Penilaian Prospek untuk Prospek yang Ditangkap melalui Sembang: Model Berbeza daripada Prospek Borang

Apabila seseorang mengisi borang permintaan demo, anda tahu dengan tepat apa yang mereka mahu. Niatnya adalah eksplisit. Model pemarkahan boleh memberi wajaran yang berat kepada tindakan tunggal itu, menambah mata demografik, dan menghalakan prospek dengan sewajarnya.

Apabila seseorang memulakan perbualan sembang, isyarat niat adalah tersirat. Mereka mungkin pembeli yang bersedia untuk membeli, penyelidik yang mengumpul maklumat pesaing, pelanggan sokongan yang mengklik butang yang salah, atau pelajar yang menulis kertas kerja. Anda tidak tahu sehingga anda membaca apa yang mereka taip.

Masalahnya ialah kebanyakan model penilaian prospek dibina untuk tingkah laku borang. Mereka memberi ganjaran kepada tindakan eksplisit: penyerahan borang, muat turun kandungan, lawatan halaman harga. Mereka tidak mempunyai kerangka kerja untuk menilai apa yang seseorang katakan dalam perbualan. Penyelidikan Forrester mengenai penilaian prospek B2B mendapati bahawa syarikat dengan program penilaian prospek yang matang menjana volum prospek layak purata yang 192% lebih tinggi namun membelanjakan lebih sedikit sumber untuk prospek yang tidak layak.

Hasilnya: prospek sembang dihalakan ke dalam model pemarkahan yang sama seperti prospek borang, di mana mereka secara sistematik mendapat skor yang lebih rendah (tiada penyerahan borang = tiada peristiwa skor utama) dan kurang dilayani oleh jualan. Pasukan dengan sembang sebagai saluran tangkapan utama membiarkan isyarat niat terbiar. Sebelum pemarkahan boleh berfungsi, anda memerlukan data perbualan yang bersih dalam CRM anda, lihat Automasi Sembang ke CRM: Menghubungkan Respond.io dengan HubSpot jika bahagian tersebut belum tersedia.

Panduan ini memberi anda kerangka kerja yang konkrit untuk membina model pemarkahan berasingan untuk prospek yang ditangkap melalui sembang, satu yang menggunakan kandungan perbualan sebagai input utama.

Mengapa Model Pemarkahan Borang Gagal pada Prospek Sembang

Membantu untuk memahami dengan tepat di mana kegagalan berlaku sebelum anda membina semula.

Model pemarkahan berasaskan borang yang biasa memberi mata kira-kira seperti ini:

Prospek sembang yang mempunyai perbualan niat tinggi (bertanya tentang harga, menyebut pesaing secara nama, menerangkan kes penggunaan khusus, dan bertanya tentang garis masa pelaksanaan) mungkin mendapat sifar daripada peristiwa pemarkahan ini. Mereka tidak menghantar borang. Mereka mungkin tidak melawati halaman harga anda. Mereka mungkin belum membuka e-mel.

Di bawah model pemarkahan borang, pembeli yang berminat tinggi ini mendapat skor 15-25 mata (hanya isyarat firmografi jika anda memilikinya). Sementara itu, bakal pelanggan niat rendah yang menghantar borang muat turun kandungan mendapat skor 40+ tanpa menyatakan sebarang niat pembelian.

Model era borang memberi ganjaran kepada tindakan eksplisit. Prospek sembang berkomunikasi niat secara tersirat. Anda memerlukan model yang membaca apa yang mereka katakan.

Langkah 1: Audit Model Semasa Anda untuk Isyarat Andaian Borang

Sebelum membina model sembang, kenalpasti isyarat dalam model sedia ada anda yang mengandaikan tingkah laku berasaskan borang.

Isyarat andaian borang yang biasa yang tidak bermakna untuk prospek sembang:

Peristiwa penyerahan borang: Ini adalah titik jangkar kebanyakan model pemarkahan. Prospek sembang tidak akan pernah mencapai ini, mengikut definisi.

Penukaran halaman pendaratan: Prospek sembang sering memulakan perbualan terus dari widget sembang tanpa menukar pada halaman pendaratan.

