Kvíz spojený s průvodcem · Střední úroveň
AI kvíz o bodování vedoucích
Posuďte, jak hodnocení olova využívá historické výsledky, proč nevyváženost tříd ovlivňuje hodnocení a proč je důležitá kalibrace a sledování posunu.
Otázka 1 z 8
Jak se primárně liší bodování AI leadů od tradičního bodování založeného na pravidlech?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jak se primárně liší bodování AI leadů od tradičního bodování založeného na pravidlech?
- Váhy se učí z historických dat konverzí namísto použití pevných bodů
- Počítá pouze otevření e-mailu
- Nevyžaduje vůbec žádná data
- Ignoruje velikost společnosti a pracovní pozici
- Který úkol strojového učení nejlépe popisuje předpovídání, zda potenciální zákazník uskuteční konverzi?
- Segmentace obrazu
- Binární klasifikace
- Rozpoznávání řeči
- Posílení učení
- Proč je prostá přesnost špatnou metrikou pro vyhodnocování modelů pro hodnocení potenciálních zákazníků?
- Accuracy directly measures calibration
- Accuracy tells sales representatives why a lead will convert
- Converters may be rare, so a model can appear accurate by predicting “no conversion” for nearly every lead
- Accuracy automatically adjusts decision thresholds
- According to HubSpot’s lead-scoring documentation, which data can a custom score use?
- Only a person’s name
- Pouze denní dobu
- Unlabeled audio waveforms
- Record actions or properties selected for the scoring model
- What can a lead-scoring model return for each prospect?
- A score or estimated conversion probability, which still needs evaluation
- A probability that is automatically calibrated by definition
- A guaranteed sales outcome
- A legal determination of creditworthiness
- What does feature importance summarize in a tree-based lead-scoring model?
- That a feature causes conversion
- How influential a feature is in the model’s decisions under that importance method
- That a feature is legally required
- The future sales quota
- What does calibration mean for a lead-conversion score?
- Every lead receives the same score
- The model’s accuracy is always 100 percent
- Predicted probabilities match observed conversion frequencies over comparable cases
- Scores are sorted alphabetically by company
- Why should a lead-scoring model be monitored after deployment?
- The original threshold can never become outdated
- Monitoring makes labels unnecessary
- A model score permanently captures market behavior
- Lead behavior and the meaning of historical patterns can drift