Оценка потенциальных клиентов с использованием машинного обучения

Если в вашей торговой организации есть длинный список лидов, ожидающих звонка, вам повезло! Но только в том случае, если у вас есть длинный список торговых представителей, чтобы обзвонить всех потенциальных клиентов. Если нет, извините, что вы раздражаете многих потенциальных клиентов!
И во многих случаях, если у вас есть армия, которую нужно призвать, есть много лидов, которые не соответствуют требованиям, и после того, как вы потратите часть ваше драгоценное время репутации на них, они должны перейти к другому лиду, который сейчас холоднее, чем днем ​​​​ранее.
Если эти проблемы резонируют с вами, вы должны оценить свои лиды!

Лид-скоринг — это процесс в продажах и маркетинге, позволяющий расставить приоритеты лидов на основе их вероятности конвертации в клиентов. Он присваивает числовую оценку каждому лиду на основе определенных критериев и поведения, помогая торговым представителям сосредоточиться на лидах, которые с большей вероятностью конвертируются.

Процесс оценки потенциальных клиентов обычно основан на трех основных группах характеристик:

1. Профиль лида/клиента: обычно профиль клиента много говорит о возможности конвертации лида, подумайте в случае с B2B, о размере компании, их годовом доходе, отрасли, а также о должности контактного лица. , насколько близко находится ведущий контакт к лицу, принимающему окончательное решение по сделкам и контрактам. Поэтому крайне важно объединить наших клиентов в разные группы/профили и создать карту наших различных профилей идеальных клиентов или личностей клиентов. После построения карты нам нужно будет систематически измерять связь нового лида с этими профилями.
2. Активность лида. Другим критерием для оценки качества лида является количество активности, от количества полей, заполненных в форме для потенциальных клиентов, до количества сообщений, кликов по ссылкам и загрузок. Проще говоря, чем больше активность и вовлеченность лида, тем выше уровень интереса и шанс конверсии.
3. Окупаемость инвестиций в лиды: Еще один показатель при принятии решения о том, как расставить приоритеты в отношении лидов, — это доход, который они нам принесут. Например, сделка, которая приносит полмиллиона долларов, и сделка, которая приносит 20 тысяч долларов, определенно отличаются, и время, необходимое для их взращивания и конвертации, отличается. Поскольку два других критерия касались только клиентов, этот показатель связывает клиента с нашими бизнес-целями и стратегиями продаж. В некоторых ситуациях, в зависимости от времени окупаемости инвестиций, мы можем пойти с первым лидом, но в других случаях мы можем выбрать второе.

Каждая категория, упомянутая выше, представляет собой группу различных показателей, которые в совокупности дают полную картину качества лида и его оценки. Традиционно веса и взаимодействие между всеми этими индикаторами строились на основе времени, проб и ошибок, анализа рынка и клиентов и искусства продаж. В настоящее время, используя машинное обучение, мы автоматизируем многие из этих процессов, но шаги в целом остаются теми же. Мы должны анализировать клиента, движение продукта и рынок во времени и проводить A/B-тестирование множества схем, чтобы получить оптимизированную формулу.

В конце концов, более высокая оценка лида указывает на лида, который с большей вероятностью конвертируется, и, следовательно, отделы продаж могут расставить приоритеты в своих усилиях и сосредоточиться на лидах с более высокими баллами. Это помогает оптимизировать продуктивность продаж, поскольку торговые представители могут сосредоточиться на потенциальных клиентах с более высокой вероятностью конверсии, что приводит к более эффективным и действенным процессам продаж.

Оценка лидов может быть выполнена путем явного присвоения весов различным функциям, атрибутам лидов и действиям. Но, как правило, это автоматизировано с использованием систем управления взаимоотношениями с клиентами (CRM) или платформ автоматизации маркетинга. Автоматизация позволяет обновлять оценки в режиме реального времени на основе поведения лидов и триггеров, гарантируя, что оценки лидов остаются актуальными и реагируют на изменения вовлеченности лидов.

С алгоритмической и операционной точек зрения мы можем разделить методы подсчета лидов на следующие категории:

1. Оценка атрибутов лидов: этот метод включает в себя присвоение баллов на основе явной информации лидов. Он включает в себя такие факторы, как должность, размер компании, отрасль и конкретные действия, предпринятые лидом, такие как заполнение контактной формы, запрос демонстрации или посещение вебинара.
2. Оценка профиля потенциальных клиентов. Демографическая оценка фокусируется на характеристиках потенциальных клиентов, таких как должность, размер компании, отрасль, местоположение и другая демографическая информация. Определенные демографические факторы могут быть более актуальными и влиятельными при определении вероятности того, что лид станет клиентом. В случае, если лид представляет собой бизнес, мы также должны учитывать факторы, связанные с организацией или компанией лида, такие как отрасль, годовой доход, количество сотрудников, географическое положение и набор технологий. Эти факторы помогают оценить соответствие потенциальных клиентов и потенциальную ценность на основе целевого рынка и профиля идеального клиента.
3. Оценка активности потенциальных клиентов: мы присваиваем более высокие баллы лидам с более высокой активностью в этом методе. Этот метод учитывает такие факторы, как посещения веб-сайтов, просмотры страниц, открытие электронной почты, рейтинг кликов, загрузки контента, участие в социальных сетях и другие цифровые взаимодействия, которые указывают на уровень интереса и участия лида.
4. Оценка торговых представителей: это качественная мера, основанная на опыте торговых представителей, обычно формулируемая с помощью бинарной схемы оценки рисков, и включает субъективные оценки потенциальных клиентов на основе таких факторов, как качество источника потенциальных клиентов, отзывы торговых представителей, знание отрасли или специфические особенности. качественные критерии, установленные организацией. Он включает в себя человеческое суждение и опыт, дополняющие другие методы подсчета очков.

Часто комбинация этих методов используется для создания окончательной картины квалификации потенциальных клиентов. И раньше требовались финансовые аналитики и много проб и ошибок, чтобы построить веса и формулы для моделей на основе правил/баллов и оценочных карт для расчета баллов. После того, как формула была создана, компании могли интегрировать ее со своими CRM-системами и вычислять баллы лидов на лету. Однако эта система по-прежнему требовала от группы финансовых аналитиков постоянной проверки результатов и обновления своих программ. Это была дорогостоящая операция, которую несколько отраслевых сегментов могли оправдать, например, в сфере кредитования.

Один из первых примеров автоматизации подсчета потенциальных клиентов и использования машинного обучения также начался в той же финансовой отрасли компанией GE Capital. Тем не менее, крупные поставщики CRM в качестве основных систем управления лидами также начали работать. Например, Salesforce начала продавать свою систему оценки лидов на основе регрессии как систему оценки лидов на основе ИИ. И вскоре все остальные начали рассматривать машинное обучение как обещанное самое дешевое решение для оценки потенциальных клиентов, поскольку оно устраняет аспекты ручного человеческого расчета и заменяет их повторяющимися компьютерными программами. Машинное обучение можно использовать для оценки потенциальных клиентов более автоматизированным и управляемым данными способом.

Два преимущества использования машинного обучения в подсчете потенциальных клиентов заключаются в том, что машинное обучение может находить в данных скрытые сложные факторы сезонности. Например, если вовлечение клиентов имеет два неидентичных гармонических фактора, которые генерируют сложную реакцию взлетов и падений продаж, это можно обнаружить во многих современных классификаторах.

Другая прелесть использования машинного обучения заключается в его способности фиксировать нелинейную корреляцию между факторами принятия решений, которая при ручных методах, за исключением сложных статистических операций, не будет обнаружена.

Чтобы применить машинное обучение к вашей проблеме оценки лидов, вам необходимо предпринять следующие шаги:

1. Анализ данных и проектирование признаков. Алгоритмы машинного обучения могут анализировать большие объемы данных для выявления закономерностей и взаимосвязей между атрибутами потенциальных клиентов и результатами конверсии. Анализируя исторические данные о лидах и данные о конверсии клиентов с помощью алгоритмов машинного обучения, вы можете определить корреляцию между вашими функциями и желаемым результатом конвертации лида. Это помогает свести к минимуму количество функций, которые вы хотите передать в свою модель, а иногда раскрывает важные функции для сезонности.
2. Построение и обучение модели: как только соответствующие функции определены, мы можем выбрать алгоритм, такой как логистическая регрессия, деревья решений, случайные леса, повышение градиента, SVM или даже нейронные сети для построения модели. Затем мы можем обучить и протестировать модель, используя исторические данные.
3. Прогнозирование — это оценка: используя нашу обученную модель, мы можем предсказать вероятность того, что лид будет конвертирован. Эту вероятность можно использовать непосредственно в качестве оценки или применить к другим преобразованиям на основе нашей схемы оценки для получения окончательной оценки.
4. Непрерывное обучение: это важный шаг. Производительность модели, которую вы обучили на исторических данных, может быстро ухудшиться, когда ваши исторические данные станут доисторическими. Наши клиенты, конъюнктура рынка и все составляющие модели постоянно меняются. Мы должны постоянно следить за нашими моделями и следить за тем, чтобы они время от времени проходили переобучение по мере появления новой партии потенциальных клиентов.

Давайте рассмотрим некоторые опубликованные исследования реальных примеров машинного обучения в подсчете лидов.

