AI Lead Scoring Melampaui Model Berasaskan Peraturan

Kebanyakan "pemarkahan lead" yang digunakan hari ini adalah pemberat manual yang disolek sebagai risikan.

Logiknya berbunyi: penyerahan borang bernilai 10 mata, jawatan VP menambah 20, syarikat dengan 200+ pekerja menambah 15, melawat halaman harga menambah 25. Tambah semuanya dan apa-apa di atas 70 adalah "lead panas." Pasukan jualan mengerjakan lead panas dahulu.

Masalahnya jelas apabila Anda mengatakannya dengan lantang: manusia yang memutuskan pemberat tersebut. Mereka membuat keputusan pertimbangan, mungkin dimaklumkan oleh beberapa intuisi dan beberapa anekdot dari pasukan jualan, dan mengekodkannya sebagai peraturan statik. Pemberat tidak dikemas kini apabila pasaran berubah. Ia tidak menentukur semula apabila ICP Anda berubah selepas Anda mendapat pembiayaan Siri B. Dan ia pasti tidak menangkap interaksi antara isyarat.

Jawatan VP dari syarikat 50 orang pada pukul 2 pagi hari Sabtu menukar pada kadar yang sama sekali berbeza daripada jawatan yang sama dari syarikat 300 orang pada pukul 10 pagi hari Selasa.

Pemarkahan lead pembelajaran mesin (ML) membiarkan data memilih pemberat dan bukannya manusia. Itulah keseluruhan perbezaan konseptual. Tetapi melaksanakannya dengan baik memerlukan pemahaman tentang cara model berfungsi, data yang diperlukan, dan di mana penggunaan gagal. Ini adalah Corak 1 dalam seni bina AI Sales Operator, dan asas di mana segala-galanya dibina.

Apa yang pemarkahan berasaskan peraturan terlepas

Peraturan adalah kategorikal. Model ML adalah probabilistik. Penyelidikan McKinsey tentang AI dalam jualan B2B mengenal pasti kelayakan lead sebagai salah satu kes penggunaan AI berimpak tinggi untuk pasukan jualan, tepat kerana peningkatan tersebut bergabung: pemarkahan yang lebih baik bermakna wakil mengerjakan lead yang lebih baik, yang bermakna lebih banyak penutupan, yang bermakna data latihan yang lebih baik untuk iterasi model seterusnya. Perbezaan itu menghasilkan satu set titik buta sistematik dalam pendekatan berasaskan peraturan:

Kejaranganf medan. Kebanyakan borang lead menangkap 4-6 medan. Kebanyakan rekod CRM mempunyai berpuluh-puluh medan yang berpotensi relevan, ramai di antaranya kosong. Peraturan menganggap medan kosong sebagai neutral. Model ML boleh belajar bahawa URL LinkedIn yang hilang dalam band saiz syarikat tertentu berkorelasi dengan kadar penutupan yang lebih rendah, kerana itulah yang data sejarah tunjukkan. Ketiadaan maklumat adalah isyarat itu sendiri.

Masa dan urutan. Lead yang melawat halaman harga pada hari pertama dan mengisi borang demo pada hari yang sama menukar secara berbeza daripada lead yang melawat halaman harga tiga minggu sebelum menghantar borang, kemudian melawat semula sehari sebelumnya. Peraturan boleh mengesan "lawatan halaman harga = 25 mata," tetapi mereka tidak menangkap lengkung kemaskini atau urutan tingkah laku. Model ML melakukan itu.

Isyarat perubahan firmografi. Syarikat yang baru mengambil VP Jualan adalah prospek yang berbeza secara asas daripada syarikat yang sama enam bulan lalu. Pusingan pembiayaan terkini mengubah kapasiti pembelian. Pelancaran produk baru mewujudkan keperluan teknologi. Peraturan statik tidak menangkap isyarat dinamik ini. Model ML yang diberi makan dengan data firmografi terkini (dari sumber seperti LinkedIn, Clearbit, atau 6sense) boleh memfaktorkannya.

