzowane dane, które są już porządnie zapisane w CRM lub systemie automatyzacji marketingu. Model AI może połączyć te cechy i przypisać wynik na podstawie wzorców z przeszłości: jakie kombinacje cech i zachowań prowadziły wcześniej do zamknięcia transakcji. To dokładnie ten typ zadania, dla którego zbudowano uczenie maszynowe. Porównajcie to z zadaniem, w którym ktoś musi samodzielnie interpretować historię lub ocenić unikalną rozmowę — to wymaga innego rodzaju oceny, a to nie jest to, czym jest lead scoring.
Przy setkach lub tysiącach leadów miesięcznie ręczna ocena jest niemożliwa do utrzymania, i to jest właśnie miejsce, w którym automatyzacja pokazuje swoją wartość. Marketer, który musi ręcznie przejrzeć każdy lead pod kątem dziesięciu cech, traci czas, który nie równoważy się z zyskiem. Model, który ocenia konsekwentnie i błyskawicznie, niezależnie od liczby leadów, całkowicie zmienia ten rachunek. W firmie z zaledwie kilkoma leadami tygodniowo sytuacja jest inna: wtedy zysk z automatyzacji jest mniejszy, a ocena przez człowieka jest często równie szybka. Ta różnica w wolumenie jest właśnie powodem, dla którego ta sama praca w jednej firmie wypada inaczej niż w innej.
Błędnie oceniony lead to nie katastrofa, ale też nie jest bezpłatny. Jeśli obiecujący lead otrzyma zbyt niski wynik, sprzedaż może go przegapić i przychód zostaje utracony. Jeśli przeciętny lead otrzyma zbyt wysoki wynik, sprzedaż traci czas na rozmowę, która do niczego nie prowadzi. To jest uciążliwe, ale zwykle odwracalne: następny wynik lub następny kontakt koryguje obraz. To różni się na przykład od zmiany finansowej, która nie zostaje prawidłowo zarejestrowana, gdzie koszt błędu jest znacznie wyższy — jak widać przy pytaniu, czy AI może prowadzić dziennik audytowy zmian finansowych. W przypadku lead scoringu wynik jest narzędziem pomocniczym, a nie ostatecznym wyrokiem, i to sprawia, że koszt błędu jest do zniesienia.
Swoboda oceny ma wartość środkową, ponieważ wynik jest wprawdzie obliczany według ustalonych zasad, ale interpretacja — jaką wagę wynik otrzymuje w ostatecznym dalszym działaniu — nadal często pozostaje w rękach człowieka. Kontakt z klientem wypada relatywnie korzystnie dla automatyzacji, ponieważ samo ocenianie odbywa się przed faktycznym kontaktem: AI ocenia zachowanie i cechy, nie rozmowę. Zgodność z przepisami otrzymuje pozycję środkową, ponieważ dane osobowe i dane behawioralne podlegają RODO; sposób, w jaki organizacja zbiera i ocenia dane leadów, musi być zgodny z tymi przepisami, a to jest inna kwestia niż techniczna wykonalność samego scoringu.
Wynik przedstawiony powyżej nie odnosi się automatycznie do każdej organizacji. Firma, która właśnie zaczyna generowanie leadów, po prostu nie ma wystarczających danych historycznych o konwersji, aby wytrenować model — wtedy klasyfikacja na razie pozostaje pracą ludzką lub prostym systemem punktowym bez AI. Firma z silnie zmieniającą się grupą docelową, w której cechy dobrego leadu są w tym roku inne niż w zeszłym, musi częściej rewidować i walidować swój model niż firma działająca na stabilnym rynku. A organizacja, w której leady napływają prawie zawsze przez jeden kanał, z niewielką zmiennością zachowań, ma prostsze dane do trenowania niż firma z dziesięcioma różnymi kanałami napływu. To jest właśnie powód, dla którego wynik taki jak „agent” jest wskazaniem dla zadania w ogólnym sensie, a nie gwarancją dla waszej sytuacji — zobaczcie także co mówi, a czego nie mówi przedział wartości.
Ten wynik mówi coś o zadaniu lead scoringu, nie o roli marketera lub pracownika sprzedaży jako całości. Te role zazwyczaj obejmują znacznie więcej niż tylko scoring: dalsze działania, prowadzenie rozmów, strategię, relacje z klientem. Decyzje dotyczące personelu i jego zatrudnienia podlegają własnym wymogom prawnym i nie są częścią oceny zadania takiej jak ta. Dlatego wolimy liczyć w uwolnionych godzinach niż w funkcjach, i wyjaśniamy, dlaczego liczymy w godzinach, a nie w ludziach.
Chcecie wiedzieć, ile godzin w waszym własnym profilu dotyczy zadań takich jak to? Bezpłatny quickscan ftetoai składa się z dwunastu pytań, nie wymaga konta i daje wskazanie, jaka część waszych zadań może być dziś przejęta przez AI. Pełny worskan, który głębiej analizuje wasze własne procesy, jest jeszcze w budowie — więc jeszcze go tutaj nie oferujemy, ale quickscan już teraz daje pierwszy kierunek.
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.