Quiz lié à un guide · Moyen Niveau

Quiz de notation des leads par l'IA

Évaluez comment la notation des leads utilise les résultats historiques, pourquoi le déséquilibre des classes affecte l'évaluation et pourquoi l'étalonnage et la surveillance de la dérive sont importants.

Chemins de guidage associésNotation des leads par l'IA
Question 1 de 8

En quoi la notation des leads par l'IA diffère-t-elle principalement de la notation traditionnelle basée sur des règles ?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. En quoi la notation des leads par l'IA diffère-t-elle principalement de la notation traditionnelle basée sur des règles ?
    • Il apprend les pondérations à partir des données de conversion historiques au lieu d'utiliser des points fixes
    • Il ne compte que les ouvertures d'e-mails
    • Cela ne nécessite aucune donnée
    • Il ignore la taille de l’entreprise et le titre du poste
  2. Quelle tâche d'apprentissage automatique décrit le mieux la prédiction de la conversion d'un prospect ?
    • Segmentation d'images
    • Classement binaire
    • Reconnaissance vocale
    • Apprentissage par renforcement
  3. Pourquoi la simple précision est-elle une mauvaise mesure pour évaluer les modèles de notation des prospects ?
    • 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
    • Seulement l'heure de la journée
    • 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