Snelle afhaalmaaltijden

• AI-gebaseerde lead scoring en grading werkt het beste wanneer deze wordt toegepast op data die je al vertrouwt.
• Scoren en beoordelen beantwoorden verschillende vragen: de intentie van de koper versus de geschiktheid voor het account.
• Regelgebaseerde logica bepaalt nog steeds de ondergrens; AI past de weging aan naarmate het gedrag verandert.
• AI-ondersteunde scoring herweegt bestaande Eloqua- of Marketo- en CRM-gegevens, meer niet.
• Niet-overeenkomende MQL- en SQL-definities zorgen ervoor dat zelfs het meest nauwkeurige scoremodel niet meer werkt.
• Lead routing bepaalt of een sterke score daadwerkelijk leidt tot een gesloten deal.

Uw verkopers vertrouwen al maanden niet meer op de AI-gebaseerde leadscoring en -classificatie, en ze sturen potentiële klanten nu door op basis van hun onderbuikgevoel in plaats van de cijfers die uw systeem genereert. Dat is geen trainingsprobleem. Het is meestal een probleem met het model: de score en de classificatie zijn door elkaar gehaald, de weging is niet veranderd sinds het model live is gegaan, en niemand kan verklaren waarom een ​​directeur bij een bedrijf met 200 medewerkers hoger in rang staat dan een vicepresident bij een bedrijf met 2,000 medewerkers.

Het toevoegen van AI aan die chaos lost het probleem niet op. Het zorgt er alleen voor dat de verkeerde cijfers sneller en met meer zekerheid bewegen. De meeste marketingteams beschikken al over de gedrags- en firmografische data in Eloqua, Marketo of welk marketingautomatiseringsplatform ze ook gebruiken, en in hun CRM-systeem; de ontbrekende schakel is een model dat daadwerkelijk gebruikmaakt van die data, niet een groter model dat menselijk oordeel vervangt.

Dit artikel beschrijft hoe deze aanpak zou moeten werken wanneer het daadwerkelijk de beoordeling en score van leads verbetert, wat een door AI ondersteunde aanpak nog steeds niet zelfstandig kan doen, en hoe de overdracht opnieuw kan worden opgebouwd zodat de verkoopafdeling weer vertrouwen heeft in de cijfers.

Wat AI-leadscoring en -gradering daadwerkelijk verandert voor marketingoperaties.

AI-leadscoring en -gradering is de praktijk waarbij machinegestuurde modellen worden gebruikt om het koopgedrag en de geschiktheid van accounts opnieuw te wegen, bovenop de engagement- en CRM-gegevens die uw team al verzamelt. Het is geen vervanging voor de regels die uw team al heeft gevalideerd. Goed uitgevoerd, past het zich sneller aan dan een handmatige kwartaalbeoordeling, maar het werkt nog steeds met dezelfde input die uw team heeft gedefinieerd.

Punten geven versus beoordelen: twee verschillende signalen

De score meet de intentie: hij registreert wat een contactpersoon doet, zoals e-mails openen, prijspagina's bezoeken of een webinar bijwonen, en hij verandert voortdurend naarmate het gedrag verandert.

De beoordeling meet de geschiktheid: deze houdt bij wie de contactpersoon is, gebaseerd op firmografische gegevens zoals branche, bedrijfsgrootte en functie, en zou veel minder vaak moeten veranderen dan de score.

Marketingteams die deze twee factoren tot één getal combineren, verliezen de mogelijkheid om de verkoopafdeling uit te leggen waarom een ​​lead op een bepaalde positie scoort. Onze vergelijking van AI-leadscoring versus regelgebaseerde scoring laat zien waar de twee benaderingen in de praktijk van elkaar verschillen, en het is de moeite waard om deze te lezen voordat u de weging van een van beide signalen aanpast.

Waar past AI vandaag de dag in, en waar houdt het op?

Volledig voorspellende of autonome machine learning-modellen voor het scoren van leads behoren momenteel niet tot de mogelijkheden van 4Thought Marketing, en u moet sceptisch staan ​​tegenover elke leverancier die dit kant-en-klaar belooft. Dit soort modellen is nog steeds afhankelijk van validatie van de opgedane kennis, omdat een systeem zonder supervisie zonder problemen zal optimaliseren voor een signaal dat totaal irrelevant is voor uw verkoopteam. Eerlijke AI-leadscoring en -gradering erkent deze beperking in plaats van deze te verbergen achter een dashboard.

