Lead scoring: hogyan rangsorolja az érdeklődőket anélkül, hogy találgatna?

Egy értékesítő napja meglepően gyakran nem a legígéretesebb ügyféllel kezdődik, hanem azzal, aki éppen a postafiók tetején van. Vagy aki reggel nyolckor újra írt. Vagy akinek a nevét ismeri. Vagy egyszerűen azzal, akiről az jut eszébe, hogy „őt már tényleg fel kellene hívni”.

Ez emberileg teljesen érthető, üzletileg viszont meglehetősen véletlenszerű sorrendet eredményez.

A lead scoring éppen ezt próbálja valamennyire rendbe tenni. Nem azt ígéri, hogy megmondja, ki fog vásárolni, és nem is azt, hogy egy algoritmus jobban ismeri az ügyfelet, mint az értékesítő. Sokkal szerényebb a feladata: segítsen eldönteni, melyik érdeklődővel érdemes először foglalkozni.

Egy kisebb vállalkozásnál ehhez nem kell adatelemző csapat vagy bonyolult mesterséges intelligencia. Sokszor három-öt jól kiválasztott jel, következetesen kitöltött adatok és egy egyszerű rangsor már többet ér, mint az, hogy a saleses minden reggel nulláról próbálja eldönteni, merre induljon.

A scoring ráadásul nem helyettesíti az értékesítési folyamatot. A pipeline továbbra is azt mutatja meg, hol tart egy üzlet. A scoring inkább azt segít eldönteni, hogy az azonos vagy hasonló szakaszban lévő lehetőségek közül melyik kapjon előbb figyelmet.

Mi a lead scoring, ha levesszük róla a varázslatot?

A scoring lényegében rangsorolás. A magasabb pontszám azt jelzi, hogy a rendelkezésre álló információk alapján az adott érdeklődővel érdemes hamarabb foglalkozni. Az alacsonyabb pontszám nem azt jelenti, hogy az ügyfél „rossz”, csak azt, hogy jelenleg kevesebb olyan jel látszik, amely vásárlási szándékra vagy jó illeszkedésre utal.

Ez fontos különbség.

Egy 90 pontos leadből is lehet elvesztett ügy, és egy 40 pontosból is lehet kiváló ügyfél. A scoring nem jóslat, inkább munkaszervezési eszköz.

Kisebb cégeknél kétféle megközelítés működik leggyakrabban. Az egyik a szabályalapú pontozás. Ilyenkor a cég előre meghatározza, mi ér pontot: például ajánlásból érkezett érdeklődő +10, ismert döntéshozó +10, konkrét költségkeret +15, két hete nincs reakció −20.

A másik az AI-alapú scoring, amely nagyobb adatmennyiségből próbál mintázatokat felismerni. Ilyenkor nem feltétlenül kézzel mondjuk meg minden tényező súlyát, hanem a rendszer korábbi adatokból, aktivitásokból és viselkedési jelekből próbál következtetni.

Az AI a CRM-ben cikk részletesebben foglalkozik a mesterséges intelligencia szerepével. Lead scoringnál azonban különösen igaz, hogy a bonyolultabb technológia nem automatikusan jobb. Ha kevés lezárt ügy van, vagy a CRM mezői hiányosak, akkor egy egyszerű, átlátható szabályrendszer sokszor hasznosabb.

Egy 8–15 fős vállalkozásnak egy jó reggeli sorrend már önmagában eredmény.

Mit érdemes pontozni?

A legjobb scoring nem iparági sablonból indul, hanem abból, hogy az adott cégnél eddig milyen érdeklődőkből lett valódi üzlet.

Egy építőipari vállalkozásnak más jelek fontosak, mint egy marketingügynökségnek vagy egy B2B szoftvercégnek. Érdemes ezért visszanézni az utolsó húsz-harminc megkeresést, és megkeresni, mi különböztette meg azokat, amelyekből tényleges tárgyalás vagy megrendelés lett.

Gyakran jól használható jel a forrás. Egy meglévő ügyfél ajánlása sok cégnél erősebb vásárlási szándékot jelez, mint egy teljesen hideg kapcsolat. Számíthat az is, hogy ismert-e a döntéshozó, mennyire konkrét a megfogalmazott igény, van-e reális időzítés, illetve történt-e már korábban vásárlás.

