Quiz połączony z przewodnikiem · Średni Poziom

Quiz dotyczący oceny leadów AI

Oceń, w jaki sposób punktacja leadów wykorzystuje wyniki historyczne, dlaczego brak równowagi klas wpływa na ocenę i dlaczego kalibracja i monitorowanie dryfu są istotne.

Powiązane ścieżki prowadzącePunktacja leadów AI
Pytanie 1 z 8

Czym głównie punktacja leadów AI różni się od tradycyjnej punktacji opartej na regułach?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Czym głównie punktacja leadów AI różni się od tradycyjnej punktacji opartej na regułach?
    • Uczy się wag z historycznych danych konwersji, zamiast używać stałych punktów
    • Liczy się tylko otwarcie e-maili
    • Nie wymaga w ogóle żadnych danych
    • Ignoruje wielkość firmy i stanowisko
  2. Które zadanie uczenia maszynowego najlepiej opisuje przewidywanie, czy potencjalny klient dokona konwersji?
    • Segmentacja obrazu
    • Klasyfikacja binarna
    • Rozpoznawanie mowy
    • Uczenie się przez wzmacnianie
  3. Dlaczego zwykła dokładność jest słabym miernikiem oceny modeli lead scoringu?
    • 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
    • Tylko pora dnia
    • 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