Wat AI-ondersteunde scoring betrouwbaar kan doen, is de gedrags- en firmografische signalen die al in uw Eloqua- of Marketo-engagementdata (of welk MAP-systeem u ook gebruikt) en uw CRM-records aanwezig zijn, opnieuw wegen. Dit gebeurt sneller dan een handmatige kwartjaarlijkse beoordeling. Dat is een aanzienlijke verbetering ten opzichte van een statische puntentabel, ook al is het geen volledig zelfsturend model. Het past bovendien in de bredere verschuiving die wordt beschreven in ' 8 Critical Components of Marketing Automation in the AI ​​Era'.

Het bouwen van een model voor leadgradering dat door AI daadwerkelijk verbeterd kan worden

Een beoordelingsmodel is slechts zo goed als de input die het gebruikt, en AI kan geen signalen genereren die nooit zijn vastgelegd. Controleer voordat u de weging aanpast of de onderliggende velden consistent zijn ingevuld in uw hele database, en niet alleen voor de accounts die uw team zich toevallig herinnert. Ons bijbehorende artikel over gecombineerde lead scoring-data beschrijft precies hoe die inputs kunnen worden vervormd voordat een model ze überhaupt te zien krijgt.

De inputs die de weging waard zijn

Firmografische geschiktheid: branche, aantal werknemers en accountstatus geven aan of een contactpersoon überhaupt in uw ideale klantprofiel past.

Gedragsintentie: het downloaden van content, het bezoeken van prijspagina's en terugkerend gedrag na meerdere sessies geven aan of een contactpersoon op dit moment actief een aankoop overweegt. Het wegen van de onderwerpen waarnaar een contactpersoon steeds terugkeert, en niet alleen hoe vaak ze interactie hebben, is een vakgebied op zich; ons artikel over contentaffiniteitsscoring beschrijft hoe je die laag kunt toevoegen aan het gedragssignaal dat je al hebt.

Betrokkenheid neemt af: een contactpersoon die negentig dagen niets van zich heeft laten horen, zou automatisch minder gewicht in de score moeten krijgen. Dit is een van de weinige gevallen waarin AI-herweging zijn nut bewijst zonder veel risico.

Het model controleerbaar houden

Elke herwegingsbeslissing die het model neemt, moet in duidelijke taal zichtbaar zijn voor marketingmedewerkers, en niet verborgen blijven in een black box. Als het model niet kan uitleggen waarom een ​​directeur van een C-cijfer naar een A-cijfer is gestegen, zal de verkoopafdeling het binnen een kwartaal niet meer vertrouwen, en terecht. Dit is waar AI-leadscoring en -gradering geloofwaardigheid wint of voorgoed verliest.

Als u dit specifiek binnen Eloqua bouwt of herbouwt, beschrijft onze handleiding voor het bouwen van een schaalbaar Eloqua-leadscoringsmodel de veldstructuur en campagnelogica die ervoor zorgen dat het model onderhoudbaar blijft naarmate uw database groeit.

Voorspellende lead scoring zonder het op regels gebaseerde basisprincipe te verliezen.

Deze aanpak werkt het beste als een extra laag bovenop een op regels gebaseerd basissysteem, niet als vervanging ervan. De regels bepalen de minimale drempel voor wat als verkoopklaar wordt beschouwd; AI-leadscoring en -gradering past aan hoe snel een contactpersoon die drempel nadert op basis van daadwerkelijk gedrag.

Wat verandert er wanneer AI wordt toegevoegd aan een op regels gebaseerde scoreberekening?

Een statisch model kent vijf punten toe aan een demo-aanvraag en komt nooit meer op dat aantal terug. Een AI-gestuurd model kan herkennen dat demo-aanvragen uit een specifieke branche dit kwartaal een veel hoger conversiepercentage hebben en de weging daarop aanpassen, zonder dat de marketingafdeling de puntentabel handmatig hoeft aan te passen. Adobe beschrijft dit soort logica voor het toekennen van punten op programmaniveau in de handleiding voor het Marketo-leadscoreframework , een nuttig naslagwerk als uw Marketo-omgeving gebruikmaakt van Marketo Engagement Programs in plaats van Eloqua-campagnes.

