Cos'è il lead scoring predittivo
Il lead scoring tradizionale assegna punti a mano: tanti punti se il contatto ha scaricato una guida, tanti se lavora in un certo settore. Chi decide i punti segue la sua intuizione. Quello predittivo lascia che siano i dati a dire quali segnali contano davvero, guardando chi ha comprato in passato.
Perché funzioni servono dati di vendita affidabili nel CRM: chi è diventato cliente, chi no, e possibilmente perché. Se i commerciali registrano poco o in modo diverso tra loro, il modello impara le loro abitudini invece del mercato. E va rivisto quando cambiano prodotti o canali, perché ciò che prediceva un acquisto ieri può non valere domani.
Un esempio in una PMI
Una software house che vende un gestionale per ristoranti riceve molte richieste di demo. Un modello addestrato sui contatti degli anni precedenti assegna un punteggio a ogni nuova richiesta. Daniela chiama per primi i punteggi alti; gli altri ricevono una sequenza di mail. Dopo qualche mese confrontano le vendite delle due liste.
Gli errori più comuni
- Ignorare del tutto i contatti con punteggio basso, che a volte comprano.
- Addestrare il modello su dati di CRM incompleti e poi fidarsi ciecamente del punteggio.
- Non spiegare ai commerciali da cosa nasce il punteggio, che così non lo usano.
Perché ti interessa
Se i tuoi commerciali non riescono a seguire tutti i contatti, decidere chi chiamare prima vale più di trovare nuovi contatti. Ma il modello è buono quanto il tuo CRM.
Tutte le parole dell'AI spiegate semplici sono nel glossario.
Domande frequenti
Quanti dati servono?
Servono abbastanza vendite chiuse e perse registrate bene. Con pochi casi conviene partire da un punteggio a regole e passare al predittivo dopo.
Il mio CRM lo fa già?
Molti CRM offrono un punteggio automatico. Controlla su quali dati si basa e se è stato provato sui tuoi contatti.
Da leggere dopo
Cos'è l'analisi predittiva per una PMI
L'analisi predittiva usa dati storici e modelli statistici o di machine learning per stimare cosa è probabile che succeda: quali clienti smetteranno di comprare, quali fatture saranno pagate in ritardo, quale macchina rischia un guasto. Non dà certezze, ma probabilità su cui decidere.
GlossarioCos'è il machine learning, spiegato senza formule
Il machine learning, o apprendimento automatico, è il modo di costruire programmi che imparano da esempi invece di seguire regole scritte a mano, e che si possono riaddestrare quando arrivano dati nuovi.
GlossarioCos'è l'AI spiegabile (explainable AI)
L'AI spiegabile è l'insieme di metodi che rendono comprensibile perché un modello ha prodotto un certo risultato: quali dati hanno pesato di più, quali fattori hanno spinto verso una decisione. Serve a fidarsi dei risultati, a trovare errori e a rispondere a chi chiede conto.
GlossarioCos'è il bias nell'AI e perché ti riguarda
Il bias di un modello AI è una distorsione sistematica nei suoi risultati, che lo porta a trattare in modo diverso persone o situazioni simili. Nasce quasi sempre dai dati di addestramento, che riflettono squilibri e pregiudizi del passato, o da come il sistema è stato progettato.
GlossarioClassificazione del testo con l'AI: cos'è e a cosa serve
La classificazione del testo è il compito di assegnare a un testo una o più etichette scelte da un elenco, per esempio "reclamo", "ordine" o "richiesta di informazioni".
Vuoi capire cosa serve davvero alla tua azienda, senza gergo? Parliamone.
Testi e grafica realizzati con il supporto dell'AI. Metodo e contenuti sono di AIR.