Interaksi berbilang sentuhan. Gabungan "jawatan VP + halaman harga + sumber rujukan = saluran rakan kongsi" mungkin menukar pada 40%. Setiap elemen sahaja mungkin bernilai 10%. Peraturan menjaringkan mereka secara berasingan; ML menangkap kesan interaksi.

Fakta Utama: AI Lead Scoring

• McKinsey mengenal pasti kelayakan lead sebagai salah satu kes penggunaan AI berimpak tinggi untuk pasukan jualan B2B, kerana pemarkahan yang lebih baik bergabung: lead yang lebih baik ditutup lebih kerap, menghasilkan data latihan yang lebih baik untuk iterasi model seterusnya
• Minimum 200 urusan closed-won diperlukan untuk model pemarkahan lead ML yang boleh dipercayai; di bawah 100, kebanyakan alatan komersial menghasilkan output yang tidak dapat dibezakan secara statistik dari penugasan rawak
• Syarikat yang menggunakan pemarkahan lead berbantuan AI melaporkan kadar penukaran lead-ke-peluang 10-20% lebih tinggi berbanding model berasaskan peraturan statik, menurut data pelanggan MadKudu dan 6sense (2022-2024)

Cara pemarkahan lead ML berfungsi (tanpa PhD)

Mekaniknya lebih mudah daripada yang kebanyakan vendor bunyikan. Inilah logik operasional, menggunakan perbendaharaan kata ACE Framework:

Ingest menarik semua isyarat yang tersedia untuk setiap lead: medan CRM (jawatan, saiz syarikat, industri, sumber), data tingkah laku (halaman yang dilawati, e-mel dibuka, webinar yang dihadiri), pengayaan firmografi (julat hasil, bilangan pekerja, peringkat pembiayaan, timbunan teknologi), dan data berasaskan masa (bila aktiviti berlaku, jurang di antaranya).

Analyze mengekstrak ciri dari data mentah tersebut. Ciri adalah pemboleh ubah input yang model sebenarnya dilatih. Ada yang langsung (jawatan = "VP" → ciri perduaan). Ada yang direkayasa (hari antara lawatan pertama dan penyerahan borang → ciri berangka). Ada yang sebutan interaksi (saiz syarikat × kekerapan penglibatan → isyarat komposit). Kejuruteraan ciri adalah di mana kebanyakan kerja berlaku, dan di mana pasukan ops yang memahami data mereka sendiri mempunyai kelebihan ke atas model generik sedia kotak.

Predict melatih model pada data berlabel sejarah: urusan yang ditutup (menang) dan urusan yang tidak ditutup (kalah), bersama semua ciri di atas. Di sebalik tabir, kebanyakan alatan pemarkahan lead komersial menggunakan regresi logistik atau peningkatan kecerunan, kedua-duanya teknik ML yang difahami dengan baik yang menghasilkan kebarangkalian antara 0 dan 1. Model belajar kombinasi ciri mana yang berkorelasi dengan hasil closed-won dalam pangkalan pelanggan khusus Anda dan menggunakan pemberat yang dipelajari tersebut pada setiap lead baru, menghasilkan output kebarangkalian: lead ini mempunyai peluang 73% untuk menukar, berdasarkan apa yang kami tahu tentangnya.

Itulah sahaja. Nombor kebarangkalian dari 0 hingga 100, berdasarkan sejarah menang/kalah Anda sendiri, dikemas kini apabila urusan baru ditutup. Gelung penentukuran semula itulah yang memisahkan model yang berfungsi dari model yang perlahan-lahan menyimpang.

Piawaian Skor Lead Probabilistik

Piawaian Skor Lead Probabilistik mentakrifkan apa yang skor lead AI yang boleh dipertahankan mesti mengandungi: output kebarangkalian antara 0 dan 1 berdasarkan sejarah menang/kalah syarikat sendiri, dilatih pada sekurang-kurangnya 200 hasil closed-won, ditentukur semula tidak kurang dari suku tahunan terhadap hasil urusan baru, dan didedahkan kepada wakil dengan atribusi ciri (isyarat mana yang mendorong skor ini). Mana-mana sistem pemarkahan yang gagal salah satu daripada empat kriteria ini lebih baik diklasifikasikan sebagai pemarkahan berasaskan peraturan yang dipertingkatkan daripada pemarkahan ML sebenar, kerana output tidak berasaskan secara statistik dalam corak penukaran yang diukur.

