راه پرداخت
رسانه فناوری‌های مالی ایران

به‌روزترین روش‌های تعامل با مشتری / PLS یا امتیازدهی پیشگویانه به سرنخ‌ها

بهنام بهزادی‌فر، مشاور در حوزه استراتژی‌های مدیریت ارتباط با مشتریان / در دنیای رقابتی امروز، درک دقیق نیازهای مشتری رکن حیاتی موفقیت کسب‌وکارها به شمار می‌رود. با پیشرفت‌های روزافزون و انقلاب جدیدی که کلان‌داده (Big Data) و هوش مصنوعی (AI) به وجود آورده، بسیاری از شرکت‌ها در حال سرمایه‌گذاری بر ابزاری هستند که رویکرد دقیق‌تری نسبت به مشتریان بالقوه‌شان ارائه کنند، استراتژی‌های بازاریابی و فروش مؤثرتری را طرح‌ریزی کنند و در نتیجه بازگشت سرمایه را افزایش دهند. بنابراین، شک نیست که فناوری، متدولوژی‌های سنتی کسب‌وکار را متحول کرده و آنها را شایسته‌تر، سریع‌تر و چابک‌تر کرده است. امتیازدهی به سرنخ‌های تجاری که یک روش بازاریابی سنتی است نیز از این قاعده مستثنی نبوده و اکنون با مدل‌‌های هوش مصنوعی پیش‌‌بینی‌کننده تکامل یافته است.

به طور سنتی، تیم‌های فروش و بازاریابی امتیازدهی سرنخ‌ها را به صورت دستی انجام می‌دادند. این روش شامل تخصیص امتیاز به سرنخ‌های بالقوه بر اساس ویژگی‌های مختلف مانند دموگرافیک، روندهای رفتاری و غیره بود. بر اساس این امتیاز، مشخص می‌شد که آیا مشتری بالقوه برای صرف زمان و هزینه به منظور رسیدن به یک فروش آماده است یا نه.

این روش چند اشکال داشت؛ ابتدا داده‌ها بر اساس معیارهای تعیین‌شده توسط سازمان طبقه‌بندی می‌شدند و پروفایل مشتری ایده‌آل به صورت دستی ایجاد می‌شد. کارشناسان برای ارزیابی اقداماتی که ممکن است به فروش مرتبط باشد، به قضاوت ذهنی خود یا الگوهای داده‌های گذشته اعتماد می‌کردند و در نتیجه، فرصت‌های فروش خیلی مستعد ممکن بود مورد توجه قرار نگیرند، یا برعکس، تیم‌های فروش بر اساس امتیازات نادرست، بیش از حد روی چشم‌اندازهای اشتباه تمرکز می‌کردند. علاوه بر این، محدودیت‌هایی برای تجزیه و تحلیل داده‌های حجیم بود و همچنین نیاز به زمان و تلاش بیشتر برای امتیاز صحیح سرنخ‌ها وجود داشت.

در دنیایی که با داده‌های بزرگ و رشد مداوم آنها سروکار داریم، ابزارهای تکنولوژیکی برای تضمین بقا در رقابت مورد نیاز است. هوش مصنوعی یکی از این ابزارهاست.


Predictive Lead Scoring یا (PLS) چیست؟


PLS، رویکرد سنتی بررسی و امتیازدهی به سرنخ‌ها را به کمک هوش مصنوعی و کاربرد آن در Big Data و ماشین لرنینگ به سطح جدیدی وارد کرده است. در واقع رفتارهای مشتریان بالقوه و بالفعل، با استفاده از الگوریتم‌های مدل‌سازی‌شده پیش‌بینی‌کننده به منظور طبقه‌بندی آنها، تحلیل می‌شوند.

از این طریق، مشخص می‌شود که کدام یک بیشتر احتمال دارد محصولات یا خدمات شرکت را خریداری کنند. به‌ عبارت‌ دیگر، امتیازدهی پیش‌بینی‌کننده سرنخ یک نمایه بهینه یا ایده‌آل بر اساس روندهای رفتار خرید گذشته ایجاد می‌کند و سپس مشخص می‌نماید که کدام چشم‌اندازهای فعلی به بهترین وجه با این مشخصات مطابقت دارند.

