Sistem Pemarkahan Lead: Kecerdasan Ramalan untuk Pengutamaan Jualan

Berikut adalah kebenaran yang menyakitkan: pasukan jualan B2B membazir 67% masa mereka mengejar lead yang tidak akan pernah menukar. Bukan kerana mereka malas atau tidak cekap, tetapi kerana mereka terbang buta. Setiap lead kelihatan sama dalam CRM sehingga seseorang menghabiskan berjam-jam mengusahakannya, hanya untuk mendapati ia tidak pernah akan ke mana-mana.

Pemarkahan lead menyelesaikan masalah ini dengan menjawab satu soalan: lead mana yang paling berkemungkinan membeli? Sistem pemarkahan yang direka dengan baik bertindak seperti penapis, memisahkan isyarat daripada bunyi supaya pasukan anda fokuskan tenaga di mana ia penting. Tetapi inilah tangkapannya - kebanyakan model pemarkahan gagal. Sama ada terlalu ringkas untuk berguna atau terlalu kompleks sehingga tiada siapa mempercayainya.

Panduan ini menunjukkan anda cara membina sistem pemarkahan yang sebenarnya berfungsi. Kami akan meliputi rangka kerja, matematik, dan integrasi operasi yang mengubah skor daripada nombor kepada tindakan.

Apa itu pemarkahan lead?

Pemarkahan lead menetapkan nilai berangka kepada lead berdasarkan seberapa rapat mereka memadankan profil pelanggan ideal anda dan seberapa terlibat mereka dengan syarikat anda. Fikirkan ia seperti skor kredit, tetapi daripada meramalkan pembayaran balik pinjaman, anda meramalkan kebarangkalian pembelian.

Konsepnya mudah: sesetengah ciri dan tingkah laku menunjukkan niat membeli lebih baik daripada yang lain. Memahami jenis lead yang berbeza adalah penting sebelum membina model pemarkahan anda. VP di syarikat 500 orang yang melawat halaman harga anda tiga kali adalah lebih berharga daripada pelatih di syarikat 10 orang yang memuat turun satu kertas putih enam bulan lalu. Pemarkahan mengkuantifikasikan gerak hati itu.

Tetapi ada perbezaan yang kebanyakan orang terlepas. Anda bukan sekadar meramalkan lead "baik vs buruk". Anda cuba meramalkan masa. Adakah lead ini akan menukar dalam 30 hari? 90 hari? Tidak pernah? Dimensi masa itu penting kerana ia mempengaruhi apa yang anda lakukan dengan lead dan cara mereka bergerak melalui peringkat kitaran hayat lead.

Model pemarkahan ramalan vs deskriptif

Ada dua cara untuk membina model pemarkahan, dan ia berbeza secara asas.

Model deskriptif menggunakan peraturan yang anda takrifkan secara manual. "Jika syarikat mempunyai 100+ pekerja, tambah 10 mata. Jika mereka melawat halaman harga, tambah 15 mata." Anda menghuraikan apa yang anda fikir penting berdasarkan pengalaman dan andaian.

Model ramalan menggunakan pembelajaran mesin untuk menganalisis data sejarah. Algoritma melihat beribu-ribu lead lepas, mengenal pasti corak dalam apa yang menukar, dan membina model yang meramalkan penukaran masa hadapan. Anda membiarkan data memberitahu anda apa yang sebenarnya penting.

Model deskriptif lebih mudah untuk bermula dan diterangkan. Semua orang faham "kita menghargai syarikat perusahaan lebih tinggi." Tetapi ia hanya sebaik andaian anda, dan andaian sering salah.

Model ramalan lebih tepat jika anda mempunyai data sejarah yang mencukupi (biasanya minimum 500+ urus niaga ditutup). Tetapi ia adalah kotak hitam yang sukar dipercayai atau diterangkan kepada pasukan jualan yang mahu tahu mengapa lead mendapat skor tinggi atau rendah.

Kebanyakan sistem berkesan menggunakan pendekatan hibrid: mulakan dengan peraturan deskriptif, kemudian lapisi kecerdasan ramalan apabila anda mengumpul data.

