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.

Související vodicí cestyAI skórování leadů
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.

  1. 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
  2. Který úkol strojového učení nejlépe popisuje předpovídání, zda potenciální zákazník uskuteční konverzi?
    • Segmentace obrazu
    • Binární klasifikace
    • Rozpoznávání řeči
    • Posílení učení
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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