Kaip kvalifikuoti potencialius klientus su AI: lead scoring

Didžiausia pardavimų komandos laiko švaistytoja yra ne atsisakymai, o darbas su kontaktais, kurie niekada nepirks. Klientų kvalifikavimas su AI padeda šią problemą spręsti dar prieš pirmą pokalbį: atrenka tuos, į kuriuos verta investuoti laiką, ir atideda tuos, kurie tik atrodo tinkami. Štai kaip tai veikia praktiškai.

Kas yra kvalifikavimas ir kodėl jis svarbus

Kvalifikavimas yra sprendimas, ar kontaktas vertas jūsų pardavėjo laiko. Be jo komanda vienodai stengiasi dėl visų, o realybėje maža dalis kontaktų atneša didžiąją dalį pajamų. AI leidžia šį atrankos darbą atlikti greitai ir nuosekliai, o ne pagal nuotaiką.

Kokius kriterijus vertina AI

Geras kvalifikavimas remiasi aiškiais kriterijais, ne nuojauta. AI gali vertinti:

• Įmonės tinkamumą. Dydis, sektorius, vieta, pajamos.
• Sprendimo priėmimo galią. Ar kontaktas realiai sprendžia pirkimą.
• Laiko signalus. Plėtra, naujas etatas, investicijos, naujas produktas.
• Elgesio signalus. Ar kontaktas atidarė svetainę, atsisiuntė medžiagą, atsakė į laišką.

Kiekvienam kriterijui priskiriamas svoris, o AI iš to sudaro bendrą įvertį.

Lead scoring be rankinio darbo

Anksčiau kontaktų vertinimą darė pardavėjas ranka, dažnai nenuosekliai. AI automatizuoja lead scoring:

• Kiekvienam kontaktui priskiria balą pagal iš anksto sutartus kriterijus.
• Surikiuoja sąrašą nuo karščiausio iki šalčiausio.
• Atnaujina balą, kai atsiranda naujos informacijos.

Rezultatas: pardavėjas pradeda dieną nuo viršaus, o ne nuo atsitiktinio kontakto. Kitas pardavimų grandinės dalis, kuriose AI padeda kasdien, apžvelgiame tekste apie AI naudojimą pardavimuose.

Signalai, kurie rodo tinkamą laiką

Net idealus klientas nepirks netinkamu metu. AI padeda pastebėti momentą, kai verta kreiptis:

• Įmonė ieško darbuotojo į susijusią sritį.
• Paskelbta apie plėtrą ar naują kryptį.
• Pasikeitė vadovybė ar sprendimo priėmėjas.
• Kontaktas pradėjo domėtis jūsų turiniu.

Šie signalai paverčia šaltą kontaktą šiltesniu, nes kreipiatės tada, kai problema jam aktuali.

Paprastas balų modelis, kurį galima susidėti per valandą

Sudėtingos sistemos nereikia. Pradžiai užtenka penkių kriterijų ir aiškių svorių. Pavyzdys, kurį galima pritaikyti beveik bet kuriai B2B veiklai:

• Įmonės dydis atitinka ICP: 25 balai. Iš dalies atitinka: 10 balų. Neatitinka: 0.
• Sektorius iš jūsų sąrašo: 20 balų. Gretimas sektorius: 8 balai.
• Kontaktas turi sprendimo galią: 25 balai. Turi įtaką, bet ne biudžetą: 12 balų.
• Yra laiko signalas, pavyzdžiui, plėtra ar naujas etatas: 20 balų.
• Elgesio signalas, pavyzdžiui, atidaryta svetainė ar atsakytas laiškas: 10 balų.

Suma iki 100. Toliau nustatoma riba: nuo 70 balų kontaktas eina pardavėjui iš karto, nuo 40 iki 69 patenka į sekimo seką, žemiau 40 lieka bazėje be aktyvių veiksmų.