Rangka kerja pemarkahan dua dimensi

Di sinilah kebanyakan syarikat silap: mereka mencipta satu skor yang mencampurkan maklumat yang berbeza sama sekali. Lead mendapat 75 mata, tetapi anda tidak tahu sama ada itu bermaksud mereka padanan sempurna yang hampir tidak terlibat, atau padanan teruk yang sangat aktif.

Penyelesaiannya adalah dua skor berasingan yang mengukur perkara berbeza:

Dimensi 1: Skor Profil/Padanan - Adakah lead ini memadankan profil pelanggan ideal anda? Ini tentang siapa mereka: saiz syarikat, industri, peranan, bajet. Ia agak statik dan berdasarkan data firmografik yang anda kumpulkan melalui pengayaan data lead.

Dimensi 2: Skor Tingkah Laku/Penglibatan - Adakah lead ini menunjukkan niat membeli? Ini tentang apa yang mereka lakukan: lawatan laman web, muat turun kandungan, klik e-mel, permintaan demo. Ia dinamik dan berubah apabila mereka berinteraksi dengan anda.

Apabila anda plot dua dimensi ini pada matriks, anda mendapat empat kuadran:

  • Padanan Tinggi, Penglibatan Tinggi: Lead terpanas anda. Halakan ini ke jualan dengan segera menggunakan strategi pengagihan lead anda.
  • Padanan Tinggi, Penglibatan Rendah: Sasaran baik untuk kempen pemupukan. Mereka memadankan ICP anda tetapi belum bersedia.
  • Padanan Rendah, Penglibatan Tinggi: Mungkin penendang tayar atau pelajar. Jangan bazirkan masa jualan di sini.
  • Padanan Rendah, Penglibatan Rendah: Tidak layakkan atau kurangkan keutamaan sepenuhnya.

Pendekatan dua dimensi ini memberi anda nuansa. Anda boleh membuat keputusan penghalaan yang lebih bijak kerana anda memahami mengapa di sebalik skor.

Membina skor profil/padanan anda

Skor padanan menjawab: "Jika lead ini bersedia membeli hari ini, adakah kita mahu mereka sebagai pelanggan?"

Mulakan dengan menganalisis pelanggan terbaik anda. Apa yang mereka ada persamaan? Anda mencari atribut yang berkorelasi dengan saiz urus niaga, pengekalan, dan keuntungan. Faktor biasa termasuk:

Saiz syarikat dan hasil: Lebih besar tidak selalunya lebih baik, tetapi biasanya ada titik manis. Jika pelanggan terbaik anda mempunyai 200-2,000 pekerja, skor lead dalam julat itu lebih tinggi. Syarikat di luar julat itu mendapat kurang mata atau malah mata negatif.

Industri dan vertikal: Sesetengah industri menukar pada 3x kadar yang lain. Jika anda fintech yang menjual kepada syarikat perkhidmatan kewangan, mereka harus mendapat skor lebih tinggi daripada syarikat runcit. Jadi spesifik - "penjagaan kesihatan" terlalu luas. Sistem hospital vs pengeluar peranti perubatan vs insurans kesihatan mempunyai keperluan berbeza.

Jawatan kerja dan kekananan: Anda mahu pembuat keputusan atau influencer. VP Jualan mendapat skor lebih tinggi daripada Penyelaras Jualan. Tetapi berhati-hati dengan inflasi gelaran - "Ketua Pertumbuhan" di syarikat permulaan 5 orang tidak sama dengan di syarikat 500 orang.

Lokasi geografi: Jika anda hanya melayani Amerika Utara, lead Eropah mendapat skor lebih rendah. Jika anda mempunyai harga wilayah, itu mempengaruhi nilai pelanggan sasaran.

Timbunan teknologi: Syarikat B2B sering menunjukkan niat melalui alat yang mereka gunakan. Jika mereka menggunakan Salesforce, Marketo, dan Gong, mereka adalah pembeli matang yang melabur dalam perisian. Jika mereka hanya pada alat percuma, mereka mungkin tiada bajet.

