Questionário vinculado ao guia · Médio Nível

Questionário de pontuação de leads de IA

Avalie como a pontuação de leads usa resultados históricos, por que o desequilíbrio de classe afeta a avaliação e por que a calibração e o monitoramento de desvios são importantes.

Caminhos de guia relacionadosPontuação de leads de IA
Pergunta 1 de 8

Como a pontuação de leads de IA difere principalmente da pontuação tradicional baseada em regras?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Como a pontuação de leads de IA difere principalmente da pontuação tradicional baseada em regras?
    • Ele aprende pesos a partir de dados históricos de conversão em vez de usar pontos fixos
    • Conta apenas aberturas de e-mail
    • Não requer nenhum dado
    • Ele ignora o tamanho da empresa e o cargo
  2. Qual tarefa de aprendizado de máquina descreve melhor a previsão da conversão de um lead?
    • Segmentação de imagens
    • Classificação binária
    • Reconhecimento de fala
    • Aprendizagem por reforço
  3. Por que a precisão simples é uma métrica ruim para avaliar modelos de pontuação de leads?
    • 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
    • Somente a hora do dia
    • 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