Tiếp theoHướng dẫn tiếp theo
AI dành cho người quản lý và trưởng nhóm
Ứng dụng
HƯỚNG DẪN ứng dụng
Chấm điểm khách hàng tiềm năng AI
Chấm điểm khách hàng tiềm năng xếp hạng hoặc ước tính khả năng xảy ra một chuyển đổi xác định bằng cách sử dụng thông tin về khách hàng tiềm năng.
Nghe hướng dẫn nàyAI thuật lại · ~1 min
Trên trang nàyđọc 1 phút
Tổng quan
Điểm số của mô hình là một công cụ hỗ trợ quyết định mà tính hữu ích của nó phụ thuộc vào định nghĩa kết quả, chất lượng dữ liệu, sự cân bằng lớp và quá trình đánh giá.
Lặn sâu
Mô hình dự đoán điểm số khách hàng tiềm năng có thể đóng khung việc chuyển đổi dưới dạng phân loại nhị phân. Khi các kết quả tích cực là hiếm, độ chính xác đơn thuần có thể che giấu những khách hàng chuyển đổi bị bỏ sót; độ chính xác (precision) và độ thu hồi (recall) mô tả các sự đánh đổi lỗi khác nhau. Đầu ra của mô hình có thể là điểm số xếp hạng hoặc xác suất, nhưng nó không tự động được hiệu chuẩn. Hiệu chuẩn so sánh các xác suất được dự đoán với tần suất sự kiện được quan sát. Các số đo tầm quan trọng của đặc trưng giúp mô tả hành vi của mô hình nhưng không cho thấy đặc trưng đó gây ra chuyển đổi.
Triển khai trong thế giới thực
Xác định nhãn chuyển đổi và huấn luyện bộ phân loại nhị phân dựa trên các ví dụ lịch sử.
Chọn các hành động hoặc thuộc tính của bản ghi làm đặc trưng ứng viên, như trong các quy trình chấm điểm khách hàng tiềm năng được ghi lại.
So sánh độ chính xác (precision) và độ thu hồi (recall) khi các trường hợp chuyển đổi không phổ biến.
Kiểm tra xem các xác suất ước tính có khớp với tần suất chuyển đổi được quan sát hay không trước khi sử dụng chúng làm xác suất.
Tương lai của việc chấm điểm khách hàng tiềm năng bằng AI
Theo dõi dữ liệu và hiệu suất sau khi triển khai vì phân phối đầu vào và các mẫu chuyển đổi có thể thay đổi. Đánh giá lại việc hiệu chuẩn và các lựa chọn ngưỡng trên dữ liệu hiện tại, đồng thời ghi lại nhãn kết quả và thời gian đánh giá.
Đưa nó vào thực tế
Tại sao nó quan trọng
- Xây dựng lựa chọn. Thiết kế cấp ứng dụng xác định liệu AI có cải thiện kết quả thực tế hay không.
- Nhóm và quy trình làm việc. Tích hợp quy trình làm việc tốt sẽ giúp tăng năng suất mà người dùng có thể tin tưởng.
- Rủi ro và an toàn. Các trường hợp sử dụng có phạm vi phù hợp giúp giảm bớt sự mệt mỏi khi thay đổi và rủi ro triển khai.
coi chừng
- Tự động hóa một quy trình bị hỏng có thể khuếch đại các vấn đề hiện có.
- Các nhóm có thể tự động hóa quá mức và loại bỏ sự phán xét cần thiết của con người.
- Chất lượng có thể thay đổi nếu kết quả đầu ra không được đánh giá liên tục.
Các bước tiếp theo
- Lập sơ đồ quy trình làm việc hiện tại và xác định bước có mức độ ma sát cao nhất.
- Xác định các điểm kiểm tra của con người trước khi tự động hóa hoàn toàn.
- Đào tạo người dùng về lời nhắc, đường dẫn leo thang và tiêu chuẩn chất lượng.
- Theo dõi kết quả ở cấp độ nhiệm vụ để xác nhận giá trị bền vững.
Tiếp tục khám phá
Bản tin miễn phí
Nhận bản tóm tắt AI hàng ngày
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Làm bài trắc nghiệm về Chấm điểm Khách hàng tiềm năng bằng AI
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Câu hỏi thường gặp
Chấm điểm khách hàng tiềm năng AI là gì?
Chấm điểm khách hàng tiềm năng xếp hạng hoặc ước tính khả năng xảy ra một chuyển đổi xác định bằng cách sử dụng thông tin về khách hàng tiềm năng. Điểm số của mô hình là một công cụ hỗ trợ quyết định mà tính hữu ích của nó phụ thuộc vào định nghĩa kết quả, chất lượng dữ liệu, sự cân bằng lớp và quá trình đánh giá.
Việc chấm điểm khách hàng tiềm năng bằng AI khác chủ yếu như thế nào so với việc chấm điểm dựa trên quy tắc truyền thống?
Tính điểm AI huấn luyện các kết quả CRM trước đây để tìm hiểu những tín hiệu nào thực sự dự đoán chuyển đổi, thay vì dựa vào các giá trị điểm cố định được gán theo cách thủ công.
Nhiệm vụ máy học nào mô tả đúng nhất việc dự đoán liệu khách hàng tiềm năng có chuyển đổi hay không?
Khi các trường hợp chuyển đổi rất hiếm, một mô hình dự đoán "không chuyển đổi" cho hầu hết mọi người vẫn có thể đạt được độ chính xác cao trong khi bỏ lỡ các khách hàng tiềm năng quan tâm. Độ chính xác và độ thu hồi cung cấp thêm thông tin về các dự đoán tích cực và các trường hợp tích cực bị bỏ sót.
Tại sao độ chính xác đơn giản lại là một thước đo kém để đánh giá các mô hình chấm điểm khách hàng tiềm năng?
Khi các trường hợp chuyển đổi ít xảy ra, một mô hình gắn nhãn mọi khách hàng tiềm năng là không chuyển đổi vẫn có thể đạt độ chính xác cao trong khi bỏ lỡ các trường hợp tích cực. Hãy đánh giá độ chính xác và độ thu hồi hoặc một chỉ số khác phù hợp với trường hợp sử dụng.
Theo tài liệu chấm điểm khách hàng tiềm năng của HubSpot, điểm tùy chỉnh có thể sử dụng dữ liệu nào?
HubSpot ghi lại điểm tùy chỉnh dựa trên các hành động hoặc thuộc tính của bản ghi; các tiêu chí chính xác phụ thuộc vào mô hình của tổ chức.
Mô hình chấm điểm khách hàng tiềm năng có thể trả về kết quả gì cho mỗi khách hàng tiềm năng?
Mô hình có thể trả về điểm số hoặc xác suất ước tính. Hiệu chuẩn là một thuộc tính riêng biệt: xác suất dự đoán phải được so sánh với các kết quả thực tế quan sát được.
Tiếp tục học hỏi
Hướng dẫn liên quan
Đã chọn thêm hướng dẫn cho chủ đề này