Isyarat syarikat: Pusingan pendanaan, trajektori pertumbuhan, berita terkini. Syarikat yang baru menaikkan Siri B lebih berkemungkinan membeli berbanding yang stagnasi.

Tetapi inilah kuncinya: pemarkahan negatif untuk penyahlayak. Jika lead tidak memenuhi kriteria asas (geografi salah, pesaing, pelajar), tolak mata atau tetapkan skor padanan mereka kepada sifar. Jangan biarkan skor penglibatan mengatasi ketidakselarasan asas.

Contoh model pemarkahan padanan

Atribut Mata
Saiz syarikat 200-2,000 pekerja +20
Saiz syarikat 50-199 pekerja +10
Saiz syarikat <50 atau >2,000 +5
Industri sasaran (perkhidmatan kewangan) +15
Industri bersebelahan (insurans, fintech) +10
Gelaran C-level atau VP +15
Gelaran Pengarah atau Pengurus +10
Lokasi Amerika Utara +10
Timbunan teknologi perusahaan dikesan +10
Pengumuman pendanaan terkini +5
Penyahlayak
Pesaing -100
Pelajar/e-mel peribadi -50
Di luar wilayah boleh dilayan -50

Ini memberi anda skala skor padanan 0-100 di mana 70+ adalah padanan tinggi, 40-69 adalah sederhana, dan <40 adalah rendah.

Membina skor tingkah laku/penglibatan anda

Skor penglibatan menjawab: "Adakah lead ini menunjukkan niat membeli sekarang?"

Anda menjejaki tindakan yang menunjukkan minat dan kesediaan. Tetapi tidak semua tindakan sama. Melawat halaman harga anda adalah isyarat yang lebih kuat berbanding membaca siaran blog. Menghadiri webinar menunjukkan lebih banyak niat berbanding memuat turun PDF.

Corak aktiviti laman web: Lawatan halaman penting, tetapi halaman mana dan berapa banyak? Lihat:

  • Lawatan halaman harga (isyarat niat kuat)
  • Lawatan halaman produk/ciri (mod pembelajaran)
  • Kajian kes dan cerita pelanggan (mencari pengesahan)
  • Halaman kerjaya (niat lemah, mungkin mencari kerja)
  • Kekerapan dan kebaruan lawatan

Penggunaan kandungan: Jejaki apa yang mereka muat turun dan sebenarnya terlibat. Lead yang memuat turun kalkulator ROI dan panduan perbandingan anda sedang mendidik diri mereka untuk membuat keputusan. Beratkan kandungan "bahagian bawah corong" lebih tinggi daripada kandungan kesedaran yang dikumpul daripada saluran penjanaan lead masuk.

Penglibatan e-mel: Kadar pembukaan OK, kadar klik lebih baik. Tetapi isyarat sebenar adalah pautan mana yang mereka klik. Pautan harga dan demo adalah emas. Pautan buletin adalah bunyi.

Penyertaan acara: Kehadiran webinar menunjukkan minat aktif dan pelaburan masa. Lebih baik lagi jika mereka bertanya soalan atau kekal untuk keseluruhan sesi. Lawatan gerai persidangan atau permintaan mesyuarat daripada penjanaan lead acara lebih kuat lagi.

Penyerahan borang: Permintaan demo dan borang "hubungi jualan" adalah tindakan niat tinggi yang jelas. Tetapi juga jejaki penyerahan borang berulang - jika seseorang memuat turun tiga sumber dalam seminggu, sesuatu mencetuskan penyelidikan mereka.

Interaksi media sosial: Penglibatan LinkedIn dengan siaran anda atau mengikuti halaman syarikat anda. Ini biasanya isyarat lemah dengan sendirinya tetapi menambah konteks.

Faktor kritikal adalah kebaruan dan halaju. Lead yang melawat laman anda lima kali minggu ini adalah jauh lebih panas daripada yang melawat lima kali tiga bulan lalu. Di situlah penyusutan skor masuk.