Penglibatan e-mel: Prospek sembang baharu belum berada dalam sistem e-mel anda. Skor buka dan klik e-mel tidak terpakai.

Muat turun kandungan: Prospek sembang mungkin tidak berinteraksi sama sekali dengan aset kandungan anda.

Tiada satu pun daripada ini bermakna prospek sembang tidak boleh mempunyai niat yang tinggi. Ini bermakna model tidak dapat melihat niat mereka kerana ia melihat di tempat yang salah.

Audit memberitahu anda betapa besarnya jurang yang anda hadapi. Jika penyerahan borang bernilai 40-50 mata dalam model anda dan itu adalah tindakan niat tinggi utama, prospek sembang akan secara sistematik mendapat skor 40-50 mata di bawah tahap niat sebenar mereka.

Langkah 2: Tentukan Isyarat Niat Positif Khusus Sembang

Prospek sembang menyatakan niat melalui bahasa. Kuncinya adalah mengenal pasti frasa dan corak perbualan mana yang berkorelasi dengan niat pembeli sebenar.

Analisis urusan yang telah dimenangi yang bermula dalam sembang. Tarik transkrip perbualan. Apa yang prospek tersebut katakan? Anda mencari corak. Penyelidikan Gartner mengenai pembolehan pembeli menerangkan bagaimana pembeli B2B semakin banyak menjalankan penyelidikan niat tinggi melalui saluran perbualan sebelum mengisi borang sama sekali, bermakna kandungan perbualan sering merupakan isyarat paling awal yang tersedia untuk niat pembelian yang serius.

Kerangka kerja untuk mengkategorikan isyarat positif:

Isyarat niat tinggi (15-25 mata setiap satu)

• Bertanya tentang harga atau kos secara eksplisit: "Berapa kos untuk 50 pengguna?"
• Menyebut penilaian pesaing secara nama: "Kami juga melihat HubSpot dan Salesforce"
• Merujuk garis masa khusus: "Kami memerlukan sesuatu pada Q3"
• Bertanya tentang pelaksanaan atau onboarding: "Berapa lama persediaan mengambil masa?"
• Menyebut belanjawan atau autoriti belanjawan: "Saya mempunyai kelulusan untuk sehingga $X"
• Meminta demo atau percubaan: "Boleh saya melihat demo?"
• Merujuk titik kesakitan khusus yang sepadan dengan ICP anda: "Kami menghabiskan 4 jam seminggu secara manual..."

Isyarat niat sederhana (8-15 mata setiap satu)

• Bertanya tentang ciri tertentu: "Adakah produk anda mengendalikan X?"
• Merujuk saiz syarikat atau konteks: "Kami mempunyai 200 wakil jualan"
• Bertanya tentang integrasi dengan alat yang anda sokong
• Bertanya tentang keselamatan atau pematuhan (sering isyarat perolehan)
• Kembali untuk perbualan kedua (penglibatan semula)

Isyarat niat rendah tetapi layak (3-7 mata setiap satu)

• Soalan produk umum tanpa keperluan mendesak
• Tindak balas positif kepada balasan ("Itu berguna, terima kasih")
• Meminta dokumentasi atau sumber
• Menyebut "berada di awal penilaian"

Isyarat neutral (0 mata)

• Pengakuan ringkas
• Meminta untuk dipindahkan ke sokongan
• Mengatakan mereka akan "semak dengan pasukan"

Langkah 3: Tentukan Isyarat Negatif Khusus Sembang

Isyarat negatif sama pentingnya dengan yang positif. Ia menghalang anda daripada menghalakan bukan pembeli kepada pasukan jualan anda.