A cégméretet ugyanakkor érdemes óvatosan kezelni. Egy ötvenfős vállalkozás nem feltétlenül jobb lead, mint egy tízfős, ha a saját szolgáltatás éppen a kisebb cégek problémáira van optimalizálva. Ugyanez igaz a „sürgős” megjelölésre is. Sok sürgős ajánlatkérés mögött valódi projekt van, de akad olyan is, ahol az ügyfél egyszerűen aznap szeretne három árat begyűjteni.

A jó jel tehát nem attól jó, hogy logikusnak hangzik. Attól, hogy a saját múltbeli ügyeik alapján valóban különbséget tesz.

Érdemes pozitív jelként kezelni például azt, ha ismert a döntéshozó, konkrét feladatot fogalmaztak meg, van elfogadható időkeret vagy korábban már volt üzleti kapcsolat. Negatív jel lehet, ha hetek óta nincs válasz, az érdeklődés nagyon általános, vagy az elvárt határidő teljesen irreális és nincs nyitottság az egyeztetésre.

Ami pedig nem tölthető ki megbízhatóan, az inkább maradjon ki. A scoring egyik leggyorsabb útja a használhatatlansághoz, amikor a csapat olyan mezőket kezd találgatni, amelyeket azért kell kitölteni, hogy működjön a pontszám.

A hiányos adat kevésbé veszélyes, mint a magabiztosan kitalált.

A scoring helye nem a havi riportban van

Egy jól működő scoring legfontosabb képernyője nem a vezetői dashboard, hanem a saleses reggeli listája.

Megnyitja a CRM-et, és nem egyszerűen időrendben látja az új érdeklődőket, hanem valamilyen prioritási sorrendben. A lista tetején azok vannak, amelyek a jelenlegi jelek alapján több figyelmet érdemelnek, alul pedig azok, amelyekkel ráér később vagy más módon foglalkozni.

Ezután azonban történnie is kell valaminek.

Ha a saleses továbbra is mindig a legfrissebb e-mailre reagál, miközben a scoring csak egy külön oszlopban szépen világít, akkor a rendszer díszlet maradt. A scoring csak akkor ér valamit, ha ténylegesen befolyásolja a napi munkasorrendet.

Egy kisebb csapatnál lehet például egyszerű szabály, hogy a délelőtt első órájában a lista tetején lévő érdeklődők kapnak figyelmet. A hidegebb vagy kevésbé sürgős lehetőségek mehetnek egy későbbi blokkba.

A vezetőnek pedig nem azt érdemes hetente megkérdeznie, hogy „mit gondoltok az AI-ról”, hanem azt, hogy a magas prioritású leadek valóban kaptak-e időben következő lépést.

Ez már üzleti kérdés.

A scoring természetesen nem írja felül a pipeline-t. Egy magas pontszámú lead lehet még „új érdeklődő”, egy alacsonyabb pontú pedig akár „ajánlat kint” szakaszban. A pontozás elsősorban a korai fázisban hasznos, amikor sok új megkeresés közül kell eldönteni, melyiket minősítsük vagy hívjuk először.

Ahogy egy ügy egyre közelebb kerül a döntéshez, a pontszám jelentősége csökkenhet. Ott már sokkal fontosabb lehet az ajánlat lejárata, a következő aktivitás dátuma vagy az, hogy milyen akadály áll a zárás előtt.

A modell is tévedhet. Az értékesítő is.

A scoring egyik legfontosabb korlátja, hogy a múltból dolgozik. Ha a múlt torz volt, a rangsor is torz lesz.

Ha például a cég eddig szinte kizárólag nagyvállalati érdeklődőkkel foglalkozott intenzíven, mert azok tűntek fontosnak, a történeti adatok könnyen azt fogják mutatni, hogy a nagyobb cégek a jobb leadek. Ez akkor is megtörténhet, ha közben valójában a közepes ügyfeleken jobb volt az árrés és gyorsabb a zárás.

A modell tehát nem feltétlenül az igazságot tanulja meg. Sokszor a korábbi működés szokásait tanulja meg.

Az ember oldalán ugyanez másképp jelenik meg. Az értékesítő hajlamos lehet mindig előre venni azt az ügyfelet, akit szeret, akit könnyű elérni, vagy aki hangosan sürget. A nehezebb, de potenciálisan értékesebb ügyet pedig újra és újra hátrébb tolhatja.