Lead scoring in marketingoperaties werkt alleen als de onderliggende platformmechanismen gedocumenteerd zijn, niet alleen de strategie. Oracle publiceert de onderliggende mechanismen voor het bijwerken van Eloqua-scorevelden binnen een campagne in de Eloqua-lead scoring-documentatie , en Salesforce legt uit hoe scoring en grading als afzonderlijke disciplines samenwerken in de module Lead Scoring and Grading in Account Engagement . Deze context is nuttig, zelfs als uw stack op Eloqua, Marketo of een ander platform draait.

Foutpunten die voorspellingsmodellen snel laten falen

Gegevensveroudering: verouderde functietitels en achterhaalde personeelsaantallen verstoren ongemerkt de beoordelingskant van het model, lang voordat iemand het merkt. Hetzelfde langzame verval treedt ook op bij de puntentelling; lees ons artikel over afwijkingen in het puntentellingsmodel voor tips over hoe je dit kunt opsporen voordat de verkoopafdeling het merkt.

Verweesde scorevelden: velden die na een platformmigratie niet meer worden bijgewerkt, blijven meetellen voor de totale score alsof er niets is veranderd.

Inconsistente formulierinvullingen: een formulier dat zowel "Marketing Manager" als "Mktg Mgr" als vrije tekst toelaat, zal ongemerkt een deel van elke invulling verkeerd beoordelen.

Een betere score omzetten in een verkoopklare overdracht.

Een nauwkeuriger model is alleen relevant als het de daaropvolgende processen beïnvloedt. Als de overdracht van marketing naar sales niet gelijktijdig wordt herzien, levert een betere score slechts een nauwkeuriger cijfer op dat vervolgens genegeerd wordt.

Cijfers en scores afstemmen op uw MQL- en SQL-definities

De drempelwaarden voor MQL en SQL variëren per organisatie en moeten door uw eigen team worden vastgesteld in plaats van overgenomen uit een sjabloon. Nadat de score en de beoordeling zijn gescheiden en correct opnieuw zijn gewogen, kunt u uw raamwerk voor de overdracht van MQL- naar SQL-leads herzien om te controleren of de drempelwaarde nog steeds overeenkomt met de manier waarop de verkoopafdeling daadwerkelijk op de hoogte wil worden gebracht.

Het lood doorsturen zodra het de balk gepasseerd is.

Een correct gescoorde en beoordeelde lead die in de verkeerde wachtrij van een verkoper terechtkomt, is in feite hetzelfde als een lead die helemaal niet gescoord is. Combineer het bijgewerkte model met leadrouteringsstrategieën die sales en marketing op elkaar afstemmen, zodat de lead daadwerkelijk bij de verkoper terechtkomt die verantwoordelijk is voor die account of dat gebied, en niet zomaar bij de volgende naam in een round-robin wachtrij. Zodra de routering correct is, is de volgende vraag wat er gebeurt in de minuten na die overdracht; ons artikel over MQL-follow-upautomatisering beschrijft hoe AI in realtime op die overdracht kan reageren in plaats van deze in een wachtrij te laten staan.

Conclusie

Deze aanpak verdient zijn plaats in leadscoring voor marketingoperaties wanneer de data die uw team al vertrouwt opnieuw wordt gewogen, en niet wanneer de regels en het oordeel achter die data worden vervangen door een black box. Scheid de score van het cijfer, zorg ervoor dat het model controleerbaar blijft en bouw de overdracht opnieuw op rond echte MQL- en SQL-definities voordat u verwacht dat de verkoopafdeling het cijfer weer vertrouwt. Als uw team hulp nodig heeft bij het controleren van een bestaand model of het bouwen van een nieuw model op basis van Eloqua, Marketo of een ander platform, neem dan contact met ons op bij 4Thought Marketing en we gaan aan de slag met de data die u al heeft.

Over 4Thought Marketing
Wij zijn een B2B-adviesbureau voor marketingautomatisering en AI, met een passie voor het daadwerkelijk laten werken van complexe technologie. Sinds 2008 hebben we honderden organisaties in de financiële sector, technologie, productie en vastgoed geholpen om meer uit Eloqua, Marketo en hun CRM-integraties te halen. We ondersteunen onze klanten op het gebied van marketingautomatiseringsstrategie, lead lifecycle, AI, compliance, voorkeursmanagement en meer. Ontdek onze diensten or Neem gerust contact op!.

Veelgestelde Vragen / FAQ