Как работает предиктивный скоринг лидов
Предиктивный скоринг лидов позволяет сократить трудозатраты менеджеров на обработку неперспективных лидов и увеличить число лидов, переводимых в продажи. Прогноз выполняется для каждого квалифицированного лида и учитывает как параметры самого лида, так и историю работы с клиентом.
•Как запускается предиктивный скоринг лидов
•Какие данные учитываются предиктивным скорингом
В результате на странице лида отображается предиктивный рейтинг (Рис. 1) — вероятность успешной конвертации лида в продажу по шкале от 1 до 100 баллов.
На заметку
Если предиктивный рейтинг не отображается в профиле лида, то проверьте в разделе [Модели машинного обучения], что в системе активирован предиктивный скоринг лидов и есть обученный экземпляр модели.
Рис. 1 — Профиль лида с предиктивным рейтингом
В зависимости от вероятности перевода лида в продажу, система различает:
-
— высокий предиктивный рейтинг (80–100 баллов); -
— средний предиктивный рейтинг (50–79 баллов); -
— низкий предиктивный рейтинг (1–49 баллов).
Для лидов, которые еще не прошли стадию квалификации, предиктивный скоринг не выполняется, а рейтинг на странице такого лида имеет значение “0” 
.
Предиктивный рейтинг регулярно пересчитывается, так как работа по взращиванию лида оказывает постоянное влияние на вероятность его перевода в продажу. Рейтинг может быть пересчитан как в сторону повышения, так и в сторону понижения, если информация по лиду долгое время не обновлялась.
На заметку
Вы можете изменить базовую модель предиктивного скоринга. Настройка модели выполняется средствами разработки.
Как запускается предиктивный скоринг лидов
Предиктивный скоринг лидов в системе можно запустить как для одной записи, так и для всех лидов, находящихся на стадии взращивания. Он может запускаться автоматически и вручную для выбранной записи.
Автоматический запуск предиктивного скоринга
Предиктивный скоринг лида запускается автоматически:
-
При квалификации лида. В этом случае прогноз рейтинга выполняется только для лида, который был квалифицирован.
-
Каждый день в период минимальной загрузки системы. В этом случае прогноз выполняется для всех лидов, находящихся на стадии взращивания.
Чтобы настроить автоматический запуск прогнозирования для всех взращиваемых лидов, откройте в разделе [Модели машинного обучения] страницу модели предиктивного скоринга и в блоке [Шаг 3] укажите способ запуска пакетного прогнозирования “Каждый день в период окна обслуживания системы”.
На заметку
Настройка временного интервала, в котором система наименее загружена и может выполнять ресурсоемкие процессы, выполняется в справочнике [Окна обслуживания системы].
Запуск предиктивного скоринга вручную
Чтобы запустить определение предиктивного рейтинга для любого лида вручную, в реестре раздела [Лиды] выделите запись, для которой хотите рассчитать прогноз, и выберите действие [Определить предиктивный рейтинг] (Рис. 2).
Рис. 2 — Запуск расчета предиктивного рейтинга вручную
Какие данные учитываются предиктивным скорингом
Для определения предиктивного рейтинга лида модель машинного обучения анализирует данные лида и связанных записей. Чтобы предиктивный скоринг учитывал всю проделанную работу, рекомендуется максимально подробно вносить в систему информацию о лиде и его взращивании.
При расчете предиктивного рейтинга модель машинного обучения учитывает следующие основные данные лида и связанных объектов:
-
Тип потребности лида.
-
Наличие квалифицированного контакта и его характеристики (роль, тип, департамент, должность, наличие мобильного телефона, наличие рабочего телефона).
При отсутствии характеристик контакта на странице лида, система проверит, заполнены ли они на странице контакта.
-
Наличие квалифицированного контрагента и его характеристики (категория, отрасль, тип, количество сотрудников, наличие веб-сайта, страна).
При отсутствии характеристик контрагента на странице лида, система проверит, заполнены ли они на странице контрагента.
-
Данные о привлечении лида (источник, канал привлечения, наличие событий сайта, лендинг).
-
Агрегированные показатели лида:
•количество дней, прошедших после квалификации лида;
•количество лидов контакта;
•количество лидов контакта, зарегистрированных за последние 2 недели;
•количество звонков и email-сообщений по лиду (за месяц, за квартал, всего).
•количество дней, прошедших с последнего звонка;
•количество дней, прошедших с последнего email-сообщения.
Отсутствие одного или нескольких параметров из приведенного списка может оказать значительное влияние на точность предиктивного рейтинга лида.
Смотрите также
