Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Bài kiểm tra chấm điểm khách hàng tiềm năng AI

Đánh giá cách tính điểm dẫn đầu sử dụng các kết quả lịch sử, tại sao sự mất cân bằng trong lớp ảnh hưởng đến việc đánh giá và tại sao việc hiệu chuẩn và giám sát độ lệch lại quan trọng.

Đường dẫn hướng dẫn liên quanChấm điểm khách hàng tiềm năng AI
Câu hỏi 1 của 8

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?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. 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?
    • Nó học trọng số từ dữ liệu chuyển đổi lịch sử thay vì sử dụng các điểm cố định
    • Nó chỉ tính số lần mở email
    • Nó không yêu cầu dữ liệu nào cả
    • Nó bỏ qua quy mô công ty và chức danh công việc
  2. Nhiệm vụ máy học nào mô tả đúng nhất việc dự đoán liệu khách hàng tiềm năng có chuyển đổi hay không?
    • Phân đoạn hình ảnh
    • Phân loại nhị phân
    • Nhận dạng giọng nói
    • Học tăng cường
  3. 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?
    • 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. Theo tài liệu chấm điểm khách hàng tiềm năng của HubSpot, điểm tùy chỉnh có thể sử dụng dữ liệu nào?
    • Only a person’s name
    • Chỉ có thời gian trong ngày
    • Unlabeled audio waveforms
    • Record actions or properties selected for the scoring model
  5. Mô hình chấm điểm khách hàng tiềm năng có thể trả về kết quả gì cho mỗi khách hàng tiềm năng?
    • 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