Isyarat negatif keras (tolak 15-25 mata)

• Menyatakan secara eksplisit mereka bukan pembeli: "Saya hanya pelajar yang sedang menyelidik"
• Mengenal pasti diri sebagai pelanggan semasa dengan isu sokongan
• Hanya bertanya tentang bayaran balik, pembatalan, atau pertikaian bil
• Mengenal pasti diri sebagai pesaing: "Saya dari [Pesaing], sekadar ingin tahu tentang..."
• Tiada tindak balas selepas mesej bot awal (perbualan yang ditinggalkan)

Isyarat negatif lembut (tolak 5-10 mata)

• Menggunakan domain e-mel bukan profesional (gmail.com, yahoo.com), terutamanya untuk B2B
• Nama syarikat sepadan dengan pesaing atau firma perundingan yang diketahui
• Perbualan yang sangat pendek dengan hanya balasan satu patah kata
• Bertanya tentang kekosongan jawatan (penyelidikan perekrut, bukan pembeli)

Syarat penolakan pemarkahan

Sesetengah isyarat sepatutnya memintas model pemarkahan sepenuhnya dan menghalakan terus tanpa mengira skor keseluruhan. Bagi pasukan yang juga menyahduplikasikan prospek merentasi tangkapan borang, iklan, dan sembang, logik dedup dalam Penyahduplikatan Prospek daripada Penangkapan Berbilang Saluran terpakai sebelum pemarkahan dijalankan.

• Menyebut jumlah dolar tertentu dan keperluan khusus: halakan ke AE serta-merta, tanpa mengira skor
• Menamakan pesaing yang anda mempunyai strategi kemenangan khusus: tandakan untuk semakan AE kanan serta-merta
• Meminta secara eksplisit seseorang menghubungi mereka dengan nombor telefon yang disediakan: halakan ke baris gilir susulan telefon

Langkah 4: Beri Wajaran kepada Teg Perbualan sebagai Input Skor

Kebanyakan platform sembang membolehkan anda menggunakan teg semasa atau selepas perbualan. Ini adalah mekanisme anda untuk menukar isyarat perbualan kualitatif kepada input pemarkahan berstruktur.

Sediakan taksonomi teg yang memetakan kepada isyarat positif dan negatif anda:

Teg niat tinggi

• pricing-question, prospek bertanya tentang kos
• competitor-mention, menamakan pesaing tertentu
• timeline-identified, menyebut tarikh atau suku tertentu
• demo-requested, meminta demo secara eksplisit
• budget-mentioned, menyebut belanjawan atau autoriti kelulusan

Teg niat sederhana

• feature-inquiry, bertanya tentang fungsi tertentu
• integration-question, bertanya tentang integrasi
• security-inquiry, bertanya tentang pematuhan atau keselamatan
• re-engagement, perbualan kedua atau seterusnya

Teg kelayakan

• enterprise-size, merujuk jumlah pekerja melebihi 500
• smb-size, merujuk pasukan kecil (di bawah 50)
• identified-icp-pain, menyebut titik kesakitan khusus yang produk anda selesaikan

Teg negatif

• support-only, perbualan adalah mengenai isu sokongan sedia ada
• student-researcher, secara eksplisit bukan pembeli
• competitor-research, dikenal pasti datang dari pesaing
• low-engagement, sangat pendek, tiada pertukaran substantif

Dalam Respond.io, HubSpot Chat, Intercom, dan kebanyakan platform sembang perusahaan, teg boleh digunakan secara manual oleh ejen atau secara automatik oleh bot perbualan berdasarkan pengesanan kata kunci.

Apabila anda menyegerakkan perbualan ke CRM anda (lihat panduan Automasi Sembang ke CRM), teg ini sepatutnya memetakan kepada sifat berbilang pilih pada rekod kenalan. Workflow pemarkahan anda membaca teg tersebut dan menambah atau menolak mata dengan sewajarnya.

Langkah 5: Tetapkan Wajaran Mata

Berikut adalah matriks pemarkahan prospek sembang lengkap yang boleh anda sesuaikan:

Isyarat Positif

Isyarat Negatif

Titik permulaan: Semua kenalan baharu bermula pada 0. Tiada skor positif asas untuk "ditangkap melalui sembang." Biarkan isyarat memacu skor.