Jenis isyarat dikedudukan mengikut peningkatan penukaran

Tidak semua isyarat sama berguna. Berdasarkan corak dari penyelidikan MadKudu dan data niat pembeli 6sense yang diterbitkan antara 2022 dan 2024, berikut adalah cara kategori isyarat umumnya kedudukan dalam sumbangan peningkatan untuk B2B SaaS:

Susunan berubah berdasarkan produk dan pasaran Anda. Untuk alat pembangun, kesepadanan teknografi mungkin isyarat terkuat. Untuk produk perkhidmatan kewangan, julat firmografi dan konteks pengawalseliaan mungkin mendominasi. Model belajar kedudukan khusus syarikat Anda dari data Anda; jadual di atas adalah hipotesis permulaan.

Senarai semak kesediaan data sebelum menggunakan

Ini adalah langkah yang kebanyakan syarikat skip. Pemarkahan lead AI tidak menghasilkan hasil yang baik pada data yang buruk. Sebelum membeli atau mengkonfigurasi mana-mana alat pemarkahan ML, jalankan senarai semak ini:

Keperluan minimum:

• Sekurang-kurangnya 6 bulan urusan tertutup dengan pelabelan menang/kalah yang konsisten (12 bulan lebih disukai)
• Sekurang-kurangnya 200 urusan closed-won keseluruhannya (lebih baik; di bawah 100 menghasilkan model yang tidak boleh dipercayai)
• Peringkat urusan CRM adalah konsisten merentasi pasukan (tiada variasi "Closed Won" vs. "Won" vs. "Closed")
• Sumber sentuhan pertama dirakam pada sekurang-kurangnya 70% rekod
• Nama syarikat dan domain diisi pada 80%+ rekod

Baik-untuk-ada (meningkatkan kualiti model dengan ketara):

• Jawatan dan kanan kenalan dirakam pada sekurang-kurangnya 60% lead
• Saiz syarikat (bilangan pekerja) dirakam atau boleh diperkayakan untuk 70%+ rekod
• Data tingkah laku laman web (penjejakan HubSpot, Segment, atau setara) menghantar peristiwa ke CRM
• Sekurang-kurangnya satu sumber pengayaan firmografi (Clearbit, Apollo, ZoomInfo) memberi makan CRM

Tanda amaran yang mencadangkan kerja data sebelum pemarkahan:

• Lebih daripada 20% urusan ditutup tanpa label hasil
• Tiga atau lebih nama peringkat berbeza untuk kedudukan kitaran hayat yang sama
• Kurang dari 6 bulan sejarah urusan sejak penghijrahan CRM (data pra-migrasi sering tidak boleh dipercayai)
• Tiada data penjejakan tingkah laku (tiada sejarah lawatan halaman, tiada penjejakan buka e-mel)

Jika Anda kehilangan beberapa item pada senarai minimum, habiskan empat hingga enam minggu membersihkan data sebelum menggunakan pemarkahan. Model akan dibina berdasarkan apa yang Anda beri makan kepadanya.

Dari output model kepada ambang penghalaan

Model memberikan Anda kebarangkalian. Anda masih perlu memutuskan apa yang perlu dilakukan dengannya.

Kebanyakan penggunaan mentakrifkan tiga hingga lima baldi dengan logik penghalaan yang dilampirkan:

Nombor ambang adalah untuk Anda tetapkan, bukan vendor. Ia harus mencerminkan: berapa banyak kapasiti wakil yang Anda ada (lebih banyak wakil = ambang lebih rendah untuk penugasan langsung), berapa kerap Anda boleh bertolak ansur dengan positif palsu (lead berskor tinggi yang ternyata salah = masa wakil terbuang), dan apakah komitmen SLA hubungan semasa Anda.