Skaičiavimas parodo, kodėl tai naudinga. Tarkime, sąraše yra 500 kontaktų, o pardavėjas per savaitę realiai gali kokybiškai apdirbti 60. Be modelio jis ima juos iš eilės, ir tinkami kontaktai pasiskirsto atsitiktinai, taigi pirmoje savaitėje pataiko maždaug į tiek, kiek jų yra sąraše proporcingai. Su modeliu pirmieji 60 yra būtent tie, kurie surinko daugiausia balų. Jei aukščiausio balo grupėje konversija į pokalbį yra 12 procentų, o vidutinėje 4, ta pati savaitė duoda ne du, o septynis pokalbius. Darbo kiekis tas pats, skiriasi tik eiliškumas. Balų sistemos niuansus aptariame atskirame tekste.

Svarbus patikslinimas: pirmieji svoriai visada bus neteisingi. Po dviejų mėnesių palyginkite, kokį balą turėjo realiai pirkę klientai, ir pataisykite. Modelis be šio tikrinimo tampa gražia, bet nieko nereiškiančia lentele.

Kiek laiko tai realiai sutaupo

Aritmetika paprasta ir dažnai netikėta. Tarkime, pardavėjas per savaitę peržiūri 100 naujų kontaktų ir kiekvienam skiria po tris minutes: patikrina svetainę, LinkedIn profilį, dydį. Tai penkios valandos per savaitę, arba maždaug 20 valandų per mėnesį vien atrankai.

Kai pirminę atranką atlieka automatinis modelis, žmogui lieka peržiūrėti tik viršutinę dalį, tarkime 30 kontaktų, ir tam pakanka pusantros valandos per savaitę. Sutaupoma apie 14 valandų per mėnesį vienam pardavėjui. Trijų žmonių komandoje tai daugiau nei 40 valandų.

Bet skaičius apgaulingas, jei sutaupytas laikas niekur nenukreipiamas. Realia nauda jis tampa tik tada, kai tos valandos aiškiai perkeliamos į pokalbius su geriausiais kontaktais. Kitaip komanda tiesiog dirba lėčiau su tuo pačiu rezultatu.

Kur žmogaus sprendimas būtinas

AI atrenka, bet nesupranta niuansų. Žmogaus akis reikalinga, kai:

• Kontaktas formaliai gauna aukštą balą, bet kažkas akivaizdžiai netinka.
• Reikia įvertinti asmeninį santykį ar rekomendaciją, kurios duomenys neatspindi.
• Sprendimą lemia kontekstas, kurio nėra jokioje duomenų bazėje.

Geriausias modelis: AI padaro pirminę atranką, žmogus priima galutinį sprendimą dėl top kontaktų. Kuriuos etapus po gauto atsakymo verta automatizuoti, o kuriuos privalo išlaikyti žmogus, aprašome tekste apie outbound ir AI automatizavimą viename procese.

Kaip AI padeda atmesti netinkamus

Kvalifikavimas yra ir apie tinkamų atranką, ir apie netinkamų atmetimą laiku. Kuo anksčiau atmetate blogą kontaktą, tuo daugiau laiko lieka geram. AI padeda pastebėti signalus, kad kontaktas netinka:

• Įmonė per maža arba per didelė jūsų pasiūlymui.
• Sektorius, kuriame jūsų sprendimas neveikia.
• Kontaktas be sprendimo priėmimo galios.

Atmestas kontaktas nėra praradimas. Tai laikas, sugrąžintas tiems, kurie realiai gali pirkti.