مزایای PLS

مزایای روش‌های پیش‌بینی امتیازدهی سرنخ (PLS) در مقایسه با روش سنتی به راحتی قابل درک است. اصلی‌ترین آنها عبارت‌اند از:

  • رویکرد داده‌محور: در روش سنتی، عواملی که باید ارزیابی شوند بر اساس قضاوت ذهنی مدیران اجرایی و بخش‌های بازاریابی و فروش، همراه با سوگیری‌ها، مفروضات و حدس‌هایشان بود. رویکرد PLS قضاوت سلیقه‌ای را ریشه‌کن می‌کند و برای پیش‌بینی‌های خود بر داده‌های موجود تکیه می‌کند.
  • کاهش خطاهای انسانی: به لطف رویکرد داده‌محور و استفاده از ابزار هوش مصنوعی مانند ماشین لرنینگ، احتمال بروز خطاهای ذهنی ناشی از سوگیری یا قضاوت انسانی کاهش می‌یابد.
  • بهینه‌سازی زمان: سیستم امتیازدهی خودکار به ‌طور سودمندی کمک می‌کند زمان صرف پرورش و تأثیر بیشتر بر سرنخ‌ها و مشتریان بالقوه با امتیاز بالا شود.
  • نتایج سریع و کامل: هنگام استفاده از ابزارهای هوش مصنوعی، مطمئناً رسیدن به نتایج سریع‌تر از روش‌های دستی خواهد بود. به همین ترتیب، داده‌ها و گزارش‌ها نیز قابل اطمینان‌تر و دقیق‌تر خواهند بود.
  • بهبود بازگشت سرمایه (ROI): روش‌های امتیازدهی پیش‌بینی‌شده با استفاده از الگوریتم‌های ماشین لرنینگ، به سرنخ‌ها امتیاز می‌دهد. این امر به شما این امکان را می‌دهد که برنامه‌ریزی‌ها و تلاش‌ها را برای آن دسته از مشتریانی که آماده فروش هستند، قرار دهید و همچنین با شناسایی و تمرکز صحیح بر سرنخ‌ها و کاهش زمان و هزینه، نرخ بازدهی را به حداکثر برسانید.
  • انعطاف‌پذیری: اطلاعات به سرعت در پایگاه داده مشتری تغییر می‌کنند؛ بنابراین، معیارهایی که چند هفته پیش برای امتیازدهی داشته‌اید ممکن است قدیمی یا ناکارآمد شده باشد. PLS این امکان را فراهم می‌کند که با تغییر داده‌ها، پیش‌بینی رفتار مشتریان نیز تغییر کند و بخش‌های بازاریابی و فروش به سرعت در معرض آخرین تغییرات قرار گیرند (حتی آنلاین). این امر منجر به ارتباط نزدیک‌تر میان بازاریابی و هوش مصنوعی می‌شود.
  • هماهنگی بین تیم‌های بازاریابی و فروش: تلاش جهت یافتن مشتری با پتانسیل بالا علاوه بر اینکه سبب افزایش بهره‌وری تیم‌های بازاریابی و فروش می‌شود، با کاهش سرنخ‌های به بار ننشسته، می‌تواند هماهنگی و رضایتمندی بین تیم‌های بازاریابی و فروش را افزایش دهد و سبب کاهش تناقضات میان این دو تیم شود.

PLS چگونه کار می‌کند؟

اولین گام در روش‌های امتیازدهی پیش‌بینی‌کننده (PLS)، شناسایی ویژگی‌های کلیدی است که توسط مشتریان فعلی و بالقوه شما در رابطه با شرکت ایجاد می‌شود. ویژگی‌های کلیدی را می‌توان به عنوان ویژگی‌هایی که مشتریان بالقوه دارند تعریف کرد، مانند:

  • اطلاعات پروفایل مشتری: شامل اطلاعات دموگرافیک مشتری مانند مکان و آدرس، تاریخ تولد، نام، سن، عنوان شغلی، صنعت، سابقه کار و غیره.
  • داده‌های خرید مشتری: اطلاعات تاریخچه خرید در مورد مشتری، مانند پولی که برای خرید محصول، کیفیت محصول، زمان و دفعات خرید، پرداخت‌های آنلاین یا آفلاین و غیره خرج شده است.
  • داده‌های تعامل با مشتری در فضای آنلاین: رفتار آنلاین مشتری، فعالیت‌های ایمیل، فعالیت‌های وب‌سایت مانند بازدید، پر کردن فرم، بازدید یا بارگیری از صفحه محصول یا خدمات، ایجاد حساب‌های مهمان، ثبت‌نام یا فعال‌سازی آزمایش‌های رایگان یا پولی، حضور در سمینارها یا رویدادهای آنلاین و غیره.
  • داده‌های هدف مشتری: شامل علایق آشکارشده توسط مشتریان فعلی و بالقوه در محصولات و خدمات خاص و همچنین تمایل آنها به تماس با تیم‌های بازاریابی و فروش.
  • اطلاعات نمایه حساب برای مشتریان B2B: اطلاعات مربوط به نوع حساب، اندازه شرکت، صنعت و غیره.
  • داده‌های کمپین بازاریابی و فروش: کمپین‌ها معمولاً مشتریان و سرنخ‌ها را از کانال‌های مختلف از جمله جست‌وجوی مستقیم، پولی، ارگانیک، ارجاع‌ها، رسانه‌های اجتماعی و موارد دیگر دریافت می‌کنند. شناسایی کانال‌های با بالاترین عملکرد به شما این امکان را می‌دهد که به طور مؤثرتری با مشتریان فعلی و بالقوه تعامل داشته باشید و بر بهینه‌سازی کانال‌های کاربردی تمرکز کنید.

هنگامی که ویژگی‌ها و اهداف کلیدی شناسایی شدند، PLS از الگوریتم‌های ماشین لرنینگ برای ایجاد مدل تحلیلی خود استفاده می‌کند تا بتواند مشتریان را بر اساس داده‌ها به ‌طور دقیق تقسیم کند و به آنها امتیاز دهد. این مدل، رابطه میان ویژگی‌های مختلف مشتریان، سرنخ‌ها و داده‌هایی که در بالا به آنها اشاره شد را ارزیابی کرده و آنها را بر اساس تمایل‌شان برای دستیابی به رفتار مطلوب واجد دریافت امتیاز می‌کند. چنین مدل‌هایی می‌توانند به طور کارآمدی حجم عظیمی از داده‌های پرت را به کمک آنومالی دیتکشن در حین تجزیه و تحلیل شناسایی، مدیریت و حذف کند و در نتیجه گزارش قابل اطمینان‌تری ارائه دهد.

محدودیت‌های PLS:

با تمام مزایایی که این روش دارد، امتیازدهی پیشگویانه سرنخ‌ها دارای محدودیت‌هایی نیز هست:

  • به مقدار زیادی داده نیاز دارد: برای پیش‌بینی دقیق امتیازدهی سرنخ، نیاز به دسترسی به حجم عظیمی از داده‌های مشتری برای آموزش مدل ماشین لرنینگ و شناسایی الگوهای رفتاری مشتری است.
  • به تخصص فنی نیاز دارد: پیاده‌سازی یک مدل امتیازدهی پیش‌بینی‌کننده سرنخ از ابتدا نیازمند درک فنی و مجموعه مهارت‌های تخصصی است. همچنین نیازمند دانش ماشین لرنینگ، کلان‌داده و هوش مصنوعی است.
  • اکثر سیستم‌های امتیازدهی پیش‌بینی‌کننده مانند جعبه سیاه هستند: نمایندگان فروش نمی‌دانند که چرا یک فرد خاص، پیشتاز با امتیازی بالاست؛ در حالی که دیگری این‌طور نیست. البته سیستم‌های فروش تجویزی یا Prescriptive سعی می‌کنند این مشکلات را با ارائه داده‌های سرنخ‌ها و توصیه‌هایی در مورد نحوه رفتار با سرنخ‌ها نیز برطرف کنند.
  • بازار هدف و محصول شما باید پایدار باشد: اگر بازار هدف شما تغییر کند، داده‌های فروش شما ارزش خود را برای تجزیه و تحلیل از دست می‌دهد و می‌بایست جهت بهینه‌سازی سیستم، مجدداً نیازها ست‌آپ شوند.