Mendapatkan ambang yang betul adalah latihan penentukuran, bukan konfigurasi sekali sahaja. Jalankan dengan ambang awal selama 60 hari, kemudian bandingkan: untuk setiap baldi, apakah kadar penukaran sebenar? Jika baldi "Tinggi" Anda menukar pada 8% dan baldi "Sederhana" menukar pada 12%, ambang Anda tidak dikalibrasi dengan betul. Sesuaikan dan perhatikan semula. Dan sentiasa perhatikan jumlah barisan: hanyutan ambang yang tiba-tiba menghantar 40% lead ke baldi "Tinggi" akan memusnahkan kepercayaan wakil dalam beberapa minggu.

Mod kegagalan biasa

Model yang dilatih pada data sejarah yang berat sebelah. Jika kemenangan sejarah Anda condong ke arah saluran tertentu (cth., 70% daripada urusan tertutup datang dari rujukan rakan kongsi), model akan belajar menjaringkan lead yang bersumber rakan kongsi dengan tinggi. Apabila Anda berkembang ke saluran baru, model akan menjaringkan lead tersebut dengan rendah. Bukan kerana mereka adalah lead yang buruk, tetapi kerana model tidak mempunyai data latihan untuk corak tersebut. Pembaikan: latih semula dengan data yang lebih luas, atau segmen model mengikut sumber.

Skor yang tidak dipaparkan kepada wakil. Model menghasilkan output yang baik, tetapi ia tinggal dalam medan CRM yang tiada siapa tengok. Wakil terus mengerjakan lead mengikut urutan ketibaan. Ini adalah kegagalan penggunaan, bukan kegagalan model. Pembaikan: paparkan skor dalam aliran kerja harian wakil (notifikasi Slack, barisan CRM diisih mengikut skor) dan latih wakil tentang maksud skor sebelum dilancarkan.

Tiada gelung maklum balas untuk melatih semula. Model dikonfigurasi pada bulan Januari dan tidak pernah disentuh lagi. Dua belas bulan kemudian, pasaran telah berubah, ICP telah berkembang, dan model masih mengoptimumkan untuk corak dari 18 bulan lalu. Pembaikan: bina proses penentukuran semula suku tahunan. Ketua RevOps menyemak metrik prestasi model (ketepatan, ketepatan, penarikan semula mengikut baldi) dan mencetuskan latihan semula apabila ketepatan turun lebih daripada 5 mata peratusan.

Ambang ditetapkan dan dilupakan. Ambang awal ditetapkan pada permulaan dan tidak pernah disemak. 90 hari kemudian, 40% semua lead menjaringkan "Tinggi" kerana model belajar terlalu luas. Barisan "Tinggi" mengatasi wakil dan kepercayaan runtuh. Pembaikan: semak agihan ambang setiap bulan dan sesuaikan untuk mengekalkan jumlah barisan yang betul untuk kapasiti wakil.

Perlakuan penuh tentang perangkap AI lead scoring yang biasa.

Gambaran ringkas vendor

Salesforce Einstein Lead Scoring disertakan dengan Sales Cloud Enterprise ke atas. Ia melatih terus pada data Salesforce Anda, tanpa perlu mengeksport atau menyambung ke alat pihak ketiga. Model menentukur semula secara automatik mengikut jadual berkala. Kualiti adalah kukuh untuk syarikat dengan data Salesforce yang bersih dan 12+ bulan sejarah. Konfigurasi terhad untuk kejuruteraan ciri lanjutan atau sumber data tersuai.

HubSpot Predictive Lead Scoring tersedia pada Marketing Hub Professional/Enterprise dan Sales Hub Enterprise. Seni bina yang serupa dengan Einstein: melatih pada data HubSpot, menghasilkan skor yang kelihatan dalam pipeline HubSpot. Lebih lemah untuk syarikat dengan data tingkah laku yang signifikan di luar HubSpot atau keperluan segmentasi firmografi yang kompleks.

MadKudu adalah platform pemarkahan B2B yang dibina dengan tujuan khusus yang bersambung ke Salesforce, HubSpot, dan pelbagai sumber pengayaan data. Ia memaparkan kepentingan ciri (isyarat mana yang mendorong skor tertentu), memudahkan RevOps untuk mengaudit dan menentukur. Terbaik untuk syarikat yang mahukan ketelusan ke dalam logik model dan bersedia melakukan kerja integrasi data.

