Mit dem Guide verknüpftes Quiz · Mittel Ebene

KI-Lead-Scoring-Quiz

Bewerten Sie, wie Lead-Scoring historische Ergebnisse nutzt, warum Klassenungleichgewichte die Bewertung beeinflussen und warum Kalibrierung und Driftüberwachung wichtig sind.

Verwandte FührungspfadeKI-Lead-Bewertung
Frage 1 von 8

Wie unterscheidet sich das KI-Lead-Scoring im Wesentlichen vom traditionellen regelbasierten Scoring?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Wie unterscheidet sich das KI-Lead-Scoring im Wesentlichen vom traditionellen regelbasierten Scoring?
    • Es lernt Gewichtungen aus historischen Konvertierungsdaten, anstatt Fixpunkte zu verwenden
    • Es werden nur E-Mail-Öffnungen gezählt
    • Es sind überhaupt keine Daten erforderlich
    • Dabei werden Unternehmensgröße und Berufsbezeichnung ignoriert
  2. Welche maschinelle Lernaufgabe beschreibt am besten die Vorhersage, ob ein Lead konvertieren wird?
    • Bildsegmentierung
    • Binäre Klassifizierung
    • Spracherkennung
    • Verstärkungslernen
  3. Warum ist reine Genauigkeit ein schlechter Maßstab für die Bewertung von Lead-Scoring-Modellen?
    • 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
    • Nur die Tageszeit
    • 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