Организации могут автоматизировать этот процесс, используя машинное обучение для оценки потенциальных клиентов, повышения точности и масштабирования своих усилий по управлению потенциальными клиентами. Это позволяет более эффективно распределять ресурсы по продажам и маркетингу, выявлять ценных лидов и повышать общую эффективность стратегий взращивания и конверсии лидов.

Как я уже упоминал ранее, GE была одним из пионеров использования машинного обучения для управления потенциальными клиентами и их генерации. И природа деревьев решений «если-то» напрямую переводится на ранние бинарные функции, которые раньше использовались для оценки потенциальных клиентов, например, если клиент отправил электронное письмо более одного раза, оценка увеличивается на x. Таким образом, было бы естественно рассматривать деревья решений как ранние факторы оценки потенциальных клиентов.

В своей статье 2013 года Аггур и Хугс предлагают успешный пример использования модели на основе дерева решений для оценки потенциальных клиентов. Они описывают реализацию системы под названием Lead Triggers, которая автоматизирует сбор и анализ информации о компании GE для выявления потенциальных потенциальных клиентов для торговых представителей с использованием двухклассового дерева решений для обнаружения комбинаций финансовых показателей и значений во времени, представленных в положительном ключе. обведены и не показаны в отрицательных падежах. Система состоит из трех основных компонентов: объединение информации, обнаружение знаний и визуализация информации. Он извлекает данные из различных источников, объединяет их в значимую информацию и извлекает эту информацию для потенциальных клиентов на основе определенных экспертами и статистически полученных триггеров. Система имеет веб-интерфейс, обеспечивающий торговым представителям доступ к информации о компании и потенциальным клиентам в одном месте. Использование лид-триггеров значительно улучшило работу торговых представителей, увеличив их производительность на 30–50%. Только в 2010 году Lead Triggers предоставила возможности на сумму более 44 миллиардов долларов в рамках новых обязательств по сделкам для GE Capital Americas. Система изменила то, как торговые представители собирают информацию, повысила их производительность и обеспечила согласованность и эффективность всего отдела продаж.

Одним из наиболее часто используемых методов подсчета лидов является случайный лес. Поскольку деревья решений могут отображать нелинейные отношения, леса, состоящие из множества деревьев решений, могут вывести их на следующий уровень. В исследовании, опубликованном в 2020 году, Башарслан и Аргун предлагают схему привлечения клиентов в банковской сфере на основе оценки потенциальных клиентов. Авторы сравнивают модели, используя несколько алгоритмов классификации для оценки потенциальных клиентов банка на основе набора данных, полученных с помощью телемаркетинга. Для создания этих моделей используются различные алгоритмы классификации, такие как дерево решений, наивный байесовский алгоритм, K-ближайших соседей, логистическая регрессия, случайный лес и адаптивное повышение. Набор данных разделен на обучающие и тестовые наборы с использованием методов K-кратной перекрестной проверки и удержания, чтобы обеспечить согласованную производительность модели. Показатели оценки, такие как точность, точность, чувствительность и F-мера, используются для оценки производительности модели. Результаты показывают, что алгоритм Random Forest лучше всего работает в точности и F-мере, наивный байесовский алгоритм лучше всего в точности, а алгоритм AdaBoostM1 хорошо работает в чувствительности.

В настоящее время такой обширный анализ и сравнение моделей можно довольно легко выполнить с помощью сред AutoML, уделяя больше внимания потребностям бизнеса, а не выбору модели.

Еще одно семейство подходов, которые кажутся естественными при расчете «Оценки», — это методы, основанные на регрессии. И здесь мы говорим категорично, поэтому следующим нашим методом будет логистическая регрессия.

Д'Хаен и Ван ден Пул предложили метод оценки потенциальных клиентов под названием «прогнозирование потенциальных клиентов B2B», чтобы помочь торговым представителям привлекать клиентов в среде B2B. Предлагаемая структура состоит из трех этапов. На этапе 1 прогнозы генерируются с использованием метода ближайшего соседа на основе информации от текущих клиентов. Фаза 2 включает информацию о компаниях, которые не стали клиентами, используя логистическую регрессию, деревья решений и нейронные сети для оптимизации модели. На этапе 3 результаты этапов 1 и 2 объединяются в взвешенный список потенциальных клиентов. Выводы исследования подчеркивают способность алгоритма оптимизировать процесс привлечения клиентов в среде B2B. Результатом является ранжированный список потенциальных клиентов, позволяющий торговым представителям сосредоточиться на более качественных лидах, которые с большей вероятностью превратятся в клиентов. Авторы предполагают, что этот инструмент можно использовать для переговоров с поставщиками данных для выборочной покупки потенциальных клиентов. Кроме того, итеративный взгляд на процесс привлечения клиентов, представленный в исследовании, подчеркивает необходимость документирования и анализа для постоянного улучшения стратегий привлечения клиентов.