A jó kompromisszum ezért az, hogy a scoring javasol, az értékesítő pedig indokolt esetben felülírhatja.

Ha egy meglévő nagy ügyfélnél hirtelen sürgős probléma jelenik meg, természetesen nem kell azt mondani, hogy „bocsánat, csak 62 pontos vagy”. A valós üzlet mindig fontosabb a pontszámnál.

Érdemes viszont figyelni a felülírásokat. Ha az értékesítő minden második leadnél figyelmen kívül hagyja a sorrendet, valami nincs rendben. Vagy rossz a scoring, vagy valójában senki nem akarja használni.

Az sem egészséges, ha soha senki nem írja felül. A pontszám nem lehet főnök.

A vesztett ügyek nélkül a scoring fél szemmel lát

A lead scoringhoz nemcsak azt kell tudni, miből lett üzlet, hanem azt is, miből nem.

Ha a nyertes ügyeket szépen kitöltik, az elvesztettek pedig egyszerűen eltűnnek vagy hónapokig nyitva maradnak, akkor a rendszer csak a történet egyik felét látja.

Érdemes ezért az elvesztett üzleteknél néhány rövid, következetesen használt okot rögzíteni. Például ár, időzítés, nem sikerült elérni a döntéshozót, más szolgáltatót választott, megszűnt az igény.

Nem kell húszféle kategória és hosszú esszé.

Öt-hat értelmes ok már sokat segít.

Ez nemcsak a scoring miatt fontos. Ugyanez teszi valósabbá a pipeline-t is. Ha ugyanis a rendszer csak azt látja, amit megnyertünk, de azt nem, hol és miért veszítettünk, a következő rangsor is túl optimista lesz.

Egy 8 fős kivitelező és a „nem sürgős” jó lead

Egy Pest megyei kivitelező vállalkozásnál a tulajdonos és a műszaki vezető osztozott a beérkező érdeklődőkön. Jöttek Facebookról, korábbi ügyfelektől és építészek ajánlásából. Minden megkeresés ugyanabba a listába került, de valódi prioritás nem volt.

A tulajdonos jellemzően a legfrissebb üzenetre reagált. A műszaki vezető azokat vette előre, amelyekhez már volt valamilyen helyszíni kapcsolódása.

Egy építész által ajánlott érdeklődő eközben három napig várt válaszra. Nem tűnt sürgősnek, mert a projekt indulása még hat hétre volt. Valójában viszont ismert volt a helyszín, nagyjából rendelkezésre állt a költségkeret, és az ajánlás miatt az ügyfél kifejezetten hozzájuk érkezett.

A cég végül négy egyszerű jelet vezetett be a bejövő érdeklődéseknél: honnan érkezett a lead, van-e konkrét helyszín, ismert-e legalább hozzávetőlegesen a költségkeret, illetve van-e vállalt visszahívási vagy döntési időpont.

• Nem volt mesterséges intelligencia.
• Nem volt prediktív modell.
• Volt viszont egy sorrend.

Az építész által ajánlott, konkrét helyszínnel és reális kerettel érkező leadek feljebb kerültek a listán. Az első hónapban a tulajdonos néhányszor felülírta a sorrendet. Egyszer teljesen jogosan, amikor egy meglévő ügyfélnél sürgős beázás történt. Egy másik alkalommal viszont csak azért, mert egy kevésbé ígéretes érdeklődő többször telefonált.

Ez utóbbit a következő hétfői megbeszélésen már érdemes volt észrevenni.

A scoring ebben a cégben nem a jövőt jósolta meg. Inkább tükröt tartott a saját prioritási szokásaik elé.

Ez sokszor önmagában elég hasznos.

Először szabály, aztán AI

Ha még kevés lezárt ügy áll rendelkezésre, nem feltétlenül érdemes rögtön mesterséges intelligenciára várni.

Egy egyszerű tízpontos skála is tökéletes indulás lehet. Például a forrás érhet 0–3 pontot, a szükséglet konkrétsága 0–3-at, a döntéshozó ismertsége 0–2-t, az időzítés pedig további 0–2 pontot.

Így egy 8–10 pontos érdeklődő kerülhet a reggeli prioritási listára, az 5–7 pontosak a későbbi blokkba, a nagyon alacsony pontszámúak pedig kaphatnak kevésbé intenzív utánkövetést.

Nem az a fontos, hogy pontosan ezek legyenek a számok.

Az a fontos, hogy a csapat értse, mit jelentenek.