Contoh model pemarkahan penglibatan

Tindakan Mata Kadar Penyusutan
Permintaan demo +50 Tiada penyusutan
Lawatan halaman harga +20 -20% sebulan
Lawatan halaman produk +10 -20% sebulan
Muat turun kajian kes +15 -20% sebulan
Baca siaran blog +3 -30% sebulan
Klik e-mel (demo/harga) +15 -20% sebulan
Klik e-mel (kandungan) +5 -30% sebulan
Kehadiran webinar +25 -20% sebulan
Penglibatan LinkedIn +5 -30% sebulan
Pelawat kembali (minggu sama) +10 -40% sebulan

Ini mencipta skor penglibatan 0-100 yang mencerminkan minat membeli semasa.

Penyusutan skor dan kesegaran

Inilah yang membunuh kebanyakan model pemarkahan: ia mengumpul mata selama-lamanya. Lead yang sangat terlibat 18 bulan lalu masih mempunyai skor tinggi walaupun mereka telah menjadi senyap. Itu tidak lagi ramalan.

Penyusutan skor menyelesaikan ini dengan mengurangkan skor tingkah laku dari masa ke masa. Jika lawatan halaman harga menambah 20 mata tetapi menyusut pada 20% sebulan, tindakan itu kehilangan nilai apabila ia menjadi lama:

  • Bulan 1: 20 mata
  • Bulan 2: 16 mata
  • Bulan 3: 13 mata
  • Bulan 4: 10 mata
  • Bulan 5: 8 mata

Selepas lima bulan, tindakan tunggal itu hampir tidak menyumbang. Lead perlu menunjukkan penglibatan segar untuk mengekalkan skor mereka.

Peraturan asas penyusutan:

  • Tindakan niat tinggi menyusut lebih lambat (permintaan demo mungkin kekal 3-6 bulan)
  • Tindakan niat rendah menyusut lebih cepat (bacaan blog mungkin menyusut dalam minggu)
  • Skor padanan tidak menyusut melainkan data firmografik berubah
  • Kitaran jualan berbeza memerlukan keluk penyusutan berbeza (perisian perusahaan = penyusutan lebih lambat daripada SMB SaaS)

Anda juga boleh membina rangsangan penglibatan semula. Jika lead sejuk tiba-tiba kembali dan mengambil berbilang tindakan, skor mereka harus melompat untuk mencerminkan minat yang diperbaharui. Di sinilah halaju penting - tiga tindakan dalam satu minggu lebih bermakna daripada tiga tindakan dalam tiga bulan.

Mengoperasikan skor untuk penghalaan dan pengutamaan

Skor tidak bermakna apa-apa jika ia tidak mengubah tingkah laku. Berikut adalah cara sebenarnya menggunakannya.

Keputusan penghalaan: Tetapkan ambang yang mencetuskan aliran kerja berbeza melalui automasi penghalaan lead:

  • Padanan Tinggi + Penglibatan Tinggi (70/70+): Penghalaan jualan segera, barisan keutamaan tinggi
  • Padanan Tinggi + Penglibatan Sederhana (70/40-69): Trek pemupukan dengan sentuhan dibantu jualan
  • Padanan Sederhana + Penglibatan Tinggi (40-69/70+): Lead layak jualan, tetapi ke peringkat atau pasukan wakil berbeza
  • Padanan Tinggi + Penglibatan Rendah (70/<40): Pemupukan pemasaran, tiada penglibatan jualan lagi
  • Padanan Rendah + Sebarang Penglibatan: Tidak layakkan atau pemupukan keutamaan rendah

Barisan pengutamaan: Walaupun dalam "lead panas," skor mencipta susunan melalui pengurusan barisan lead. Jika 50 lead mencapai ambang hari ini, wakil mengusahakan yang 95 mata sebelum yang 75 mata.

Pengagihan trek pemupukan: Skor menentukan kandungan dan irama yang lead terima melalui program pemupukan lead. Lead padanan tinggi, penglibatan rendah mendapat pemupukan berfokus pendidikan. Padanan rendah, penglibatan tinggi mendapat trek "ini adalah layan diri" yang sopan.