داستان‌های موفقیت‌آمیز امتیازدهی پیش‌بینی‌کننده


InVision

InVision هشدارهایی را ایجاد می‌کند که هر زمان که حسابی آماده خرید باشد به تیم خود اطلاع می‌دهد و به نمایندگان فروش خبره آنها امکان می‌دهد با امیدوارترین کاندیداها تماس بگیرند و آنها را به فروش برسانند.

Hotjar

Hotjar که خود محصول نرم‌افزار بازاریابی است، با تولید سرنخ مشکلی نداشت، اما منابع محدودی برای تقسیم‌بندی سرنخ‌ها و ایجاد پیام‌های شخصی برای آنها داشت. این یک امر سبب ایجاد یک مشکل جدی شد، زیرا درست مانند InVision، استراتژی قیمت‌گذاری freemium آن نیازمند ارتباط هدفمند با سرنخ‌ها بود.

Hotjar با Infer در یک مدل پیش‌بینی سفارشی همکاری کرد که داده‌های تاریخی و خارجی آنها را بررسی و پیش‌بینی‌هایی در مورد اینکه چگونه هر سرنخ با مشتری کامل شرکت مطابقت دارد، ارائه داد. اکنون، Hotjar امتیازات را مستقیماً در HubSpot CRM خود دریافت می‌کند و می‌تواند در دو هفته اول امتحان رایگان راهکارش برای بهترین مشتری‌ها برنامه‌ریزی کند.

DocuSign

DocuSign یک پیشرو در حوزه eSignature، امتیازدهی سنتی سرنخ را انجام می‌داد و برای سرنخ‌های خود رتبه‌بندی حروف A برای باارزش‌ترین و D برای کمترین ارزش تعیین کرده بود. اما نمایندگان فروش در درک اینکه مثلاً چرا یک سرنخ گروه A بهتر از دیگری است مشکل داشتند. برای افزایش دقت و ارائه شفافیت بیشتر، DocuSign با Lattice جهت افزایش درصد احتمال خرید با تجزیه و تحلیل پیش‌بینی‌کننده همکاری کرد.

DocuSign با اجرای مدل‌های امتیازدهی پیش‌بینی‌کننده موفق به افزایش ۳۸درصدی در تبدیل SQLها و ۲۲برابری ROI در دو ماه ابتدایی گزارش کردند.


داده‌های کلیدی برای امتیازدهی پیشگویانه


اطلاعات دموگرافیک

امتیازدهی سرنخ به شدت به تعیین شخصیت مشتری شما بستگی دارد که اغلب با درک اساسی‌ترین ویژگی‌های آنها شروع می‌شود:

  • عنوان شغلی
  • تاریخ تولد / سن
  • محل زندگی / کار
  • تحصیلات
  • جنسیت
  • وضعیت تأهل
  • درآمد
  • سبک زندگی و علایق و غیره

سابقه خرید

احتمالاً کسب‌وکارها داده‌های خرید را در مورد مشتریان گذشته خود جمع‌آوری کرده‌اند و در بانک اطلاعاتی مشتریان دارند که این منبع عالی برای ساخت یک مدل خواهد بود. اما می‌توانید اطلاعات بیشتری در مورد عادات خرید کاربر از منابع موجودتان به دست آورید. این داده‌ها شامل موارد زیر هستند:

  • حداقل، حداکثر و متوسط مبلغ هزینه‌شده
  • فرکانس خرید
  • خرید به قیمت کامل یا با کوپن / در فروش
  • تاریخ و زمان معامله
  • مقدار محصول خریداری‌شده
  • در سبد خرید رهاشده

مشارکت و فعالیت

 این اطلاعات نیز از منابع مختلف می‌توانند جمع‌آوری شوند:

  • تعداد صفحات مشاهده‌شده
  • تعداد دفعاتی که همان صفحه مشاهده می‌شود.
  • تعداد دانلود
  • تعداد لاگین‌ها در یک دوره
  • ثبت‌نام آزمایشی رایگان
  • امکانات استفاده شده و غیره
  • داده‌های تعامل فعالیت‌های بازاریابی را پوشش می‌دهد:
  • ایمیل‌های بازشده
  • پیوندهای ایمیل کلیک‌شده
  • واکنش‌های CTA
  • بازدید از صفحه تماس
  • پیام‌های چت ارسال‌شده

