Leadscoring baserad på kännetecken och beteende är en uppgift som lämpar sig väl för AI, förutsatt att två villkor är uppfyllda: en validerad scoringmodell och tillräckligt med historisk data att träna på. Utan dessa två är uppgiften inte tillförlitlig att ta över, hur lockande det än låter. Vad AI klarar av idag är en agent: ett system som löpande bedömer, poängsätter och vidarebefordrar leads till sälj eller marketing-automation, utan att en människa granskar varje lead separat.
Leads kommer in med en fast uppsättning kännetecken: företagsstorlek, funktion, ursprung, klickbeteende, formulärinmatning, besöksfrekvens. Det är strukturerad data som redan finns snyggt registrerad i ett CRM- eller marketing-automation-system. En AI-modell kan kombinera dessa kännetecken och tilldela en poäng baserat på mönster från det förflutna: vilka kombinationer av kännetecken och beteende som tidigare ledde till en affär. Det är precis den typen av uppgift som maskininlärning är byggd för. Jämför det med en uppgift där någon själv måste tolka en berättelse eller bedöma ett unikt samtal — det kräver en annan typ av bedömning, och det är inte vad leadscoring handlar om.
Vid hundratals eller tusentals leads per månad är manuell bedömning inte hållbar, och det är precis där automatisering visar sitt värde. En marknadsförare som manuellt måste gå igenom varje lead utifrån tio kännetecken förlorar tid som inte uppväger vinsten. En modell som poängsätter konsekvent och blixtsnabbt, oavsett antalet leads, förändrar den kalkylen fullständigt. Hos ett företag med endast en handfull leads per vecka ser det annorlunda ut: då är vinsten av automatisering mindre och mänsklig bedömning ofta lika snabb. Denna skillnad i volym är precis anledningen till att samma arbete faller olika ut hos ett företag jämfört med ett annat.
En felaktigt poängsatt lead är ingen katastrof, men inte heller gratis. Om en lovande lead får för låg poäng kan säljaren missa den och intäkter går förlorade. Om en medelmåttig lead får för hög poäng slösar säljaren tid på ett samtal som inte leder någonstans. Det är irriterande, men oftast reparerbart: nästa poängsättning eller nästa kontakttillfälle korrigerar bilden. Det skiljer sig från exempelvis en finansiell ändring som inte registreras korrekt, där felkostnaderna är betydligt högre — som framgår av frågan om AI kan hålla revisionsloggen för finansiella ändringar uppdaterad. Vid leadscoring är poängen ett hjälpmedel, inte ett slutgiltigt omdöme, och det gör felkostnaderna hanterbara.
Bedömningsutrymmet hamnar på ett mellanvärde eftersom en poäng beräknas enligt fasta regler, men tolkningen — hur mycket vikt en poäng får i den slutliga uppföljningen — ofta fortfarande ligger hos en människa. Kundkontakt får relativt gynnsamma förutsättningar för automatisering, eftersom själva poängsättningen sker innan det faktiskt blir kontakt: AI:n bedömer beteende och kännetecken, inte ett samtal. Regelefterlevnad hamnar i en mellanposition eftersom personuppgifter och beteendedata omfattas av GDPR; hur en organisation samlar in och poängsätter leaddata måste följa dessa regler, och det är en annan fråga än den tekniska genomförbarheten av själva poängsättningen.
Slutsatsen ovan gäller inte automatiskt för varje organisation. Ett företag som just har börjat med leadgenerering har helt enkelt inte tillräckligt med historisk konverteringsdata för att träna en modell — då förblir klassificeringen tills vidare ett mänskligt arbete, eller en enkel poängräkning utan AI. Ett företag med en starkt varierande målgrupp, där kännetecknen för en bra lead i år skiljer sig från förra året, måste revidera och validera sin modell oftare än ett företag med en stabil marknad. Och en organisation där leads nästan alltid kommer in via en enda kanal, med lite variation i beteende, har enklare data att träna på än ett företag med tio olika inflödeskanaler. Det är precis därför en poäng som "agent" är en indikation för uppgiften i allmänhet, inte en garanti för er situation — se även vad en bandbredd säger och inte säger.
Denna slutsats säger något om uppgiften leadscoring, inte om rollen som marknadsförare eller säljmedarbetare som helhet. Dessa roller innehåller vanligtvis mycket mer än enbart poängsättning: uppföljning, samtalsföring, strategi, kundrelation. Beslut om personal och arbetsinsats faller under egna lagstadgade krav och hör inte hemma i en uppgiftsbedömning som denna. Vi räknar därför hellre i frigjorda timmar än i funktioner, och förklarar varför vi räknar i timmar och inte i människor.
Vill ni veta hur många av timmarna i er egen profil som berör uppgifter som denna? Den kostnadsfria snabbanalysen från ftetoai består av tolv frågor, kräver inget konto, och ger en indikation på vilken andel av era uppgifter som idag kan tas över av AI. Den fullständiga arbetsanalysen, som går djupare in på era egna processer, är fortfarande under uppbyggnad — den erbjuder vi alltså inte än, men snabbanalysen ger redan nu en första riktning.
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.