Tindakan automatik: Skor mencetuskan aliran kerja:

  • Lead mencapai 80/80? Auto-cipta tugas untuk SDR dengan SLA masa respons lead 2 jam
  • Lead jatuh di bawah 40/40? Keluarkan daripada urutan aktif
  • Skor penglibatan melompat 30 mata dalam seminggu? Amaran pemilik akaun

Kuncinya adalah ketelusan. Pasukan jualan perlu melihat skor, memahaminya, dan mempercayainya. Jika wakil mula mengabaikan skor kerana mereka tidak setuju dengan model, anda telah gagal.

Membina model anda: metodologi analisis data

Jangan teka nilai mata. Gunakan data sejarah anda untuk mencari apa yang sebenarnya meramalkan penukaran.

Mulakan dengan urus niaga ditutup-menang dari 12-24 bulan lepas. Untuk setiap satu, jejak semula ke rekod lead dan tarik semua data firmografik dan tingkah laku. Kemudian lakukan perkara yang sama untuk lead ditutup-kalah dan tidak layak menggunakan amalan terbaik pengurusan data lead.

Jalankan analisis korelasi untuk melihat faktor mana yang muncul lebih kerap dalam urus niaga dimenangi:

  • Adakah urus niaga dimenangi datang daripada syarikat lebih besar? Berapa lebih besar?
  • Industri mana yang menukar pada kadar di atas purata?
  • Corak penglibatan apa yang ditunjukkan oleh yang menukar?
  • Berapa banyak titik sentuhan sebelum penukaran?

Ini memberi anda asas untuk pemberat atribut. Jika 80% urus niaga anda datang daripada syarikat dengan 200+ pekerja tetapi hanya 30% kumpulan lead anda mempunyai ciri itu, bilangan pekerja adalah peramal kuat. Beratkan ia dengan berat.

Jika lawatan halaman harga muncul dalam 70% penukaran tetapi hanya 20% bukan penukaran, itu isyarat kuat. Jika bacaan siaran blog tidak menunjukkan korelasi dengan penukaran, beratkannya ringan atau abaikan.

Rangka kerja peruntukan mata: Setelah anda tahu kepentingan relatif, agih mata secara berkadar. Jika saiz syarikat dua kali lebih ramalan daripada industri, ia harus mendapat kira-kira dua kali mata. Jangan jadikan setiap atribut bernilai 10 mata hanya untuk kekemasan.

Definisi ambang: Pengagihan skor anda harus kira-kira sejajar dengan kadar kelayakan berdasarkan rangka kerja kelayakan lead anda. Jika 10% lead anda menukar, ambang anda harus membenderakan kira-kira 10-15% lead sebagai "keutamaan tinggi." Jika anda membenderakan 50%, model anda terlalu longgar.

Uji pemotongan berbeza:

  • Pada 80/80, berapa peratus menukar? 30%? 50%? Itu menentukan sama ada 80 adalah bar yang betul.
  • Pada 60/60, apa yang berlaku? Jika penukaran jatuh ke 5%, jurang antara 60 dan 80 adalah bermakna.

Pendekatan pelaksanaan: peraturan, AI, atau hibrid

Anda mempunyai tiga pilihan untuk membina sistem pemarkahan sebenar.

Pemarkahan manual berasaskan peraturan: Anda mentakrifkan semua peraturan dan nilai mata secara eksplisit. "Jika industri = perkhidmatan kewangan, tambah 15 mata." Ini paling mudah untuk dilaksanakan dan diterangkan. Gunakan ini jika:

  • Anda mempunyai data sejarah terhad (<500 penukaran)
  • Proses jualan anda mudah dan sejajar dengan amalan terbaik penukaran lead-ke-peluang
  • Anda memerlukan ketelusan lengkap untuk sokongan jualan
  • Anda baru bermula dengan pemarkahan lead

Kelemahan: anda terhad oleh andaian anda dan tidak boleh menyesuaikan dengan corak kompleks.

