Liidien pisteytys (lead scoring) tekoälyllä

Liidien pisteytys kuulostaa helpolta: annetaan jokaiselle liidille numero ja soitetaan ensin suurimmalle numerolle. Käytännössä moni lead scoring -malli päätyy arvaamaan sen, minkä myyjä olisi nähnyt minuutissa. Se ei ole vielä automaatiota. Se on numeroksi puettu tunne.

Tekoälyllä tehty liidien pisteytys toimii paremmin, kun se yhdistää käyttäytymisdataa, yritystietoja, puheluiden sisältöä ja CRM-historiaa. Silloin piste ei perustu vain siihen, että joku latasi oppaan. Se perustuu siihen, miten hyvin liidi vastaa oikeaa asiakasta ja miten kiireellinen tilanne näyttää olevan.

Mitä dataa lead scoring tarvitsee?

Hyvä pisteytys ei ala mallista, vaan signaaleista. Ensin päätetään, mitkä asiat oikeasti ennustavat kauppaa. B2B-myynnissä ne ovat usein tylsiä mutta tärkeitä: yrityksen koko, toimiala, rooli, tarve, aikataulu, käytössä olevat järjestelmät ja se, onko asiakas jo puhunut myynnin kanssa.

Hyödyllisiä signaaleja ovat esimerkiksi:

• verkkosivun käynnit palvelu- ja hintasisällöissä
• lomakevastauksen konkreettisuus
• yrityksen koko ja toimiala
• puhelussa mainittu aikataulu tai ongelma
• CRM-historia ja aiemmat kaupat
• käytössä olevat työkalut, kuten HubSpot tai Salesforce
• sähköposteihin ja follow-upeihin reagointi

Yksittäinen signaali on harvoin ratkaiseva. Kymmenen pientä signaalia samasta suunnasta alkaa jo merkitä jotain.

AI ei saa olla musta laatikko

Jos myyjä näkee vain pistemäärän 82/100, hän ei vielä tiedä mitä tehdä. Hyvä lead scoring kertoo myös perustelun: miksi liidi nousi korkealle, mikä on epävarmaa ja mikä seuraava toimi kannattaa tehdä.

Esimerkiksi:

• piste: 84
• syy: asiakas kävi AI-puhelinvaihde- ja hinnastosivuilla, mainitsi lomakkeessa vastaamattomat puhelut ja yrityksellä on useita toimipisteitä
• riski: budjettia ei vielä tiedetä
• seuraava askel: soita samana päivänä ja tarkenna nykyinen puhelinratkaisu

Tämä on myyjälle käyttökelpoinen. Pelkkä pistemäärä ei ole.

Pisteytyksen pitää myös oppia palautteesta. Jos myyjä merkitsee noston turhaksi, mallin pitää ottaa se huomioon. Jos matalaksi pisteytetty liidi muuttuukin kaupaksi, syy pitää tutkia. Muuten automaatio alkaa toistaa vanhoja vääristymiä.

Puhe-AI tekee pisteytyksestä nopeampaa

Moni liidi soittaa ennen kuin täyttää yhtään lomaketta. Puhe-AI voi kysyä muutaman kelpoisuuskysymyksen, tiivistää tarpeen ja viedä pisteytyksen CRM:ään heti puhelun jälkeen. Tämä on erityisen hyödyllistä, kun myynti saa paljon inbound-puheluita.

Hyvä AI-puhelu voi selvittää:

• mikä ongelma asiakkaalla on
• mitä järjestelmää hän käyttää nyt
• kuinka kiireellinen tarve on
• kuka tekee päätöksen
• haluaako asiakas demon, tarjouksen vai vain tietoa

Ensimmäinen pisteytysmalli

Aloita yksinkertaisella mallilla. Valitse 5–8 signaalia, anna niille alustavat painot ja testaa mallia viimeisen 50–100 liidin datalla. Tarkoitus ei ole rakentaa täydellistä ennustetta. Tarkoitus on vähentää satunnaisuutta.

Mittaa:

• kontaktoidaanko kuumat liidit nopeammin
• nouseeko demoiksi muuttuvien liidien osuus
• väheneekö myynnin aika huonoihin kontakteihin
• selittääkö pisteytys aidosti kaupan todennäköisyyttä
• ovatko myyjät samaa mieltä nostojen laadusta

Aisteri voi yhdistää liidien pisteytyksen verkkosivuihin, puheluihin ja CRM:ään niin, että myynti näkee heti mihin tarttua. Lue taustaksi myös liidien generointi tekoälyllä ja miten AI kvalifioi liidejä puhelimessa.