Lead scoring w praktyce: model, z którego korzysta dział sprzedaży

Lead scoring to praktyka przypisywania liczby kontaktowi albo firmie, żeby ograniczona uwaga sprzedaży trafiała do leadów o największej szansie na konwersję. To cały jego cel. Ocena nie prognozuje przychodu, nie zastępuje kwalifikacji i nie jest raportem. Jest kolejnością w kolejce.

Problem, który rozwiązuje, pojawia się przy określonej skali. Przy trzydziestu leadach miesięcznie handlowiec czyta wszystkie i żaden model nie pobije jego osądu. Przy trzystu pracuje na górze listy, a dołu nikt nigdy nie dotknie — i bez oceny „góra listy” oznacza po prostu to, co przyszło najpóźniej. Scoring zastępuje świeżość czymś bliższym prawdopodobieństwu.

Płyną z tego dwa wnioski. Po pierwsze, ocenę warto budować dopiero wtedy, gdy leadów jest więcej niż mocy przerobowych; inaczej porządkujemy kolejkę, która i tak zostanie obrobiona w całości. Po drugie, model musi być czytelny dla tych, którzy z niego korzystają. Handlowiec, który nie widzi, dlaczego lead dostał 82 punkty, po cichu wróci do dzwonienia do najnowszych zgłoszeń, a my dowiemy się o tym po kwartale.

Każdy model korzysta z dwóch rodzajów danych wejściowych. Sygnały jawne to rzeczy podane wprost przez leada albo źródło danych — atrybuty. Sygnały ukryte to rzeczy, które lead robi — zachowanie. Liczą się oba i zawodzą na różne sposoby.

Typowy błąd to ważenie sygnałów ukrytych liczbą zdarzeń. Dziesięć wejść na bloga to nie intencja, tylko czytelnik. Jedno wejście na cennik i powrót dwa dni później to intencja, przy o wiele mniejszej liczbie zdarzeń. Działanie ważymy tym, ile kosztuje daną osobę i co mówi o etapie jej decyzji, a nie tym, jak często się powtarza.

Brakujące dane jawne też trzeba potraktować uczciwie. Puste pole wielkości firmy to nie jest mała firma. Oceniamy je jako nieznane i pozwalamy uzupełnianiu danych je wypełnić, bo inaczej systematycznie zaniżymy ocenę każdemu, kto trafił na krótki formularz.

Zwinięcie dopasowania i intencji w jedną sumę to najczęstszy sposób, w jaki model się psuje. Odpowiadają na różne pytania, a każda ich kombinacja wymaga innej reakcji.

Dopasowanie pyta, czy to firma, którą da się obsłużyć i której da się sprzedać: wielkość, sektor, geografia, budżet i to, czy ma problem, który naprawdę rozwiązujemy. Intencja pyta, czy ta firma jest w ruchu właśnie teraz: co oglądała, o co poprosiła, jak niedawno.

Gdy trzymamy je jako dwie oceny, ćwiartki same mówią, co robić. Wysokie dopasowanie i wysoka intencja to telefon dzisiaj. Wysokie dopasowanie i niska intencja to ścieżka nurturingowa, a nie odrzucenie — tę firmę wciąż warto mieć w następnym kwartale. Niskie dopasowanie i wysoka intencja to ćwiartka niebezpieczna: entuzjastyczny lead, który nie domknie albo szybko odejdzie, a zje handlowcowi cały tydzień, jeśli uśredniona ocena wypchnie go na górę. Niskie dopasowanie i niska intencja to wykluczenie, a nie wpis do kolejki.

Jedna liczba nie odróżni drugiego przypadku od trzeciego, bo 40 zbudowane z dopasowania i 40 zbudowane z intencji wyglądają na liście identycznie. Jeśli narzędzie upiera się przy jednej liczbie, przechowujmy przynajmniej obie składowe i pokazujmy ten podział obok.

Zaczynamy ręcznie i od małego. Piętnaście reguł, które da się skontrolować, pobije czarną skrzynkę, której się nie da — a złożyć je można w jedno popołudnie.

1. Zdefiniuj cel. Nie „dobry lead”, tylko coś policzalnego: odbytą rozmowę rozpoznawczą albo domknięty deal w ciągu dziewięćdziesięciu dni.
2. Wypisz kandydujące sygnały, które da się dziś zebrać dla większości leadów. Sygnał obecny w jednej dziesiątej rekordów jest bezużyteczny, choćby wyglądał na najbardziej predykcyjny.
3. Spójrz wstecz. Weź niedawne wygrane i przegrane szanse i sprawdź sygnał po sygnale, jak zmienia się odsetek konwersji, gdy dany sygnał występuje. Wszystko, co ledwie nim rusza, wypada.
4. Przypisz liczby całkowite na stałej skali — na przykład 0–100 dla dopasowania i 0–100 dla intencji. Wyłącznie okrągłe wagi. Precyzja, której nie da się uzasadnić, jest szumem.
5. Przetestuj na odłożonej historii, zanim model dotknie żywej kolejki: czy ustawiłby zeszłokwartalne wygrane szanse blisko góry?
6. Spisz reguły tam, gdzie dział sprzedaży przeczyta je bez pytania nas o cokolwiek.

Niezależnie od narzędzia reguły scoringu i źródła generowania leadów należą do jednego systemu: ocena policzona na polach, których etap pozyskiwania danych nigdy nie wypełnił, to tylko wartość domyślna przebrana za liczbę. Growmindr ocenia leady w chwili, gdy wchodzą do przestrzeni roboczej, i trzyma reguły składowe widoczne na rekordzie kontaktu, żeby handlowiec zobaczył, co dało tę liczbę, zanim zdecyduje, na ile jej ufać.

