Vad är predictive lead scoring?
Om du har lyckats med din internetmarknadsföring får du många leads från din webbsida. Kanske är du i det tacksamma läget att du får så många leads att du har svårt att följa upp alla, och behöver prioritera vilka leads du skall lägga tiden på.
Då skall du titta på ”lead scoring” som är ett koncept för att bedöma och betygsätta hur varma och köpklara olika leads verkar vara. ”Lead scoring” är en funktion för datadriven marknadsföring som finns i bra marketing automation system, t ex HubSpot.
Med ”lead scoring” ges varje lead olika poäng baserat på faktorer som antas vara indikatorer på att denna person kommer att bli en kund. Exempel på information som används för att bedöma ”lead score” för en viss person kan vara vilka webbsidor som har besökts, vilka email som har öppnats, vilka formulär som har fyllts i, hur många gånger personen i fråga har kommit tillbaka till webbsidan, hur många siffror telefonnumret innehåller, eller vilket land personen kommer ifrån.
Säljare kan sedan sortera eller filtrera alla leads utifrån en framräknad ”lead score”, och på så sätt börja följa upp de leads som bedöms vara varmast och mest köpklara först. Alternativt så kan marketing automation systemet automatiskt starta ett händelseflöde med åtgärder när en person kommit över en viss ”lead score”; t ex genom att skicka en speciell sekvens av email till just denna person.
”Lead scoring” kan delas upp i traditionell ”lead scoring” och ”predictive lead scoring”.
Vid traditionell ”lead scoring” tar man manuellt fram en modell som bedömer hur varma och köpklara olika leads verkar vara. Själva bedömningen och betygsättningen av varje lead görs sedan automatiskt av marketing automation systemet, med den manuellt framtagna modellen som bas.
Problemet med manuell ”lead scoring” är att det är svårt att ta hänsyn till alla parametrar som kan påverka hur varm och köpklar en person verkar vara. Modellen blir därför ganska förenklad. En ny, mer avancerad teknik som kallas för ”predictive lead scoring” kan lösa detta problem.
Med ”predictive lead scoring” behöver man inte själv konstruera den beräkningsmodell som betygsätter hur varm och köplar en person verkar vara. I stället tillämpar marketing automation systemet en mycket avancerad dataanalys varifrån betygsättningsmodellen genereras automatiskt.
Avsnitten här nedan förklarar hur både traditionell och ”predictive lead scoring” fungerar.
Traditionell ”lead scoring”
För att bedöma hur varm och köpklar en person är behöver vi känna till en del saker. Eftersom vi pratar om internetmarknadsföring här, så behöver vi specifikt känna till vad ett lead har gjort på webbsidan, huruvida de email vi har skickat har öppnats, osv.
I praktiken innebär det att vi måste använda ett marketing automation system, som har instrumenterat webbsidan och skickade email så att det kan mäta exakt vad en viss person gör. Därmed kan vi också låta systemet betygsätta ett lead baserat på hans eller hennes aktiviteter.
Mer specifikt kan vi ge olika poäng för olika aktiviteter. T ex:
- Ett besök på sidan med ”Prislista” ger +5 poäng
- Ett besök på sidan med ”Återförsäljare” ger +10 poäng
- Ett besök på sidan med ”Nya jobb” ger -10 poäng (eftersom det troligen är en jobbsökande och inte en kund vi har att göra med här)
- Ett besök på övriga sidor ger +1 poäng
- Nedladdning av en viss PDF fil ger +3 poäng
- Varje öppnat email ger +1 poäng
- Osv.
Ovanstående regler kan definieras i marketing automation systemet, som sedan automatiskt räknar ut aktuell ”lead score” för varje person, baserat på hans eller hennes aktiviteter. Hur poängsättningen skall göras är upp till varje företag att själv bedöma, och beräkningsformeln måste alltså definieras manuellt.
Med en manuellt definierad ”lead score” modell kan vi få en numeriskt kvantifierad bedömning av hur varm och köpklar varje lead verkar vara.
”Predictive lead scoring”
Ett alternativ till manuellt definierade ”lead scoring” modeller är att använda automatiskt framtagna modeller. Dessa kan ta hänsyn till många fler parametrar eftersom de är framtagna av ett datorprogram. Stöd för detta finns i vissa mer avancerade marketing automation system, t ex HubSpot.