Langkah 6: Sambungkan Skor ke Ambang Penghalaan CRM

Model pemarkahan hanya berfungsi jika peraturan penghalaan menggunakannya. Tentukan ambang anda:

Ambang SQL (70+ mata): Halakan serta-merta ke baris gilir penugasan AE. Prospek ini bertanya tentang harga atau demo, menyebut garis masa atau pesaing, dan mempunyai isyarat firmografi yang positif. Jangan pupuk ini. Hubungi dalam masa 4 jam perniagaan.

Ambang MQL (35-69 mata): Halakan ke SDR untuk jangkauan kelayakan dalam masa 24 jam. Mereka menunjukkan beberapa isyarat niat tetapi belum mencapai bahasa mod pembelian.

Ambang pemupukan prospek (10-34 mata): Tambahkan ke urutan pemupukan yang sesuai untuk industri dan titik kesakitan mereka. Jangan tugaskan kepada wakil lagi.

Ambang kitar semula (di bawah 10 mata atau negatif): Tandai sebagai "tidak layak" dan sekat dari urutan pemasaran. Catat perbualan untuk rujukan masa hadapan tetapi jangan melabur sumber jualan.

Peraturan penolakan: Mana-mana kenalan dengan teg demo-requested dihalakan ke SQL tanpa mengira skor keseluruhan. Ini adalah isyarat niat keras yang tidak sepatutnya ditapis oleh ambang skor.

Dalam HubSpot, sediakan Workflow yang berjalan pada kemas kini kenalan apabila chat_intent_tags berubah. Workflow mengira jumlah skor yang sedang berjalan dan mengemas kini sifat hs_lead_status dan pemilik kenalan dengan sewajarnya.

Langkah 7: Kendalikan Penglibatan Semula Secara Berbeza

Prospek yang menghubungi anda enam bulan lalu, menjadi sejuk, dan kini menghubungi anda lagi adalah jenis prospek yang berbeza daripada kenalan pertama kali. Layani mereka secara berbeza.

Untuk penglibatan semula:

• Gunakan isyarat positif re-engagement (+15 mata) secara automatik
• Beri wajaran yang lebih berat kepada sebarang isyarat niat tinggi dalam perbualan baharu. Seseorang yang kembali dan bertanya tentang harga lebih hampir untuk membeli daripada sembang pertama kali.
• Semak sejarah perbualan sebelumnya sebelum menggunakan isyarat negatif. Jika mereka sebelumnya hanya memerlukan sokongan tetapi kini bertanya tentang produk baharu, itu adalah minat sebenar.

Dalam praktik, pengesanan penglibatan semula boleh menjadi mudah: jika kenalan dalam CRM anda dengan status "Pemupukan" atau "Urusan Hilang" memulakan perbualan baharu pada platform sembang anda, gunakan teg penglibatan semula secara automatik dalam workflow sembang anda.

Matriks Pemarkahan Prospek Sembang (Templat)

Gunakan ini sebagai titik permulaan dan laraskan wajaran berdasarkan data penukaran sebenar anda.

MATRIKS PEMARKAHAN PROSPEK SEMBANG

Isyarat Positif
---------------------------------
demo-requested:        +40 pts
pricing-question:      +25 pts
competitor-mention:    +25 pts
timeline-identified:   +20 pts
budget-mentioned:      +20 pts
identified-icp-pain:   +15 pts
re-engagement:         +15 pts
job-title VP+:         +15 pts
feature-inquiry:       +12 pts
integration-question:  +10 pts
security-inquiry:      +10 pts
enterprise-size:       +10 pts

Isyarat Negatif
---------------------------------
student-researcher:    -40 pts
competitor-research:   -40 pts
support-only:          -30 pts
low-engagement:        -15 pts
personal-email-domain: -10 pts

Ambang Penghalaan
---------------------------------
SQL:     70+ mata  → penugasan AE, hubungi <4jam
MQL:     35-69 pts → jangkauan SDR, hubungi <24jam
Nurture: 10-34 pts → Tambah ke urutan pemupukan
Recycle: <10 pts   → Sekat, catat sahaja

Peraturan Penolakan
---------------------------------
teg demo-requested → SQL tanpa mengira skor
budget-mentioned + timeline-identified → SQL tanpa mengira

Perangkap Biasa

Menggunakan volum mesej sebagai proksi niat: Prospek yang menghantar 25 mesej pendek ("ok," "faham," "terima kasih") mempunyai niat yang kurang berbanding yang menghantar 3 soalan substantif. Jangan memberi ganjaran kepada volum.

