Müşteri Adayı Nitelemesini OtomatikleştirPuanlama müşteri adayları ile gerçek işletme veri
Kayıp satışlarının yüzde 67'si kötü nitelenmiş müşteri adaylarını takip etmekten gelir. Otomasyon bunu tahmin, verilerle düzeltir.
Otomasyon··6 dakikalık okuma
Ana çıkarımlar
Otomatik müşteri adayı puanlaması manuel niteleme için yüzde 70-85 doğrudur
İnceleme tabanlı KPI'ler satın alma davranışını tahmin eden gerçek işletme acı noktalarını ortaya çıkarır
Nitelemesini otomatikleştiren takımlar satış harcama yüzde 40 daha fazla zaman araştırma yerine
Sorun
Neden manuel müşteri adayı nitelemesi başarısız olur
Müşteri adayı nitelemesi , bekleme müşterinin ideal müşteri profiline uyup uymadığını ve bütçe, yetki, ihtiyaç ve zaman çizelgesi satın alıp almadığını belirlemek işlemidir. HubSpot müşteri adayı puanlama rehberi resmi niteleme işlemi yapan şirketler yüzde 50 daha fazla satış hazır müşteri adayları yüzde 33 daha düşük maliyette oluşturur vurgulamaktadır.
Manuel nitelemesi sorunu üçlü: bu yavaş (müşteri adayı başına ortalama 15-20 dakika), tutarsız (farklı temsilciler farklı kriteri geçerlidir) ve önyargılı (temsilciler veri tarafından desteklenen müşteri adayları veya sağ hissedenlere doğru temsilciler). Sonuç: kayıp satışlarının yüzde 67'si kötü nitelemesine geri izlenebilir.
Bu işlemi otomatikleştirmek insani yargıyı kaldırmak anlamına gelmez. Bu takımınıza veri odaklı başlangıç nokta vermeaning anlamına gelmektedir. Her müşteri adayı ilk 20 dakika harcamak yerine, onları izlemeye değip değmediğini araştırmak, arayıcılık işlemi ön puanlı müşteri adaylarını dönüştürme olasılığına göre sıralanan teslim.
yüzde 67
kayıp satışlarının kötü müşteri adayı nitelemesine geri döner
yüzde 79
otomatik puanlama modellerle doğruluk geliştirmesi
yüzde 40
niteleme otomatikleştirildiğinde satış harcama daha fazla zaman
Puanlama sinyalleri
Müşteri adaylarını otomatik olarak niteyen 4 veri noktası
Etkili otomatik niteleme birden çok veri katmanını birleştirir. İşte araştırma bilgisayar tarafından bilgilendirilmiş dört en tahmin sinyalleri Marketo ve ActiveCampaign:
İnceleme duyarlılığı KPI'ler
Google inceleme puanları, duyarlılık trendleri ve şikayet kalıpları aktif acı noktalarını ortaya çıkarır. Yüzde 3,2 yıldızlı ve yükselen 'eski odalar' şikayeti otel, yenileme tedarikçiler için nitelenmiş müşteri adayı. Vonsel bu KPI'ler otomatik olarak ayıklar.
İşletme boyutu ve olgunluk sinyalleri
İnceleme sayısı, inceleme hızı ve listeleme tamlığı işletme boyutu ve faaliyet düzeyini gösterir. 500+ incelemeler ve aktif sahibi yanıtları ile restoran 12 inceleme ve yanıt yok çok farklı bekleme'ye çok farklı bekleme'dir.
Firmografik uyum
Sektör, konum ve işletme kategorisi temel uyumlu belirleyin. İşletme veritabanları bölümleme verilerini sağlar; puanlama modelleri ideal müşteri profili karşı tartılar.
Katılım ve zamanlama sinyalleri
Yeni listeler, yakın mülkiyet değişiklikleri veya mevsimsel kalıpları satın alma pencereleri gösterir. Drift'in araştırması satın alma sinyali alındıktan 5 dakika içinde yanıt vermeyin dönüşüm yüzde 900 artırır gösterir.
Yerleşik puanlama ile ön nitelenmiş müşteri adayları alırsınız
Vonsel oluşturur işletme veritabanları inceleme KPI'ler, puanlar ve duyarlılık verilerini inşa. Nitelenmiş veriler tarafından nitelenmiş müşteri adayları bulmak için endüstri, konum ve acı noktaları tarafından filtrele.