Pemarkahan AI/ML ramalan: Model pembelajaran mesin menganalisis data anda dan mencari corak secara automatik. Ia boleh menimbang beratus-ratus pemboleh ubah dan interaksi yang anda tidak akan perasan secara manual. Gunakan ini jika:

  • Anda mempunyai data sejarah yang mencukupi (1,000+ penukaran ideal)
  • ICP anda kompleks atau berbilang aspek
  • Anda mempunyai sumber sains data atau bajet untuk platform seperti 6sense, MadKudu, atau Einstein Scoring
  • Anda selesa dengan beberapa pemarkahan "kotak hitam" serupa dengan pemarkahan kesihatan pelanggan dalam SaaS

Kelemahan: lebih sukar untuk diterangkan dan ditala. Jika model menghasilkan keputusan pelik, debugging adalah sukar.

Model hibrid: Mulakan dengan pemarkahan berasaskan peraturan untuk faktor utama, kemudian lapisi model ramalan untuk penalaan halus. Contohnya:

  • Gunakan peraturan untuk penyahlayak dan kriteria padanan asas
  • Gunakan ML untuk meramalkan kebarangkalian penglibatan-ke-penukaran serupa dengan pemarkahan lead layak produk dalam syarikat PLG
  • Gabungkan kedua-duanya ke dalam skor komposit

Ini memberi anda yang terbaik daripada kedua-dua dunia: ketelusan di mana ia penting dan kecanggihan untuk corak kompleks.

Kebanyakan syarikat harus bermula dengan peraturan, kemudian tambah ramalan apabila mereka matang.

Prestasi model dan pengoptimuman

Model awal anda akan salah. Itu tidak mengapa. Apa yang penting adalah cara anda meningkatkannya.

Metodologi pengesahan: Jejaki metrik ini setiap bulan menggunakan analisis kadar penukaran:

  • Kadar penukaran mengikut jalur skor (berapa % lead 80+ menukar vs 60-79 vs 40-59?)
  • Pengagihan skor (adakah anda membenderakan terlalu banyak atau terlalu sedikit lead?)
  • Kadar positif palsu (lead skor tinggi yang tidak menukar)
  • Kadar negatif palsu (lead skor rendah yang menukar - ini adalah kesilapan mahal)

Jika model anda berfungsi, anda harus melihat gradien yang jelas: skor lebih tinggi = kadar penukaran lebih tinggi pada setiap ambang.

Pendekatan ujian A/B: Jangan ubah semuanya sekaligus. Uji satu pemboleh ubah pada satu masa:

  • Uji nilai mata berbeza (adakah 20 mata untuk lawatan halaman harga berfungsi lebih baik daripada 15?)
  • Uji kadar penyusutan berbeza
  • Uji ambang kelayakan berbeza
  • Jalankan model pemarkahan selari pada sampel dan bandingkan keputusan

Jejaki bukan sahaja kadar penukaran tetapi juga maklum balas jualan. Jika wakil secara konsisten mengadu bahawa lead skor tinggi adalah sampah, model anda rosak tanpa mengira apa yang matematik katakan.

Penambahbaikan berterusan: Semak semula model anda setiap suku tahun:

  • Apa yang berubah dalam ICP anda? Segmen pasaran baharu berprestasi lebih baik?
  • Saluran penglibatan baharu apa yang wujud? (TikTok bukan saluran B2B tiga tahun lalu)
  • Adakah penyahlayak baharu? (Keadaan ekonomi mencipta profil "tidak akan pernah beli" baharu)
  • Adakah produk anda berubah dengan cara yang mempengaruhi siapa yang padanan baik?

Pemarkahan bukan projek sekali sahaja. Ia adalah sistem berterusan yang berkembang dengan perniagaan anda.

Kesilapan pemarkahan biasa yang perlu dielakkan

Markah terlalu banyak perkara: Jika anda mempunyai 40 atribut berbeza, setiap satu bernilai 2-3 mata, model anda adalah bunyi. Fokus pada 8-10 faktor yang memacu 80% isyarat.

