Haaskaatko aikaasi myyntiliideihin, joiden todennäköisyys toteutua kaupaksi on olematon? Kaikki myyntiliidit eivät ole samanarvoisia, mutta miten myyntiliidien pisteytys auttaa selvittämään liidien laadun. Tärkeää on tietää, mitkä liidit toimivat ja mitkä eivät.
Liidipisteytys luo ennusteen, jonka avulla tiedät, mihin liidiin sinun kannattaa käyttää arvokasta työaikaasi ja mihin taas ei. Liidipisteytys siis ennustaa, kuinka laadukas liidi on. Liidit pisteytetään välillä 0–100. Taustalla toimii tekoäly, joka luo ennusteen liidin laadulle.
Pisteytysjärjestelmä asettaa liidit arvojärjestetykseen. Pisteytyksen avulla luodaan samalla myyntiennuste, joka perustuu rakennettuihin ennustemalleihin siitä, millä todennäköisyydellä liidi realisoituu kaupaksi. Ennustemallit puolestaan perustuvat kerättyyn dataan, koneoppimiseen ja algoritmien luomaan liidipisteytykseen.
Kerrotaan hyödyt, joita saadaan koneoppimiseen perustuvasta liidipisteytyksestä. Mitä on opittu eri organisaatioiden kanssa työskentelystä sekä millainen data on riittävän hyvä ennusteiden tekemiseksi.
Ennustava liidipisteys tukee markkinointia ja myyntiä tekoälyä ja dataa hyväksikäyttämällä. PLS soveltuu erinomaisesti keskisuurten ja suurten organisaation työkaluksi.
Yrityksillä, joiden liidejä olemme pisteyttäneet, on usein monia liiketoimintayksiköitä. Ne saattavat toimia useilla eri markkina-alueilla. Yrityksillä on ollut myös useita prosesseja, joiden avulla ne ovat haalineet uusia asiakkuuksia.
Näin syntyy ennustava liidin pisteytysjärjestelmä
Datan keruu ja valmistelu
Vaivalloisin vaihe liidipisteytyksen aikaansaamiseksi on datan kerääminen eri lähteistä ja sen valmistelu. ja onneksi tämä on vain kertaluonteinen tehtävä, johon liittyy muun muassa skriptien tekemistä. Yleisimpiin lähdejärjestelmiin tämä on jo tehty. Tässä vaiheessa datasta poimitaan kaikki oleellinen, jota algoritmit hyödyntävät.
Datan lähteitä voivat olla muun muassa
- verkkosivut
- yritysten taustatiedot
- markkinoinnin automaatio
- digitaalinen myyntifunneli
Yritykset usein alihyödyntävät markkinoinnin automaatiojärjestelmiään. Niitä käytetään tavallisesti pelkästään olemassa olevien asiakkaiden hallinnoimiseen. Käytännössä tämä tarkoittaa, että nykyisille asiakkaille lisätään CRM-järjestelmään kauppa, diili. Tämä ei kuitenkaan juuri kuvaa myyntiprosessia.
Markkinoinnin automaatiotyökalusta kaikki hyöty irti – enemmän tietoa asiakashankintaan
Kun datapisteitä valmistellaan algoritmien käyttöön, kaiken a ja o on ymmärtää, mitä organisaatio tekee. Kun olemme tämän ymmärtäneet, voimme poimia oikeat datapointit.
Seuraava vaihe on mallien valmistelu ja koneoppiminen.
Malleille annetaan aikasarjoja ja datajoukkoja, joista siivotaan samankaltaiset muuttujat pois. Tämän jälkeen datajoukko splitataan, ja datajoukosta poistetaan neljäsosa. Tätä osaa käytetään myöhemmin testidatana.
Jäljelle jäävällä kolme neljäsosalla koulutetaan algoritmeja, jotka määrittävät muuttajat. Näin saadaan esille tekijät, jotka vaikuttavat joko positiivisesti tai negatiivisesti liidin elämänkaareen.
Algoritmit kehittyvät ajan mittaan automaattisesti, jos ne saavat jatkuvasti uutta materiaalia. Algoritmit huomaavat, mitkä tekijät ovat johtaneet siihen, että liidistä on tullut myynti tai huti.
Kun algoritmit on saatu kuntoon, ne laitetaan tuotantoon.
Tyypillisintä on, että data kerätään asiakkaan omista lähteistä. Data syötetään algoritmeille joko kerran päivässä tai kerran viikossa. Tuotos ajetaan takaisin asiakkaan markkinoinnin automaatiojärjestelmään
Tämän lisäksi asiakas saa eri raportteja, joista selviää mallien tarkkuus sekä muuttujat, joita mallit hyödyntävät. Sivutuotteena saadaan paljon tietoa asiakashankintaan.