6sense memberi tumpuan pada isyarat niat (pengenalpastian jawatankuasa pembelian, penjejakan pelawat tanpa nama) lebih daripada kebarangkalian penukaran. Kekuatannya adalah pengutamaan akaun pertengahan corong, terutamanya untuk jualan berasaskan akaun. Sering dilapisi di atas model pemarkahan asli CRM dan bukannya menggantikannya.

Rework Sales AI termasuk Scoring+Routing yang terbina dalam CRM sebagai sebahagian daripada seni bina AI Sales Operator penuh. Skor menentukur semula dari hasil urusan, menghalakan ke barisan wakil secara automatik, dan mengalir terus ke dalam Workflow Copilot untuk draf susulan. Paling sesuai untuk pasukan yang mahukan pemarkahan bersepadu tanpa menguruskan hubungan vendor yang berasingan.

Analisis Rework: Kegagalan pemarkahan lead ML yang paling biasa yang kami lihat bukan model yang buruk. Ia adalah model yang baik yang tiada siapa menentukur semula. Pasukan menggunakan pada Q1, melihat hasil yang kukuh pada Q2, dan menjelang Q4 mereka tertanya-tanya mengapa lead "panas" tidak lagi ditutup. Model itu dilatih pada pasaran yang wujud 9 bulan lalu. ICP mereka berubah selepas perubahan harga, pesaing baru masuk, atau kes penggunaan baru muncul. Penentukuran semula suku tahunan bukan penyelenggaraan pilihan; ia adalah mekanisme yang mengekalkan output kebarangkalian yang berhubungan dengan realiti semasa. Pasukan yang membina semakan penentukuran semula ke dalam kalendar ops mereka dari hari pertama mengekalkan ROI 12-18 bulan. Mereka yang menganggap model sebagai pemasangan sekali sahaja biasanya melihat prestasi mendatar dalam 6 bulan.

Gelung maklum balas adalah permainan keseluruhan

Pemarkahan berasaskan peraturan adalah hipotesis: atribut ini harus meramalkan penukaran. Anda menetapkannya sekali dan berharap ia bertahan dengan baik.

Pemarkahan ML adalah pengukuran: atribut ini memang meramalkan penukaran, berdasarkan hasil sebenar, dikemas kini apabila hasil baru tiba.

Tetapi "pemarkahan ML adalah pengukuran" hanya berlaku jika sistem pengukuran mempunyai gelung maklum balas. Tanpa penentukuran semula, model juga adalah hipotesis, hanya yang dilatih pada data dan bukannya intuisi. Hipotesis yang menyimpang apabila keadaan pasaran berubah.

Penggunaan yang memberikan ROI yang berkekalan adalah di mana RevOps memiliki gelung maklum balas. Mereka menjejak ketepatan model setiap suku. Mereka melatih semula apabila ketepatan turun. Mereka mengaudit prestasi ambang setiap bulan. Mereka menganggap model pemarkahan sebagai infrastruktur, bukan projek sekali sahaja.

Pemilikan operasional itulah yang memisahkan penggunaan pemarkahan lead AI yang terus bertambah baik dari yang menghasilkan hasil yang baik selama tiga bulan dan kemudian menjadi bunyi latar. Setelah model pemarkahan ditentukur dan memberi makan lead yang betul kepada wakil yang betul, soalan seterusnya ialah apa yang berlaku kepada lead tersebut apabila mereka tiba.

Ketahui Lebih Lanjut

• Apakah AI Sales Operator?
• Penghalaan Lead Automatik: Round Robin vs. Dipacu AI
• Pengimbangan Beban Kerja SDR dengan AI
• Perangkap AI Lead Scoring yang Biasa
• Triage Lead Masuk dalam Skala Besar
• Mod Kegagalan: Apabila AI Sales Ops Backfire
• Scoring dan Routing: Triage AI dalam Skala Besar
• Predict: Bagaimana AI Meramalkan Hasil Perniagaan