Większość modeli tylko dodaje. Dlatego po odpowiednio długim czasie wszystko ma wysoką ocenę, a ranking przestaje cokolwiek od czegokolwiek odróżniać.

Odejmujemy za dyskwalifikatory, na które mamy dowody: domenę konkurenta, adres prywatny albo studencki przy produkcie biznesowym, kraj, którego nie obsługujemy, stanowisko bez udziału w decyzji, obecnego klienta z otwartą eskalacją. Wszędzie tam, gdzie lead może się jeszcze przydać, wolimy realne odjęcie niż twarde wykluczenie — wartość ujemna pozwala rekordowi wrócić do gry, gdy okoliczności się zmienią, a wykluczenie chowa go na zawsze.

Potem dokładamy wygasanie, bo intencja jest nietrwała. Wejście na cennik jest mocnym sygnałem tego samego dnia, słabym trzy tygodnie później, a po kwartale nie jest już sygnałem w ogóle. Bez wygasania ktoś, kto szukał informacji w marcu i zniknął, wciąż stoi wyżej niż ktoś aktywny w tym tygodniu. Wystarczy prosta reguła: punkty intencji wygasają po ustalonym czasie albo maleją o połowę co trzydzieści dni. Punkty dopasowania nie powinny wygasać — firma nadal ma tę samą wielkość — ale powinny się odświeżać przy każdej aktualizacji danych.

Jest szybki test na to, czy wygasanie ustawiono poprawnie. Wyciągnijmy dwadzieścia najwyżej ocenionych leadów i sprawdźmy, kiedy każdy z nich cokolwiek zrobił. Jeśli kilka milczy od miesięcy, wygasanie jest za wolne.

Ocena bez uzgodnionego działania to dekoracja. Przed uruchomieniem ustalamy poziomy i reakcję na każdy z nich, na piśmie i z działem sprzedaży w tym samym pokoju.

Próg dla poziomu A ustawiamy według mocy przerobowych, a nie estetyki. Jeśli dwóch handlowców obrobi wspólnie sześćdziesiąt leadów tygodniowo, próg należy postawić tam, gdzie tygodniowo ląduje mniej więcej sześćdziesiąt leadów — a nie na 80, bo 80 to okrągła liczba. Wracamy do niego przy każdej zmianie liczby osób albo wolumenu leadów, bo próg dostrojony do jednej wielkości zespołu psuje się po cichu przy innej. Za nisko i poziom A zamienia się w zaległość, której nikt nie nadrabia; za wysoko i nasze najlepsze leady leżą nietknięte na poziomie B, podczas gdy kolejka wygląda zdrowo.

Model lead scoringu jest dopasowany do konkretnego momentu: naszego cennika, naszego idealnego klienta, naszych kanałów i rynku. Wszystkie cztery się poruszają, a model tego nie zauważa. Rekalibracja to rutynowe utrzymanie, a nie przyznanie, że pierwsza wersja była błędna.

Przegląd robimy według harmonogramu — kwartalnie to rozsądna wartość domyślna — i sprawdzamy trzy rzeczy.

• Zdolność rozróżniania. Podzielmy leady z ostatniego kwartału na przedziały punktowe i porównajmy konwersję w każdym. Przedziały powinny się czysto rozdzielać. Jeśli osiemdziesiątki konwertują jak pięćdziesiątki, model przestał porządkować i tylko przypisuje liczby.
• Dryf struktury. Jeśli udział leadów powyżej progu podwoił się bez odpowiadającej zmiany w wynikach sprzedaży, coś ruszyło się wyżej w procesie — nowy kanał, przerobiony formularz, zepsuty skrypt śledzący — i ocena mierzy teraz właśnie to.
• Dostępność sygnałów. Reguły umierają po cichu, gdy pole przestaje być zbierane albo psuje się integracja. Sygnał brakujący dziś w większości rekordów odejmuje trafność, wciąż wyglądając zdrowo na liście reguł.

Przegląd poza harmonogramem uruchamiamy przy każdej zmianie cennika, wejściu w nowy segment albo otwarciu kanału o innym profilu odwiedzających. I poważnie traktujmy sygnał jakościowy: gdy sprzedaż zaczyna mówić, że oceny wydają się nietrafione, zwykle ma rację — i zwykle zauważyła to kwartał przed liczbami.

Zepsute modele zawodzą zwykle na kilka rozpoznawalnych sposobów.

• Ocenianie zaangażowania zamiast gotowości do zakupu. Otwarcia newslettera i czytanie bloga korelują z zainteresowaniem naszymi treściami, a nie z budżetem czy decyzyjnością. Zawyżają oceny osób, które nigdy nie kupią.
• Jeden model na dwa produkty. Kto sprzedaje dwóm różnym kupującym, potrzebuje dwóch modeli. Uśredniony jest błędny dla obu — i to w przeciwnych kierunkach.
• Oceny osób bez kontekstu firmy. Trzy osoby średniego szczebla z tej samej firmy, każda z 45 punktami, to sygnał mocniejszy niż którakolwiek z nich osobno, a model wyłącznie osobowy tego nie zobaczy.
• Ruch wewnętrzny i botów. Nasz własny zespół i automatyczne skanery generują odsłony. Trzeba wykluczyć zakresy biurowe i znane crawlery, bo inaczej najwyżej ocenionym leadem okaże się kolega z pracy.
• Model, którego nikt nie wyjaśnił. Jeśli sprzedaż nie brała udziału w ustalaniu wag, nie będzie pracować na tej kolejce, a my spędzimy czas na obronie liczby zamiast na jej poprawianiu.

Żadnej z tych rzeczy nie widać w samym modelu. Wychodzą na jaw jako ciche ignorowanie oceny przez sprzedaż — a to najbardziej niezawodny sygnał, że gdzieś pod spodem coś jest nie tak.