Mengabaikan maklum balas jualan: Jika wakil mengatakan lead yang dimarkah adalah berkualiti rendah, jangan abaikan. Sama ada model anda salah atau latihan jualan anda salah. Tentukan yang mana.

Tidak mengambil kira perjalanan pembeli berbeza: Urus niaga perusahaan mengambil 9 bulan dan melibatkan 7 orang mengikut proses pembelian perusahaan yang kompleks. Urus niaga SMB mengambil 3 minggu dan satu pembuat keputusan. Anda mungkin memerlukan model berbeza atau sekurang-kurangnya ambang berbeza.

Membiarkan pemasaran mempermainkan sistem: Jika anda mengadakan persidangan besar dan tiba-tiba semua orang mempunyai 50 mata penglibatan daripada menghadiri, skor anda menjadi tidak bermakna. Kehadiran acara adalah berharga tetapi memerlukan konteks.

Menganggap skor sebagai kebenaran mutlak: Skor 75 tidak bermakna "lead ini pasti akan membeli jika kita hubungi mereka." Ia bermakna "berdasarkan corak sejarah, lead seperti ini menukar pada X%." Kebarangkalian, bukan jaminan.

Menjadikan pemarkahan melekat dalam organisasi anda

Model pemarkahan terbaik gagal jika tiada siapa menggunakannya. Berikut adalah cara memacu penggunaan:

Mulakan ringkas: Lancarkan dengan model asas, dapatkan sokongan, kemudian tambah kerumitan. Jangan lancarkan sistem ML canggih pada hari pertama jika pasukan anda tidak pernah menggunakan pemarkahan sebelumnya.

Jadikan skor kelihatan: Letakkannya pada rekod lead, dalam paparan, dalam laporan melalui pengurusan status lead yang berkesan. Jika wakil tidak boleh melihat skor dalam aliran kerja harian mereka, mereka akan mengabaikannya.

Latih tentang mengapa: Terangkan apa yang memacu skor naik atau turun. Apabila wakil memahami bahawa permintaan demo menambah 50 mata tetapi bacaan blog menambah 3, mereka akan mempercayai pengutamaan.

Tunjukkan ROI: Jejaki kadar penukaran mengikut jalur skor dan kongsi keputusan. "Wakil yang fokus pada lead 80+ menutup 40% lebih banyak urus niaga" adalah hujah yang menarik yang menunjukkan nilai amalan terbaik susulan lead yang betul.

Iterasi dengan maklum balas: Cipta saluran untuk wakil membenderakan skor buruk. "Lead ini mendapat skor 85 tetapi sama sekali tidak layak kerana..." Contoh-contoh itu membantu anda menambah baik model.

Kaitkan skor dengan pampasan (dengan berhati-hati): Jika pelan pampasan anda hanya mengkredit urus niaga ditutup, wakil akan memilih lead tanpa mengira skor melalui pemilihan lead pilih-pilih. Jika anda mengukur berapa berkesan mereka mengusahakan lead yang dimarkah, tingkah laku berubah. Tetapi berhati-hati untuk tidak mencipta insentif yang menyimpang.

Ke mana hendak pergi dari sini

Pemarkahan lead adalah asas untuk pengurusan lead yang pintar. Setelah anda mempunyai skor yang boleh dipercayai, semua yang lain menjadi lebih mudah:

Mulakan dengan model dua dimensi ringkas: padanan dan penglibatan. Jadikan ia berfungsi, dapatkan sokongan jualan, dan iterasi dari situ. Sempurna adalah musuh cukup baik. Sistem pemarkahan asas yang digunakan secara konsisten mengatasi sistem canggih yang tiada siapa percayai.

Matlamatnya bukan untuk menggantikan pertimbangan manusia. Ia adalah untuk fokuskan pertimbangan itu pada lead yang paling berkemungkinan menjana hasil. Itulah pengubah permainan.

Ketahui Lebih Lanjut

Terokai topik berkaitan ini untuk membina sistem pengurusan lead yang komprehensif:

Operasi Lead:

Saluran & Penukaran:

Aplikasi Khusus SaaS: