การให้คะแนนลูกค้าเป้าหมายของ AI
การให้คะแนนลูกค้าเป้าหมายด้วย AI ใช้การเรียนรู้ของเครื่องเพื่อคาดการณ์ว่าลูกค้าเป้าหมายการขายรายใดมีแนวโน้มที่จะแปลงมากที่สุด ดังนั้นทีมขายจึงใช้เวลากับโอกาสที่ดีที่สุด
ภาพรวม
It replaces gut-feel ranking with data-driven probabilities updated in real time.
เจาะลึก
การให้คะแนนลูกค้าเป้าหมายแบบดั้งเดิมจะกำหนดคะแนนคงที่สำหรับการดำเนินการ เช่น การเปิดอีเมล (+5) หรือการดาวน์โหลดเอกสารสรุป (+10) จากนั้นจึงทำเครื่องหมายว่าลูกค้าเป้าหมายอยู่เหนือเกณฑ์ การให้คะแนนลูกค้าเป้าหมายของ AI จะฝึกแบบจำลองเกี่ยวกับข้อมูล CRM ในอดีตของคุณแทน โดยเรียนรู้ว่าชุดค่าผสมของคุณลักษณะและพฤติกรรมใดที่เกิดขึ้นจริงก่อนข้อตกลงที่ปิดแล้ว โดยชั่งน้ำหนักสัญญาณหลายร้อยรายการในคราวเดียว: ข้อมูลบริษัท (อุตสาหกรรม ขนาดบริษัท รายได้) ข้อมูลประชากร (ตำแหน่งงาน ความอาวุโส) และข้อมูลพฤติกรรม (การเข้าชมหน้าเพจ คำขอสาธิต การมีส่วนร่วมกับอีเมล เวลาในสถานที่) ผลลัพธ์ที่ได้คือความน่าจะเป็นหรือเกรด ไม่ใช่กฎที่เข้มงวด แบบจำลองการคาดการณ์ เช่น ต้นไม้ที่มีการไล่ระดับสีหรือการถดถอยลอจิสติกส์จะแสดงรูปแบบที่ไม่ชัดเจน ตัวอย่างเช่น บริษัทด้านการดูแลสุขภาพขนาดกลางที่เข้าชมหน้าการกำหนดราคาทำให้เกิดการเปลี่ยนแปลงได้ดีกว่าบริษัทขนาดใหญ่ที่ไม่เคยทำถึงสองครั้ง
ข้อมูลเชิงลึกทางเทคนิค
การให้คะแนนเฟรมของระบบส่วนใหญ่เป็นการจำแนกแบบไบนารี: ลีดนี้แปลงใช่หรือไม่ โมเดลต่างๆ เช่น XGBoost หรือการถดถอยโลจิสติกได้รับการฝึกฝนเกี่ยวกับลีดในอดีตที่มีป้ายกำกับ จากนั้นจึงเอาท์พุตความน่าจะเป็นที่ปรับเทียบแล้วระหว่าง 0 ถึง 1 คุณลักษณะทางวิศวกรรมมีความสำคัญมากกว่าอัลกอริธึม ความใหม่ และความถี่ของการมีส่วนร่วมเป็นตัวทำนายที่แข็งแกร่ง ข้อผิดพลาดที่สำคัญคือความไม่สมดุลของคลาส: ตัวแปลงมีน้อย ดังนั้นเทคนิคต่างๆ เช่น การถ่วงน้ำหนักใหม่หรือการสุ่มตัวอย่างใหม่และหน่วยเมตริก เช่น AUC-ROC และความแม่นยำที่ด้านบนสุดของเดไซล์จึงถูกนำมาใช้แทนความแม่นยำธรรมดา
ผลกระทบเชิงกลยุทธ์
สร้างทางเลือก
การออกแบบระดับแอปพลิเคชันจะกำหนดว่า AI จะปรับปรุงผลลัพธ์ที่แท้จริงหรือไม่
ทีมงานและขั้นตอนการทำงาน
การบูรณาการขั้นตอนการทำงานที่ดีจะช่วยเพิ่มผลผลิตที่ผู้ใช้ไว้วางใจได้
ความเสี่ยงและความปลอดภัย
กรณีการใช้งานที่มีขอบเขตดีจะช่วยลดความเหนื่อยล้าของการเปลี่ยนแปลงและความเสี่ยงในการดำเนินการ
อนาคตของการให้คะแนนลูกค้าเป้าหมายของ AI
การให้คะแนนกำลังผสานเข้ากับ Generative AI และข้อมูลความตั้งใจจากแหล่งข้อมูลบุคคลที่สาม ดังนั้นโมเดลจึงไม่เพียงแต่ระบุว่าใครมีแนวโน้มที่จะซื้อ แต่ทำไมตอนนี้และควรส่งข้อความใด คาดว่าจะมีการวนซ้ำที่เข้มงวดมากขึ้นโดยที่แบบจำลองจะแนะนำการดำเนินการที่ดีที่สุดถัดไป ร่างการเข้าถึงส่วนบุคคลโดยอัตโนมัติ และฝึกอบรมซ้ำอย่างต่อเนื่องเมื่อข้อตกลงปิดลง ผู้จำหน่ายกำลังเพิ่มความสามารถในการอธิบาย เพื่อให้ตัวแทนเห็นปัจจัยสำคัญเบื้องหลังแต่ละคะแนน และกฎความเป็นส่วนตัวกำลังผลักดันไปสู่ข้อมูลจากบุคคลที่หนึ่งและโมเดลที่ตระหนักถึงความยินยอม
การใช้งานจริงในโลกแห่งความเป็นจริง
เส้นทางของบริษัท B2B SaaS มีเพียงคะแนนนำที่สูงกว่า 80 ให้กับทีมพัฒนาการขายที่มีจำกัดเท่านั้น ซึ่งช่วยลดเวลาที่เสียไปกับผู้เตะล้อรถ
HubSpot และ Salesforce Einstein กำหนดเกรดเชิงคาดการณ์ (A ถึง D) ให้กับลีดขาเข้าตามประวัติการปิดข้อตกลงของลูกค้าแต่ละราย
กลุ่มตัวแทนจำหน่ายรถยนต์ให้คะแนนการสอบถามทางเว็บตามแนวโน้มที่จะเยี่ยมชมโชว์รูม โดยให้ความสำคัญกับการติดตามผลภายในชั่วโมงแรก
ผู้ให้กู้ฟินเทคจะให้คะแนนผู้ใช้ทดลองใช้ซ้ำทุกวัน กระตุ้นให้มนุษย์เข้าถึงผู้ใช้เมื่อพฤติกรรมของผู้ใช้ฟรีส่งสัญญาณถึงความพร้อมในการอัปเกรด
ความเสี่ยงและรั้ว
การทำให้กระบวนการที่เสียหายเป็นอัตโนมัติสามารถขยายปัญหาที่มีอยู่ได้
ทีมอาจดำเนินการอัตโนมัติมากเกินไปและลบวิจารณญาณของมนุษย์ที่จำเป็นออก
คุณภาพอาจคลาดเคลื่อนได้หากไม่ได้รับการประเมินผลลัพธ์อย่างต่อเนื่อง
แผนงานการดำเนินงาน
แมปขั้นตอนการทำงานปัจจุบันและระบุขั้นตอนที่มีแรงเสียดทานสูงสุด
กำหนดจุดตรวจของมนุษย์ก่อนระบบอัตโนมัติเต็มรูปแบบ
ฝึกอบรมผู้ใช้เกี่ยวกับการแจ้งเตือน เส้นทางการยกระดับ และมาตรฐานคุณภาพ
ติดตามผลลัพธ์ระดับงานเพื่อยืนยันคุณค่าที่ยั่งยืน
สำรวจต่อไป
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI Lead Scoring quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
คำแนะนำต่อไป
AI ในระบบการแนะนำ
คำถามที่พบบ่อย
What is AI Lead Scoring?
การให้คะแนนลูกค้าเป้าหมายด้วย AI ใช้การเรียนรู้ของเครื่องเพื่อคาดการณ์ว่าลูกค้าเป้าหมายการขายรายใดมีแนวโน้มที่จะแปลงมากที่สุด ดังนั้นทีมขายจึงใช้เวลากับโอกาสที่ดีที่สุด โดยจะแทนที่การจัดอันดับความรู้สึกภายในด้วยความน่าจะเป็นที่ขับเคลื่อนด้วยข้อมูลที่อัปเดตแบบเรียลไทม์
การให้คะแนนลูกค้าเป้าหมายของ AI แตกต่างจากการให้คะแนนตามกฎแบบเดิมอย่างไร
การให้คะแนนของ AI ฝึกฝนผลลัพธ์ CRM ที่ผ่านมาเพื่อเรียนรู้ว่าสัญญาณใดที่คาดการณ์การแปลงได้จริง แทนที่จะอาศัยค่าจุดคงที่ที่กำหนดด้วยตนเอง
งานแมชชีนเลิร์นนิงใดอธิบายการคาดการณ์ได้ว่าลูกค้าเป้าหมายจะทำให้เกิด Conversion ได้ดีที่สุด
การทำนายว่าจะมีการแปลงหรือไม่นั้นเป็นปัญหาการจำแนกประเภทไบนารีแบบคลาสสิก และแบบจำลองจะแสดงความน่าจะเป็นสำหรับคลาสที่เป็นบวก
เหตุใดความแม่นยำธรรมดาจึงเป็นตัวชี้วัดที่ไม่ดีสำหรับการประเมินโมเดลการให้คะแนนลูกค้าเป้าหมาย
เนื่องจาก Conversion เกิดขึ้นไม่บ่อยนัก รูปแบบที่ติดป้ายกำกับโอกาสในการขายทุกรายการว่าไม่ทำให้เกิด Conversion จึงอาจมีความแม่นยำสูงแต่ก็ไม่มีประโยชน์ ดังนั้นจึงควรใช้เมตริกอย่าง AUC-ROC
ข้อใดต่อไปนี้เป็นสัญญาณพฤติกรรมที่โมเดลการให้คะแนนลูกค้าเป้าหมายอาจใช้
สัญญาณพฤติกรรมจะบันทึกว่าลีดมีส่วนร่วมอย่างไร เช่น การเข้าชมหน้าราคา คำขอสาธิต และการมีส่วนร่วมทางอีเมล ซึ่งมักจะคาดการณ์เจตนาอย่างชัดเจน
ผลลัพธ์ทั่วไปของแบบจำลองการให้คะแนนลูกค้าเป้าหมายของ AI คืออะไร
โดยทั่วไปแล้ว โมเดลจะแสดงความน่าจะเป็น (0 ถึง 1) หรือเกรดตัวอักษรที่แสดงถึงแนวโน้มที่ลูกค้าเป้าหมายจะทำให้เกิด Conversion