Detta är ”predictive lead scoring” och är baserat på en teknik som kallas för ”predictive analytics”, som är en del i forskningsområdet artificiell intelligens (AI). För att förstå hur detta fungerar måste vi först göra en djupdykning i avancerad dataanalys; och vi börjar med ”big data”.
”Big data” är en relativt ny teknik som används för att hitta nästintill osynliga mönster i mycket stora datamängder. Vi pratar här om att hitta mönster i data som har samlats in från tidigare händelser.
Till exempel skulle vi med ”big data” kunna upptäcka att personer som tidigare har besökt en viss kombination av sidor och fyllt i vissa formulär senare har visat sig bli kunder.
Detta är ett intressant mönster i tidigare insamlat data som ger en värdefull insikt: Leads med ett visst gemensamt beteendemönster blev sedan i hög omfattning kunder.
Historia är bra, men framtiden är viktigare. Tänk om vi kunde analysera beteendet för nya leads, och jämföra det med beteendet hos de leads som senare faktiskt blev kunder? Då skulle vi kunna förutse vilka leads som sannolikt kommer att bli kunder i framtiden.
Det är precis så ”predictive lead scoring” fungerar. Ett marketing automation system använder ”big data” analys för att titta på de leads i databasen som tidigare har blivit kunder, och hittar mönster i deras beteende som skiljer dem från de leads som inte blev kunder.
När systemet har hittat mönster som tycks vara en indikator på att leads blir kunder, används ”predictive analytics” för att försöka hitta samma beteendemönster bland nya leads som ännu inte är kunder. Systemet beräknar på så sätt fram en ”lead score” för varje lead, med en sannolikhetsfaktor 0-100%.
I princip talar systemet alltså om för oss med vilken sannolikhet 0-100% ett lead kan antas bli kund i framtiden. Allteftersom detta lead fortsätter att göra saker på webbsidan förändras bedömningen, och en ny uppdaterad sannolikhetsfaktor (”lead score”) räknas fram kontinuerligt.
Användning av ”lead score” data
Vad tjänar detta till? Hur kan vi använda en ”lead score” bedömning för olika leads? En möjlighet är förstås att låta säljarna få aktuell ”lead score” för alla leads, så att de kan kontakta de personer som verkar vara varmast och mest köpklara först.
Alternativt kan vi låta bli att ge leads med för låg ”lead score” till säljarna, så att de inte lägger värdefull säljtid på personer som inte verkar vara tillräckligt varma eller köpklara just nu.
En annan mycket intressant möjlighet är att använda ”lead score” i de automatiska händelsekedjor som marketing automation system kan utföra. Vi kan starta vissa händelsekedjor direkt när en viss person får en ”lead score” över ett visst gränsvärde.
Vi kan t ex skicka information om ett lead till närmaste återförsäljare, men först när detta lead verkar vara tillräckligt varm och köpklar (t ex har en ”lead score” om minst 45% eller 85%).
Eller så kan vi skicka en emailsekvens med ett mjukt säljbudskap till alla leads när de får en ”lead score” över 45%, och ytterligare några email med ett hårdare säljbudskap när deras ”lead score” passerar 85%.
Ett sådant gränsvärde kan också användas för att automatiskt ändra livscykelstatus på ett lead, t ex till “marketing qualified lead” (MQL) vid 50%.
En traditionell eller ”predictive lead score” kan alltså både användas för att hjälpa säljarna att prioritera vilka leads som skall följas upp, och användas till att automatiskt starta olika händelsekedjor i ett marketing automation system. En vanlig åtgärd är t ex att skicka en sekvens med email när ett lead har passerat en viss ”lead score” gräns.
Detta ger stora möjligheter att öka effektiviteten i både automatisk marknadsföring och manuell säljuppföljning.
Själv är jag författare och konsult inom marketing automation och artificiell intelligens. Behöver du hjälp med att installera och sätta upp ett marketing automation system, eller AI-baserade lösningar? Kontakta mig – jag erbjuder konsulttjänster på området!
Är du intresserad av framtidens marknadsföring? Här finner du fler artiklar om marknadsföring med AI och marketing automation.
Vill du lära dig mer? Läs mina bloggartiklar om marketing automation och datadriven marknadsföring!