Говорите о классификации машинного обучения и не упоминаете SVM?

В 2019 году Эйтл и Баксманн опубликовали обзор, в котором сравнивались реализации оценки потенциальных клиентов с использованием машины опорных векторов, CatBoost, Random Forest, XGBoost и деревьев решений. В этом исследовательском документе представлена ​​модель, предназначенная для помощи торговым представителям в индустрии программного обеспечения в управлении их сложными каналами продаж. Внедряя машинное обучение и бизнес-аналитику в управление потенциальными клиентами и возможностями, модель уменьшает произвол и обеспечивает поддержку квалификации на основе данных. В исследовании разрабатываются три модели, обученные и протестированные с использованием реальных данных, извлеченных из CRM компании. Согласно результатам этой работы, алгоритмы CatBoost и Random Forest превосходят другие классификаторы с учителем, такие как SVM, XGBoost и Decision Tree. Исследование также выявило проблемы с прогнозированием результатов продаж на ранней стадии лидов по сравнению с раздельным анализом фаз лидов и возможностей. Кроме того, в документе представлена ​​функция объяснения, объясняющая процесс принятия решений для отдельных прогнозов.

После упоминания группы контролируемого обучения мы также можем упомянуть использование неконтролируемого обучения для оценки потенциальных клиентов. Это подводит нас к опросу, опубликованному ранее в феврале 2023 года Wu et al. В этом документе обсуждается важность оценки лидов в управлении лидами и упоминается об отсутствии всеобъемлющего обзора литературы и системы классификации, посвященной этой теме.

В документе модели оценки потенциальных клиентов подразделяются на традиционные и прогностические подходы, причем в последних используются методы интеллектуального анализа данных и машинного обучения. В исследовании проводится систематический обзор литературы и анализ 44 соответствующих исследований для определения показателей для измерения влияния моделей оценки потенциальных клиентов на эффективность продаж. Кроме того, в исследовании выявлено несколько проблем при внедрении моделей оценки потенциальных клиентов, в том числе трудоемкость ручной оценки, ограниченная эффективность упрощенных моделей, сопротивление изменениям и опора на некачественные или устаревшие данные.

Чтобы преодолеть эти проблемы, в исследовании рекомендуется использовать модели оценки потенциальных клиентов на основе ИИ, использовать более сложные модели, учитывающие точки зрения как продавца, так и покупателя, создавать динамические/гибкие модели оценки и использовать отраслевые и актуальные источники данных. В заключение в документе подчеркивается важность оценки лидов для повышения эффективности внутренних продаж и необходимость более продвинутых и адаптивных моделей. В нем подчеркивается растущий интерес к прогнозирующим моделям оценки потенциальных клиентов, обусловленный достижениями в вычислительных возможностях, наличием больших наборов данных о продажах и внедрением удаленных продаж.

Сводка прогнозных моделей оценки лидов, представленных в таблице 5:

Эта последняя статья — отличный пример глубины алгоритмов машинного обучения, используемых в подсчете лидов. В зависимости от размера ваших тестовых данных и количества выбранных вами функций вы можете использовать практически любой алгоритм классификации, даже глубокое обучение, если у вас достаточно тестовых данных.

В заключение можно сказать, что оценка потенциальных клиентов — это критический процесс в продажах и маркетинге, который определяет приоритет потенциальных клиентов на основе их вероятности превращения в клиентов. Традиционные методы подсчета потенциальных клиентов включали ручные расчеты и подходы проб и ошибок, но с появлением машинного обучения автоматизация стала более распространенной. Алгоритмы машинного обучения анализируют данные, выявляют закономерности и строят модели для прогнозирования вероятности конверсии потенциальных клиентов. Машинное обучение дает возможность обнаруживать скрытые закономерности и нелинейные корреляции, делая оценку потенциальных клиентов более эффективной и управляемой данными. Для оценки потенциальных клиентов часто используются такие методы, как деревья решений, случайные леса, логистическая регрессия, бустинг и метод опорных векторов. Непрерывное изучение и мониторинг моделей необходимы для поддержания точности и адаптации к меняющейся динамике клиентов и рынка.

Как мы уже говорили, используя машинное обучение для оценки лидов, организации могут автоматизировать процессы, повысить точность, эффективно распределять ресурсы и улучшить стратегии взращивания и конверсии лидов. Внедрение моделей оценки потенциальных клиентов на основе ИИ, использование сложных и адаптивных моделей, а также интеграция отраслевых и актуальных источников данных рекомендуется для будущих достижений в области оценки потенциальных клиентов.

Спасибо, что нашли время и прочитали эту статью. Я был бы более чем счастлив услышать от вас.