Ezt érdemes három-négy hétig manuálisan kipróbálni. Ha a magasabb pontszámú érdeklődők valóban gyakrabban jutnak el ajánlatig vagy következő értékesítési lépésig, akkor van értelme tovább finomítani.

Az AI akkor válik igazán érdekessé, amikor már elegendő adat és volumen van ahhoz, hogy a kézi szabályok helyett több mintázatot is érdemes legyen figyelembe venni.

A VentasCRM érdeklődő-értékelési lehetőségei a modulok között találhatók. Ilyen funkciót azonban akkor érdemes komolyabban használni, amikor az alapmezők már rendben vannak, és a csapat elfogadta, hogy a napi sorrendnek van közös logikája.

Hogyan lesz a scoringból újabb díszlet?

Az egyik leggyakoribb hiba a túl sok tényező.

Elsőre izgalmasnak tűnhet tizenkét vagy húsz különböző jelet figyelni, de ha ezek felét a csapat nem tudja megbízhatóan kitölteni, a rangsor nem lesz pontosabb. Inkább több találgatást építünk bele.

Kisebb cégnél sokszor jobb négy-öt erős jel, mint tizenöt közepes.

A második tipikus hiba, hogy senki nem érti a pontszámot. Ha az értékesítő csak azt látja, hogy az egyik ügyfél 83 pontos, a másik 61, de nem tudja, miért, hamar elveszíti a bizalmát a rendszerben.

Nem feltétlenül kell minden algoritmust matematikailag elmagyarázni. De valamilyen értelmezhető indok sokat segít. Például: ajánlásból érkezett, ismert a döntéshozó, van költségkeret, közel a döntési időpont.

Így a lista nem fekete doboz.

A harmadik probléma az, amikor az alacsony pontszámot értékítéletté változtatják. Egy hidegebb lead nem „rossz ügyfél”. Lehet, hogy csak még korai szakaszban van, vagy kisebb intenzitású utánkövetést igényel.

A scoring nem büntetőrendszer.

Időbeosztás.

Végül érdemes kerülni azt is, hogy maga a pontszám váljon KPI-vá. Ha a vezető azt ünnepli, hogy „emelkedett a csapat átlagos lead score-ja”, könnyen az történik, hogy mindenki elkezdi úgy tölteni a mezőket, hogy szebb legyen a szám.

Sokkal értelmesebb azt nézni, hogy a valóban magas prioritású érdeklődők milyen gyorsan kaptak következő lépést, illetve a korábban elfelejtett jó lehetőségek száma csökkent-e.

Ha igen, a scoring dolgozik.

Ha csak a pontszámok lettek magasabbak, akkor valószínűleg a táblázat dolgozik.

Mit csináljon jövő hétfőn?

Nem kell rögtön AI-modult bekapcsolni. Vegye elő inkább az utolsó 15–20 beérkezett érdeklődést, és utólag próbálja meg őszintén sorba rendezni őket: melyikkel kellett volna a leghamarabb foglalkozni, és melyikre ment valószínűleg túl sok idő.

Ezután keresse meg, mi volt közös a jobb lehetőségekben. Lehet a forrás, a konkrét igény, a döntéshozó megléte, a költségkeret vagy valamilyen más, saját üzletben értelmezhető jel.

Válasszon ezekből legfeljebb ötöt, adjon nekik egyszerű pontokat, és rendezze sorba a jelenlegi új érdeklődőket. Ahol a lista nagyon eltér a saleses megérzésétől, érdemes beszélni róla. Lehet, hogy rossz a szabály. Az is lehet, hogy éppen a megszokás torzít.

Ezután próbálják ki egy hétig, hogy a délelőtt első értékesítési blokkja valóban a lista tetején lévő ügyfeleké legyen. Pénteken pedig ne a pontszámot értékeljék, hanem azt, hány fontos lead kapott időben valódi következő lépést.

Ha már ez a nagyon egyszerű rendszer is működik, akkor van értelme automatizálásban vagy AI-alapú scoringban gondolkodni.

A funkciók között az érdeklődők értékelése éppen ezt a prioritási munkát tudja támogatni.

A lead scoring ugyanis akkor hasznos, amikor nem próbálja megmondani, ki fog vásárolni.

Elég, ha segít abban, hogy ne mindig a postafiók teteje döntse el, kivel foglalkozunk először.