Başlamak karmaşık yapay zeka platform gerekmez. İşte pratik çerçeve herhangi satış takım gerçekleştir olabilir:
1
İdeal Müşteri Profili (ICP) tanımlayın
En iyi 20 müşterisi analiz. Ne endüstrisi mi iç. Ne boyut. Ne acı noktaları satın aldığında. Bu kalıpları puanlama kriteri olur.
2
Her sinyal ağırlığı puanlama atama
Tüm kriterinin eşit konular değildir. İnceleme puanı damlası 30 puanlar wort, sırada endüstri uyum 20 ve yer 10 wort. Toplam puanlar 100 açık derecelendirme oluşturur.
3
Veri kaynaklarına bağlanın
Vonsel veri çekin (inceleme KPI'ler, işletme veri), CRM (geçmiş etkileşim) ve email otomasyon platformu (katılım sinyalleri). Daha fazla veri noktaları, daha doğru puan.
4
Niteleme eşikleri ayarla
Ne puan anlama belirle 'satış hazır' (örn., 70+), 'beslenme' (40-69), veya 'diskalifikasyon' (40 altında). Bu otomatik yönlendirme oluşturur: sıcak müşteri adayları hemen temsilciler git, sıcak müşteri adayları beslenme dizileri girin.
5
Kapalı anlaşma veri aylık kalibre
Puanları gerçek sonuçlara karşı karşılaştırma. Hangi puanlı yüksek müşteri adayları kapalı? Hangi puanlı düşük müşteri adayları sizi überrasch? Ağırlıkları uyum üç aylık. Satış raporlaması bu geri bildirim döngü mümkün kılar.
En iyi niteleme modelleri karmaşık değildir. Bunlar takımınızda gerçekten kullanır olan olanlardır. 5 kriteri başlayın, benimseme alırsınız, sonra sofistikasyon ekleyin. Basit model tutarlı kullanılan karmaşık modeli çok iyi karşı.
Puanlama örneği
İnceleme verisi kullanarak örnek müşteri adayı puanlama modeli
Sinyal
Kriterler
Noktalar
Puanı incele
Aşağıda yıldız 4.0 (acı vardır)
+25
Puanlama trendi
3 ay üzerinde azalan
+20
İnceleme hacim
50+ inceleme (kurulmuş işletme)
+15
Endüstri eşleşmesi
ICP dikey eşleşir
+20
Yer eşleşmesi
Coğrafya hedefinde
+10
Negatif anahtar sözcükler
İncelemeler çözüm alan bahsetmeyin
+10
70+ puanlayan müşteri adayları 'sıcak' , onları doğrudan satış yönlendir. 40-69 beslenme dizileri gider. 40 aşağıda veritabanı gelecek yeniden değerlendirme kalır. Kapalı anlaşmaları hangi ağırlıklarını söylediklerine göre uyum.
Müşteri adayları ön duyguya puanlama bırakın. Verileri sınırlamak olanak
İlk arama önce müşteri adayları nitelemek
Vonsel işletme veri ile ön puanlı müşteri adayları değil rastgele listeler teslim inceleme KPI'ler, puanlar ve duyarlılık analiz inşa. Planları görmek veya bize ulaşın.
Otomatik müşteri adayı nitelemesi manuel inceleme olmaksızın bekleme müşterililerini değerlendirmek için önceden tanımlanmış kriterler ve puanlama modellerini kullanır. İnceleme duyarlılığı, işletme boyutu, konum ve davranışsal kalıpları gibi veri sinyallerine göre bekleme müşterilerini dönüştürme olasılığına göre sıralamak için puanlar atar.
Müşteri adayları otomatik olarak puanlamak için hangi veriyi kullanmalıyım?
En etkili otomatik puanlama demografik veriler kullanır (sektör, boyut, konum), davranışsal sinyalleri (inceleme trendleri, web sitesi ziyaretleri) ve katılım verilerini (email açılışları, içerik indir). İnceleme tabanlı KPI'ler Vonsel gibi araçlardan gerçek işletme acı noktası algılamak ekleyin.
Otomatik müşteri adayı puanlaması manuel nitelemesinden ne kadar doğrudur?
Araştırmalar otomatik puanlamaya manuel niteleme için yüzde 70-85 doğruluk kazandığını gösterir. Anahtar avantaj tutarlılıktır: otomatik puanlama insani önyargı ve yorgunluk tabanlı hatalarını ortadan kaldırarak her müşteri adayına aynı kriteri uygular.
Ücretsiz Denemeyi Başlat