و غیره

حساب / داده‌های فیرموگرافیک

برای شرکت‌های B2B، تشخیص پرسونای مشتری، از یک حساب تجاری یا داده‌های فیرموگرافیک که شامل اطلاعاتی مانند موارد زیر است، مهم است:

  • نوع صنعت
  • اندازه سازمان
  • فروش و درآمد
  • میزان نفوذ سرنخ
  • میزان دارایی سازمان
  • محل کسب‌وکار
  • چهارچوب مالکیت

استفاده از امتیازات سرنخ پیش‌بینی‌شده

امتیازهای سرنخ به‌خودی‌خود چیزی بیش از اعدادی نیستند که تیم فروش برای تبدیل آنها به ابزاری که می‌تواند در عملیات روزانه استفاده شود، نیاز دارد. این ابزار باید به بازاریابان کمک کند تا به راحتی شناسایی کنند که با چه مشتریان احتمالی در مرحله بعدی تماس بگیرند.

برای این کار، ما باید تعریف کنیم که مشتریان با کیفیت بالا چه تفاوتی با مشتریان با کیفیت پایین خواهند داشت. شما می‌توانید سود حاصل از فروش را با اعمال مدل پیش‌بینی‌کننده برای مشتریانی که قبلاً خرید کرده‌اند محاسبه کنید. منحنی سود تجمعی موفقیت مدل را با مقایسه نتایج آن با انتخاب‌های تصادفی ارزیابی می‌کند و نشان می‌دهد.

در نمودار زیر

  • خط آبی نشان‌دهنده «سود» حاصل از سرنخ‌هایی که با روش پیش‌بینی امتیاز گرفته‌اند، از درصد مشخصی از مشتریان است. ۱۰ درصد از آنها با بالاترین امتیاز بالای ۹۰، تقریباً ۲۵ درصد خرید کل را به ارمغان آورده‌اند، تقریباً ۳۰ درصد کل مشتریان که امتیازی مابین ۹۰ تا ۶۵ داشته‌اند، حدود ۴۵ درصد از کل خریدها را انجام داده‌اند.
  • خط نارنجی نشان می‌دهد که از تماس با مشتریان به طور تصادفی به چه چیزی دست می‌یابیم، اساساً «بدون سود» هرچه تمایل به گوشه بالای سمت چپ بیشتر باشد، سود بیشتر است.

با توجه به نمودار و تحلیل سود انباشته، می‌توانیم سرنخ‌های خود را در سه بخش قرار دهیم:

  • سرنخ‌های با کیفیت بالا: مشتریان بالقوه با امتیاز بین ۵۵ و ۹۰ که سهم ۸۰درصدی از کل خریدها دارند.
  • سرنخ‌های با کیفیت متوسط: مشتریان بالقوه با امتیاز بین ۴۵ و ۵۵ که حدود ۱۵ درصد از کل خریدها را به ارمغان می‌آورند.
  • سرنخ‌های با کیفیت پایین: مشتریان بالقوه با امتیاز بین صفر و ۴۵ که پنج درصد از کل خریدها را به ارمغان می‌آورند.

بسته به بخش‌بندی، تاکتیک‌های مختلف پرورش سرنخ اعمال می‌شود. به‌عنوان‌ مثال، نمایندگان فروش مستقیماً با سرنخ‌های با کیفیت بالا تماس می‌گیرند، سرنخ‌های با کیفیت متوسط یکسری ایمیل‌های شخصی‌سازی‌شده خودکار دریافت می‌کنند و سرنخ‌های با کیفیت پایین نادیده گرفته می‌شوند یا برای ارائه داده‌های بیشتر، به‌عنوان‌ مثال، با پر کردن فرم اطلاعات و دستیابی به اطلاعاتی که پیش‌تر به آنها اشاره شد تحت مراقبت قرار می‌گیرند.

