Evaluarea leadurilor pe baza caracteristicilor și comportamentului este o sarcină care se pretează bine la AI, cu condiția ca două cerințe să fie îndeplinite: un model de scoring validat și suficiente date istorice pentru a-l antrena. Fără aceste două condiții, sarcina nu poate fi preluată în mod fiabil, indiferent cât de atractiv sună. Ceea ce AI poate face astăzi în acest domeniu este un agent: un sistem care evaluează, notează și direcționează leadurile în mod continuu către vânzări sau automatizare de marketing, fără ca un om să analizeze fiecare lead individual.
Leadurile ajung cu un set fix de caracteristici: mărimea companiei, funcția, sursa, comportamentul de click, completarea formularelor, frecvența vizitelor. Acestea sunt date structurate care sunt deja înregistrate ordonat într-un CRM sau sistem de automatizare a marketingului. Un model AI poate combina aceste caracteristici și poate atribui un scor pe baza modelelor din trecut: ce combinații de caracteristici și comportament au condus anterior la o vânzare finalizată. Acesta este exact tipul de sarcină pentru care a fost construit machine learning. Comparați acest lucru cu o sarcină în care cineva trebuie să interpreteze singur o poveste sau să evalueze o conversație unică — aceasta necesită un alt tip de evaluare, și nu este ceea ce reprezintă evaluarea leadurilor.
În cazul a sute sau mii de leaduri pe lună, evaluarea manuală nu este sustenabilă, și exact aici automatizarea își demonstrează valoarea. Un marketer care trebuie să parcurgă manual fiecare lead pe baza a zece caracteristici pierde timp care nu se compensează prin beneficiu. Un model care evaluează consecvent și extrem de rapid, indiferent de numărul de leaduri, schimbă complet acest calcul. La o companie cu doar câteva leaduri pe săptămână, situația este diferită: beneficiul automatizării este mai mic și evaluarea umană este adesea la fel de rapidă. Această diferență de volum este exact motivul pentru care aceeași muncă are un rezultat diferit la o companie față de alta.
Un lead evaluat greșit nu este o catastrofă, dar nici nu este gratuit. Dacă un lead cu potențial ridicat primește un scor prea mic, vânzările îl pot rata și se pierde venit. Dacă un lead mediocru primește un scor prea mare, vânzările pierd timp cu o conversație care nu duce nicăieri. Acest lucru este neplăcut, dar de obicei reparabil: următorul scor sau următorul punct de contact corectează imaginea. Acest lucru diferă, de exemplu, de o modificare financiară care nu este înregistrată corect, unde costul erorilor este considerabil mai mare — precum se poate observa la întrebarea dacă AI poate ține evidența jurnalului de audit al modificărilor financiare. În cazul evaluării leadurilor, scorul este un instrument de ajutor, nu o decizie finală, și acest lucru face costul erorilor tolerabil.
Marja de apreciere are o valoare medie, pentru că un scor este calculat conform unor reguli fixe, dar interpretarea — cât de multă pondere primește un scor în urmărirea finală — rămâne adesea la latitudinea unui om. Contactul cu clienții obține un scor relativ favorabil pentru automatizare, deoarece evaluarea în sine are loc înainte de a exista un contact efectiv: AI evaluează comportamentul și caracteristicile, nu o conversație. Conformitatea obține o poziție medie pentru că datele personale și datele comportamentale sunt reglementate de GDPR; modul în care o organizație colectează și evaluează datele leadurilor trebuie să respecte aceste reguli, și aceasta este o problemă diferită de fezabilitatea tehnică a scoring-ului în sine.
Rezultatul de mai sus nu se aplică automat fiecărei organizații. O companie care abia începe cu generarea de leaduri nu are pur și simplu suficiente date istorice de conversie pentru a antrena un model — atunci clasificarea rămâne, pentru moment, o activitate manuală, sau un sistem simplu de puncte fără AI. O companie cu un public-țintă foarte variabil, la care caracteristicile unui lead bun în acest an diferă de cele din anul trecut, trebuie să își revizuiască și să își valideze modelul mai des decât o companie cu o piață stabilă. Și o organizație la care leadurile provin aproape întotdeauna printr-un singur canal, cu puțină variație în comportament, are date mai simple pentru antrenare decât o companie cu zece canale diferite de intrare. Acesta este exact motivul pentru care un scor precum „agent” reprezintă o indicație pentru sarcină în sens general, nu o garanție pentru situația dumneavoastră — vedeți și ce spune și ce nu spune o marjă.
Acest rezultat spune ceva despre sarcina de evaluare a leadurilor, nu despre rolul de marketer sau angajat în vânzări în ansamblu. Aceste roluri conțin de obicei mult mai mult decât doar scoring: urmărire, purtarea conversațiilor, strategie, relația cu clienții. Deciziile privind personalul și utilizarea acestuia se supun unor cerințe legale proprii și nu fac parte dintr-o evaluare a sarcinilor precum aceasta. De aceea preferăm să calculăm în ore eliberate decât în funcții, și explicăm de ce calculăm în ore și nu în persoane.
Doriți să știți câte din orele din propriul dumneavoastră profil sunt legate de sarcini ca aceasta? Quickscan-ul gratuit de la ftetoai constă din douăsprezece întrebări, nu necesită cont, și oferă o indicație privind ce parte din sarcinile dumneavoastră poate fi preluată astăzi de AI. Scanarea completă a activității, care analizează mai profund propriile dumneavoastră procese, este încă în construcție — așadar nu o oferim încă aici, dar quickscan-ul oferă deja o primă direcție.
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.