销售线索得分:让大数据技术告诉你谁是未来的大客户

销售线索得分:让大数据技术告诉你谁是未来的大客户
2017年01月11日 14:08 MKT营销云

在上一篇文章中,我们提到为潜客线索打分是预测性分析技术在B2B营销中最重要的一种应用。今天就为大家详细介绍一下如何实现预测性线索打分及其核心步骤。

不过在介绍如何建立打分模型之前,先来回顾一下预测性线索打分的基本概念和能够达成的效果。预测性线索打分是一种基于多种数据来自动计算判断潜客线索是否有效,成交的可能性如何和成交价值高低的分析方法。其核心目标是给出营销和销售团队投入资源的优先级, 让投资回报率最大化。

下图很好的说明了采用潜客线索打分的必要性和效果。图中绿色的bar代表客户贡献的收益价值,橘黄色的bar代表的是在不同客户身上花费的时间或投入的营销资源。

我们可以看到,其实公司的收入主要来自于一部分最优质的客户,而如果没有一个有效指标来指导销售团队的话,为了不错过任何一个可能的大客户,大家往往只能平均分配精力,结果就是浪费大量的资源在质量很低的线索上。

采用预测性线索打分之后,可以将投入的时间精力与客户潜在的价值匹配起来,比如成交可能性低的客户发送自动化的信息和邮件,而成交价值高的客户则采取人工跟进贴身服务的方式。投入资源的优化,将从高价值客户身上获取更多的更持续的收益。

那么建立潜客打分的预测性模型需要哪几个关键步骤呢?

Step 1 梳理现有的数据

第一步需要从已经积累的数据开始,通常包括两类数据:

一是历史交易数据,预测性模型的建立需要分析成功转化和最终失败的线索之间的差异,交易金额不同客户之间的区别;

二是一些关于客户属性的静态信息,比如公司名称,行业,邮件地址等等。一般来说使用CRM系统或者营销自动化系统的企业都已经有以上数据的积累,这也是为什么Infer, Mintigo等预测性分析平台都已经与Salesforce, Eloqua,Pardot 等主流营销自动化平台进行了对接。

Step 2 拓展外部数据

预测性分析的一大亮点就是在原有CRM系统的数据基础上,通过大数据技术,不断从网络上抓取更新大量与潜客个人及其公司相关的,且能预测成交可能性的数据点补充进来,例如客户公司发布的新闻动态,招聘职位信息,社交媒体信息和人员结构关系等等。

举个例子, 假设客户公司若正在使用微软 SQL Server 数据库对是否购买你们公司的产品很有影响,那么预测性分析平台就会自动检测该客户公司招聘信息里是否有关SQL Server 工作的描述,是否有SQL Server IT经理,官网中的产品描述里是否有提到SQL 的内容,有没有与微软的合作等等,最终预测出客户是否已经采用了SQL Server 数据库。

Step 3  建立预测性模型并检验有效性

根据前面两步的数据,通过机器学习的方法确定哪些指标对于成交可能性最有预测能力,建立最佳的预测模型和打分机制。当然根据需要,也可以设定其他预测目标,例如达成最高成交金额的可能性等。

模型建立后,你需要用另一部分历史数据再做一次检验,看看那部分预测得分最高的线索是否有最高的转化比率。如下图所示,A级线索得分均在87分以上,转化率也是最高的,是平均水平的2倍。

Step 4 将预测性得分输回CRM和营销自动化系统,并持续追踪应用效果

确定好预测模型后,下一步就是将线索的得分实时输入回CRM和营销自动化系统中。这样销售团队在使用CRM时,就可以随时了解线索的状态,相应的安排跟进工作的优先级。而在营销自动化系统中,不同的得分则将自动触发对应的营销流程,或者个性化的营销内容。

最后记得实时监测预测性打分系统的应用效果,是否在高分线索获得了更高的转化率和更低的成本,而在低分线索上减少了资源投入。

以上就是预测性线索打分的核心步骤,希望能帮助大家对这项技术有了基本的概念和理解。

最后再分享一张来自Infer 公司的图片,如果说通过数据和技术对客户实现自动化智能化的理解可以分为几个步骤层次的话,预测性分析则是在销售自动化和营销自动化的基础上更前进了一步。您的公司现在处于哪一阶段了呢?

本文内容主要参考了Infer 关于预测性线索打分的白皮书,也部分参考了Mintigo官网的内容。

本文来自公众号“营销云笔记”,MKTYun 经授权发布。

财经自媒体联盟更多自媒体作者

新浪首页 语音播报 相关新闻 返回顶部