بسیار خب! تا اینجا پی بردیم که مدل‌سازی پیش‌بینی‌کننده از کجا شروع می‌شود (مجموعه‌داده‌ها) و در کجا به پایان می‌رسد (بینش‌ها و اقدامات)، حال بیایید روش پیاده‌سازی را انتخاب کنیم. دو رویکرد اصلی برای این کار وجود دارد؛ ساختن یک موتور پیش‌بینی‌کننده سفارشی در داخل سازمان یا استفاده از یک پلتفرم امتیازدهی پیش‌بینی‌کننده آماده. هر کدام از این دو راه‌حل معایب و مزایای خاص خود را خواهند داشت:

استفاده از نرم‌افزار آماده پیش‌بینی امتیازدهی سرنخ

  • استفاده از ابزارهایی مانند Salesforce CRM، Pardot، Marketo، Infer، HubSpot، MadKudu، Leadfeeder،  QuickBase، Airtable، Zoho CRM، Pipedrive، یا بسیاری از گزینه‌های دیگر.

مزایا:

  1. پیاده‌سازی آسان. شما چنین نرم‌افزاری را از طریق API به CRM یا سایر ابزارهای بازاریابی خود متصل می‌کنید.
  2. دسترسی به پایگاه‌های داده خارجی. این پلتفرم اغلب داده‌های شما را با داده‌های فیرموگرافیک و جمعیتی از منابع خود تکمیل می‌کند.
  3. استفاده از یک اکوسیستم یکپارچه. اگر چنین نرم‌افزاری را از ارائه‌دهنده CRM خود بخرید، مثلاً HubSpot یا Salesforce، تجربه یکپارچه و تبادل داده آسان‌تری خواهید داشت.

معایب:

  1. یکپارچه‌سازی محدود. فهرست ابزارهای نرم‌افزاری که پلتفرم قادر به یکپارچه‌سازی داده‌ها با آنها خواهد بود، محدود است. اگر از یک CRM سفارشی یا غیرمتعارف یا پلتفرم‌های بازاریابی خاص استفاده می‌کنید، ممکن است در راه‌اندازی و اتصال با سایر سیستم‌ها با مشکل مواجه شوید.
  2. امنیت داده‌ها. داده‌های بالقوه شما بزرگ‌ترین دارایی شماست. هنگامی که به یک سیستم خارجی دسترسی به آن می‌دهید، میزان ایمن بودن آن را کنترل نمی‌کنید و با خطر نقض مواجه خواهید شد.
  3. ساخت یک موتور امتیازدهی پیشگوی سفارشی
  • استفاده از یک راهکار سفارشی‌سازی‌شده و ساخته‌شده برای کسب‌وکار.

مزایا:

  1. انتخاب منابع داده‌ها و پایگاه داده توسط خود شما صورت می‌گیرد.
  2. یکپارچه‌سازی سفارشی. شما می‌توانید تقریباً با هر نرم‌افزاری ارتباط برقرار کنید و مجبور نیستید لیست کوتاه ارائه‌شده توسط فروشنده را انتخاب کنید.
  3. با یک پلتفرم آماده، از مدلی ارائه‌دهنده که داده‌های عمومی و الگوریتم‌های انتخاب‌شده‌اند، استفاده می‌کنید، اما در این مدل، شما می‌توانید الگوریتم‌های مختلف را حسب نیاز خود ایجاد کنید.

معایب:

  1. فرایند طولانی و پرهزینه. ساختن یک سیستم زمان زیادی می‌برد و به پول بیشتری نیاز دارد. شما باید به سهام‌داران خود ثابت کنید که سرمایه‌گذاری نتیجه مطلوب را به همراه خواهد داشت.

الزامات امتیازدهی پیشگویانه


پیش از اجرای سیستم امتیازدهی سرنخ دو نکته وجود دارد که باید در نظر بگیرید:

  • آیا می‌توانید سیستم امتیازدهی پیش‌بینی‌کننده سرنخ را پیاده‌سازی کنید؟ این سؤال تعیین می‌کند که آیا شما منابع کافی برای انجام امتیازدهی پیشگویانه امروز دارید یا خیر.
  • آیا اصلاً باید سیستم امتیازدهی پیشگویانه را اجرا کنید؟ این سؤال به این موضوع مربوط می‌شود که آیا واقعاً برای شما منطقی است که زمان و هزینه را برای این تلاش سرمایه‌گذاری کنید یا خیر.