Pemarkahan pada label yang ditetapkan bot tanpa pengesahan: Jika bot anda secara automatik menggunakan teg pricing-question setiap kali seseorang menyebut kata yang berkaitan dengan harga, semak kadar positif palsu anda. "Berapa lama persediaan mengambil masa?" tidak sepatutnya mencetuskan tindak balas yang sama seperti "Berapakah harga untuk 100 pengguna?"

Tidak menyemak ketepatan skor setiap suku: Bahasa pembeli berkembang. Slang dan istilah berubah. Pencetus teg berasaskan kata kunci anda memerlukan semakan setiap suku untuk memastikan ia menangkap isyarat niat sebenar. Laporan Deloitte mengenai transformasi jualan digital menekankan bahawa model pemarkahan rosak seiring perubahan tingkah laku pembeli, organisasi yang sentiasa mengkalibrasi semula model berdasarkan data urusan yang ditutup mengatasi prestasi mereka yang menetapkan skor sekali dan melupakannya.

Melayan semua saluran sama rata dalam pemarkahan: Prospek WhatsApp yang mempunyai perbualan substantif telah menunjukkan lebih banyak komitmen daripada seseorang yang memulakan sembang web dan pergi selepas satu mesej. Ketekunan saluran boleh menjadi isyarat positif.

Terlupa menilai semula penglibatan semula secara berasingan: Model pemarkahan standard akan mengira dua kali isyarat positif jika prospek yang sama kembali dan dinilai semula dari awal. Bina cabang pengesanan penglibatan semula.

Mengukur Apa yang Berfungsi

Kadar penukaran MQL ke SQL untuk prospek sembang berbanding borang: Ini adalah metrik pengesahan utama anda. Jika model pemarkahan sembang anda berfungsi, MQL sembang sepatutnya menukar ke SQL pada kadar yang sebanding dengan MQL borang. Jika MQL ke SQL sembang jauh lebih rendah, ambang skor anda terlalu longgar. Analisis HBR mengenai kerangka kerja kelayakan jualan mendapati bahawa ketepatan kelayakan, bukan volum, adalah pemacu utama kecekapan pasukan jualan, mengukuhkan mengapa pemarkahan berasaskan isyarat mengatasi prestasi model berasaskan aktiviti.

Kadar positif palsu: Berapa kerap prospek sembang mendapat skor sebagai SQL tetapi terhenti atau tidak layak dalam proses jualan? Jika ini melebihi 15-20%, definisi teg niat tinggi anda perlu diperketatkan.

Kadar negatif palsu: Berapa kerap prospek dalam pemupukan atau kitar semula akhirnya membeli juga? (Semak ini dengan melihat urusan yang ditutup dan bekerja ke belakang ke skor asal mereka.) Jika ini berlaku, ambang skor anda terlalu ketat.

Masa dari sembang ke sentuhan wakil pertama: Jejak masa median dari penutupan perbualan hingga jangkauan wakil pertama mengikut peringkat skor. Prospek SQL sepatutnya mendapat hubungan dalam ambang yang anda tetapkan. Jika wakil menunggu lebih lama, automasi penghalaan tidak berfungsi dengan betul.

Ketahui Lebih Lanjut

• Automasi Sembang ke CRM: Menghubungkan Respond.io dengan HubSpot: cara mendapatkan teg perbualan ke dalam CRM anda pada mulanya
• Menghalakan Prospek kepada Wakil Berdasarkan Konteks Perbualan Sembang: menggunakan skor dan teg untuk menugaskan prospek kepada wakil yang tepat
• Mengautomatikkan Urutan Pemupukan Pasca-Tangkapan: apa yang perlu dilakukan dengan prospek yang mendapat skor di bawah ambang SQL anda
• Membina Tindanan Penangkapan Prospek Tanpa Borang: mengembangkan tangkapan berasaskan sembang anda untuk menggantikan borang sepenuhnya