Lead scoring kisvállalatoknak: egyszerűen, táblázat nélkül

Lead scoring egyszerű dolog: a beérkező érdeklődőket egy szisztéma szerint rangsorolod, hogy tudd, melyikkel foglalkozz elsőként. Az AI ezt automatikusan végzi, nem táblázatkezelésben, hanem három egyértelmű jel alapján — viselkedés, illeszkedés, időzítés. A legtöbb kisvállalat ott bukik el, hogy túlbonyolítja: pontozási mátrixokat épít, amiket két hét múlva senki nem frissít. Ahol az AI-alapú scoring működik, ott egyszerű marad, és a rendszer maga tanulja meg, mi számít.

Mi az a lead scoring egy mondatban?

Lead scoring annyit jelent, hogy minden beérkező érdeklődőt egy pontszámmal jelölsz meg — mennyire valószínű, hogy ügyfél lesz belőle. A legegyszerűbb változat egy 0-10-es skála: 8 pont felett az értékesítő azonnal hív; 5-7 pont között emlékeztetők mennek ki, miközben a rendszer további információt gyűjt; 4 pont alatt a lead egy karbantartási listára kerül, ahonnan később még visszahozható. A pontszám három dologból áll össze: mit mondott magáról a lead (illeszkedés), mit tett az oldaladon (viselkedés), és hogy éppen döntési helyzetben van-e (időzítés).

A 3 jel, ami tényleg előrejelez

Viselkedés. Mit nézett meg a lead az oldaladon? Az árazási oldalt egyszer vagy ötször töltötte be? Egy blogcikket olvasott, vagy egy esettanulmányt? Letöltött valamit, visszatért másnap is? A viselkedés az érdeklődés komolyságát mutatja — aki kétszer visszatér az árazáshoz, nagyobb eséllyel konvertál, mint aki egy hirdetésből landolt egyetlen cikken.

Illeszkedés. Illik-e az ajánlatod az adott céghez? Egy 200 fős vállalatnak más megoldás kell, mint egy ötfős csapatnak. Egy e-kereskedelmi cég más problémákat old meg, mint egy szoftvercég. Az AI ezt az információt a kitöltött űrlapból építi fel: cégméret, iparág, terület — és idővel megtanulja, mely kombinációk vezettek eddig lezárt üzlethez.

Időzítés. A lead most keres megoldást, vagy csak tájékozódik? Aki most nézi végig alaposan az automatizációs oldaladat, nagyobb eséllyel van aktív problémája, mint aki fél éve lájkolt egy LinkedIn-posztot. Az időzítést az AI több jelből olvassa ki: megnézte-e az oldalt az elmúlt napokban, milyen gyorsan válaszolt egy emailre, hányszor tért vissza rövid időn belül.

A három jel külön-külön is informatív, de a valódi erejük az együttes súlyozásban van. Egy jól illeszkedő cég, amely csak egyszer nézett meg egy blogcikket, más kategóriába tartozik, mint egy kevésbé ideális méretű cég, amely háromszor visszatért az árazási oldalra, és 20 percen belül válaszolt egy emailre. A kézi pontozás ezt a fajta súlyozást ritkán képes következetesen elvégezni — az AI viszont pontosan ebben erős: minden leadnél ugyanazt a logikát alkalmazza, és nem befolyásolja, hogy melyik lead érkezett be épp egy hosszú nap végén.

Hogyan működik AI-val (a kézi pontozás helyett)

A kézi pontozás azon múlik, hogy az értékesítő megérzésből eldönti: „ez jó lead" vagy „ezzel nem érdemes foglalkozni". Ez szubjektív, és minden emberrel máshogy működik. Az AI ehelyett megnézi az összes korábbi leadet, és azt kérdezi: melyikekből lett ügyfél, és milyen jelek voltak közösek bennük? Ezt a mintát alkalmazza aztán az új érdeklődőkre.

Az első hónap tanulási időszak — a rendszernek még kevés a lezárt adata, ezért a pontozás inkább irányadó, mint pontos. Három hónap alatt jellemzően jelentősen javul a találati arány, ahogy egyre több lezárt (vagy elveszített) leadből tanul a modell. A végeredmény: az értékesítő mindig tudja, kire érdemes most rákattintania, és ez nem attól függ, kinek milyen napja van. A pontszám naponta frissül, ahogy új adat érkezik a lead viselkedéséről.

Fontos különbség a hagyományos, statikus pontrendszerekhez képest: azoknál valaki egyszer beállít egy szabályt (pl. „letöltötte az e-bookot = +3 pont"), és ezt a szabályt hónapokig senki nem vizsgálja felül, még akkor sem, ha közben kiderül, hogy az e-book letöltői ritkán válnak ügyféllé. Az AI-alapú modell folyamatosan újraértékeli, mely jelek jósolják be valóban a konverziót, és a súlyozást ennek megfelelően finomítja — a csapatnak nem kell manuálisan karbantartania a szabályrendszert.

Az első 30 nap: mit állíts be?

Három lépés az induláshoz. Először: definiáld a csatornákat. Honnan jönnek a leadek — weboldali űrlap, LinkedIn, email, telefon? Mindegyik más viselkedési mintát hoz, és a rendszernek ezt ismernie kell. Másodszor: kösd össze a CRM-eddel. Az AI-nak kétirányú hozzáférésre van szüksége — ha az értékesítő „lezárt"-ra állít egy leadet, a rendszernek ezt látnia és tanulnia kell belőle. Harmadszor: építs be egy rövid visszajelzési hurkot. Az első 1-2 hétben az értékesítő jegyzetelje, ha egy pontozás nem stimmelt („ez a lead nem volt komoly, mert…") — ebből tanul tovább a modell.

30 nap után már van elég adatod ahhoz, hogy lásd, működik-e a rendszer. Ha a 8 pont feletti leadek jelentősen nagyobb arányban konvertálnak, mint a 4 pont alattiak, a pontozás helyesen különít el. Ha a konverziós arány a két csoport között alig tér el, valamelyik beállítást — leggyakrabban a csatorna- vagy iparági súlyozást — érdemes újragondolni.

Egy gyakori hiba, hogy a cégek túl korán ítélik el a rendszert. Az első két hétben a pontozás még bizonytalan lehet, mert kevés a lezárt üzlet, amiből tanulni lehet — ez nem hiba, hanem az AI tanulási görbéje. Érdemesebb inkább a trendet nézni: hétről hétre javul-e a 8 pont feletti leadek konverziós aránya a 4 pont alattiakéhoz képest. Ha igen, a rendszer jó irányba tanul, még ha az abszolút pontosság még nem is tökéletes.

A scoring önmagában csak egy rangsor — az értéke akkor jelenik meg, amikor a CRM-ed automatikusan reagál is rá. Erről szól a CRM automatizáció alapok cikkünk, a leggyorsabban megtérülő lépésről pedig az AI follow-up írásunk.