Dažniausios klaidos ir ką daryti vietoj to

• Kriterijai surašomi pagal nuojautą, o ne pagal esamus klientus. Pradėkite nuo dešimties geriausių klientų ir surašykite, kas juose kartojasi. Jei jūsų kriterijų neatitinka nė vienas iš jų, kriterijai neteisingi. Kaip tai patikrinti, aprašome ICP tikrinimo tekste.
• Balas prilyginamas pasirengimui pirkti. Aukštas balas reiškia tinkamumą, ne norą pirkti dabar. Tai du skirtingi dalykai, ir juos verta atskirti, kaip aprašome MQL ir SQL tekste.
• Modelis remiasi netvarkingais duomenimis. Jei CRM pusė laukų tušti, balas skaičiuojamas iš spėjimų. Duomenų tvarka yra pirmas žingsnis, ne paskutinis, ir apie tai rašome CRM higienos tekste.
• Žemo balo kontaktai ištrinami. Netinkamas šiandien nereiškia netinkamo po metų. Įmonės auga, vadovai keičiasi. Tokie kontaktai perkeliami į retesnę seką, o ne šalinami.
• Modelis nekeičiamas. Rinka juda, o svoriai lieka tie patys, kokie buvo pirmą dieną. Peržiūra kartą per ketvirtį užtenka.
• Pardavėjai nemato, kodėl balas toks. Jei sistema rodo tik skaičių, ja nepasitikima ir ji apeinama. Kartu su balu turi matytis, kurie kriterijai jį sudarė.

Prieštaravimai ir sąžiningi atsakymai

„Mūsų rinkoje per mažai kontaktų, kad juos dar ir filtruotume." Būtent mažoje rinkoje atranka svarbiausia, nes klaidingas kreipimasis sudegina kontaktą, kurio neturėsite iš kur pakeisti. Skirtumas tik tas, kad mažoje rinkoje ribos nustatomos žemiau ir mažiau kontaktų atmetama visiškai.

„AI neatspės, kas pirks." Ir neturi. Modelis rikiuoja eiliškumą, o ne prognozuoja sandorį. Nauda ateina iš to, kad pardavėjas pradeda nuo tikėtinesnės grupės, o ne iš to, kad kažkas atspėjama.

„Turime per mažai duomenų." Pradėti galima ir su trimis kriterijais, kuriuos matote kiekvienoje įmonės svetainėje: sektorius, dydis, vaidmuo. Elgesio signalai pridedami vėliau, kai jų atsiranda. Laukimas, kol duomenys bus pilni, paprastai reiškia, kad nepradedama niekada.

Lietuvos rinkos specifika

Lietuvos B2B rinkoje tikslinių įmonių dažnai yra kelios šimtinės, ne dešimtys tūkstančių. Tai keičia dvi taisykles.

Pirma, ribos nustatomos žemiau. Jei jūsų ICP atitinka 300 įmonių, atmesti 200 iš jų reiškia likti be rinkos. Praktiškiau naudoti tris grupes: aktyvus darbas, retesnė seka ir stebėjimas, o ne dviejų grupių atranką.

Antra, vieši duomenys čia pasiekiami neblogai. Registrų informacija apie įmonių dydį, veiklos sritį ir finansinius rodiklius leidžia užpildyti didelę dalį kriterijų be brangių tarptautinių bazių, kurios Lietuvos smulkų verslą dažnai praleidžia. Kur ieškoti signalų apie tinkamą momentą, aptariame pirkimo signalų tekste.

Trečia, asmens duomenų pusė. Kontaktų vertinimas pagal elgesį reiškia duomenų rinkimą, todėl BDAR taikomas ir čia. Praktiškai užtenka aiškiai nurodyti privatumo pranešime, kokius duomenis renkate ir kodėl, bei nesaugoti daugiau, nei reikia darbui.

Nuo ko pradėti

Nereikia sudėtingos sistemos. Pradėkite nuo aiškaus idealaus kliento apibrėžimo ir kelių svarbiausių kriterijų, o kaip tas pats profilis panaudojamas dar anksčiau, renkant kontaktus, aprašome tekste apie B2B klientų paiešką su AI. Kai jie veikia, galima pridėti elgesio signalus ir automatinį balų atnaujinimą. Svarbiausia ne technologija, o disciplina vertinti visus kontaktus vienodai.

---

Norite tvarkingesnio kvalifikavimo proceso?

Peržiūrėkime, kaip šiandien atrenkate klientus ir kur AI sutaupytų daugiausiai laiko. Pradėkite nuo nemokamo AI audito arba susisiekite su mumis tiesioginiam pokalbiui.