برای یافتن پاسخ این سؤالات باید گفت الزاماتی وجود دارد که نشان می‌دهد شما می‌توانید یک مدل پیش‌بینی‌کننده امتیازدهی را برای سرنخ‌های خود ایجاد کرده و با موفقیت از آن استفاده کنید. این موارد عبارت‌اند از:

  • شما داده‌های تاریخی با کیفیت بالایی دارید. فرایند ماشین لرنینگ با جمع‌آوری داده‌ها شروع می‌شود. اگر هرگز تمام اطلاعات رفتار و نمایه مشتری خود را ثبت نکردید یا مراقب دقیق نگه‌داشتن آن نبودید، بهتر است پیش از شروع کار، بانک داده خود را غنی سازید.
  • شما داده‌های زیادی دارید. بزرگ‌ترین مزیتی که مدل‌های هوش مصنوعی نسبت به تحلیل‌های سنتی دارند، حجم عظیم داده‌هایی است که می‌توانند پردازش کنند و از آنها ارزش استخراج کنند. چه مقدار داده کافی است؟ در پاسخ باید گفت بسته به نوع کسب‌وکار، محصول یا خدمت قابل ارائه و هدف از امتیازدهی، متفاوت است، اما HubSpot توصیه می‌کند که حداقل سه ماه اطلاعات مشتری یا ۵۰۰ مخاطب داشته باشید تا خودتان روی یک مدل امتحان کنید.
  • شما اخیراً بازار هدف و محصول خود را تغییر نداده‌اید. داده‌های شما باید با محصولی که در حال حاضر می‌فروشید و موقعیت آن، مرتبط باشد. اگر مدتی قبل آن را تغییر داده‌اید، حداقل سه ماه دیگر قبل از اعمال تجزیه و تحلیل صبر کنید.
  • شما مهارت‌ها و منابع یا بودجه‌ای برای به‌دست‌آوردن آن دارید. یک موتور تجزیه و تحلیل پیش‌بینی‌کننده مکانیسم پیچیده‌ای است که به کل زیرساخت داده نیاز دارد تا بتواند داده‌های زنده را منتقل کند و بینش‌های به‌روزی در مورد سرنخ‌هایتان به شما ارائه دهد. شما می‌توانید با استخدام متخصصان زبده هوش مصنوعی و علوم داده، چنین سیستمی را در داخل سازمان‌تان بسازید یا می‌توانید یک پلتفرم آماده مانند آنچه توسط HubSpot ،Infer، یا Maroon.ai ارائه شده است، انتخاب کنید. در هر صورت، شما نیاز به بودجه و متخصصان برای ساخت، یکپارچه‌سازی و نگهداری موتور دارید.
  • شما سرنخ‌های زیادی دارید. اگر هر ماه صدها سرنخ داشته باشید، نمی‌توانید به صورت دستی ویژگی‌های مشترک آنها را تعیین کنید یا بسیاری از داده‌ها را تجزیه و تحلیل کنید. شما به مکانیسم قوی‌تری نیاز دارید تا بتوانید این مقدار اطلاعات را مرور کنید.
  • شما از امتیازدهی سنتی با نتایج متفاوت استفاده کرده‌اید. یکی از مشکلات امتیازدهی دستی سرنخ این است که سرنخ‌های خوب ممکن است در ظاهر خوب نباشند، بنابراین بازاریابان نمی‌توانند دقیقاً  آنچه را که اهمیت دارد مشخص کرده و ویژگی‌های کلیدی آنها را بررسی کنند. MadKudu روش زیر را برای تعیین اینکه آیا امتیازدهی سنتی شما به اندازه کافی خوب انجام می‌دهد یا خیر پیشنهاد می‌کند:

 فهرستی تصادفی از ۱۰ معامله که اخیراً بسته شده را تهیه کنید و درصدی که از سرنخ‌های غیر آشکار خوب به دست می‌آید را اندازه‌گیری کنید. اگر ۵۰ درصد یا بیشتر از SQLها از مخاطبین غیر آشکار خوب باشد، معاملات زیادی را از دست می‌دهید و می‌توانید معیارهای خود را با امتیازدهی پیش‌بینی‌کننده سرنخ بهبود بخشید.

ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.