预测性线索评分——大数据技术正在改变的又一领域（二）
本文为系列文章，推荐前置阅读：
预测性线索评分——大数据技术正在改变的又一领域（一）
线索评分的演化历史
可见，线索评分是一个贯穿销售过程的重要内容。销售人员很早就在销售过程中应用。从历史上看，线索评分主要经历了如下几个发展阶段。
- 手工评分阶段：计算机技术和软件发展起来之前，线索评分都是手工进行的。这需要仔细研究潜在客户，记录他们的信息，然后在电子表格上计算他们的分数。尽管这项任务很艰巨，但事实证明，它是值得的：2012年，使用线索评分的企业，与没有使用线索评分的企业相比，前者的线索获取ROI增加了77%。
- CRM辅助评分阶段：CRM软件出现后，就逐步承担了自动化和简化线索评分流程的任务。使用CRM，企业可以收集并输入每条线索的数据，然后根据所选的评分标准，由CRM软件对这些线索进行评分。这些评分数据大都包括潜在客户的人口统计学信息（demographic），以及一些显性信息。因此这也意味着一些有用的隐性信息没有被包括进来。在这种模式下，销售和市场人员仍然需要投入很多时间来研究线索，然后才能对其评分并过滤掉那些不太可能购买的客户。虽然这被认为是对手工评分的重大改进，但它仍然占用了销售人员大量的时间。
- 营销自动化（MA）+CRM评分阶段：随着营销自动化技术的兴起，使得追踪潜在客户在线行为成为可能。营销自动化技术与CRM联合在一起，可以分析更多数量和更广泛种类的数据。例如，可以跟踪潜在客户访问网站的时长和次数，利用这些信息给线索加分，并添加到CRM的线索资料中。这种评分方式的弊端在于：营销自动化技术可以追踪这些行为，但它无法区分这些访问是出于客户的实际兴趣，还是偶然的行为。它只能从行为端进行分析，而无法从需求端给出结论。根据2016年的一份报告，61%的受访者表示，“误导性的购买信号”是他们在线索评分方面面临的最大挑战之一。这为另一个新来者进入领先评分领域留下了空间。
- 预测性线索评分阶段：这是大数据技术、人工智能技术在线索评分领域发展的自然结果。大数据技术可以收集来自互联网的各种类型数据，然后使用人工智能、机器学习算法，对其分析，从而对线索给出更加准确的评分。这也是线索评分领域最高的发展阶段。后文会给出更加详细的说明。
传统线索评分的缺陷
我们知道，线索评分是根据相关一系列数据，为线索分配分数的过程。在历史上传统的线索评分方法中（包括手工评分、CRM辅助评分和CRM+MA评分模式），相关数据可能包括人口统计学信息。例如工作领域、职位名称等。其他数据可以包括潜在客户在线参与的频率，或者浏览表示有购买兴趣的特定网站页面的频率等等。在这种模式下，市场营销人员对某些行动的重要性进行排名，以衡量客户意图、筛选线索。例如，一个访客通过自然搜索找到了主页，并填写了表格或订阅了更多信息，他很可能比打开电子邮件或阅读一篇博客文章后而跳转到这个网站的访问者，获得更高的评分。
理想的情况下，线索评分是准确的，营销人员可以将最有价值的新线索连同一些有用的信息传递给销售团队。不幸的是，我们并不是生活在一个理想的世界里，传统的线索评分也不总是准确。营销人员仍然通常依靠自己的主观判断或过去的数据来评估他们认为与销售相关的行动。商机仍然会从缝隙中溜走，或者销售团队可能会依据不准确的评分，花太多的时间去追逐不合格的线索。
传统的线索评分方式非常僵硬，存在大量遗留的人工/流程错误。假设营销人员分析一个线索的入站行为。如果潜在客户进入主页，然后要求进行演示，根据市场人员的合格性评分模板，这个线索可能会获得一个很高的评分。然而，这些行为并没有告诉你他的消费能力、购买意图等方面的任何信息。因此会导致错误的线索评分，从而对销售代表产生错误的引导
CRM数据不完整的问题，也导致了线索评分的不准确性。CRM数据只有在销售代表正确填写时才是完整的。大多数评分模型失败的原因，主要有两个:
- 较低的数据填写率，导致CRM数据不完整。
- 只有一部分数据（比如赢单数据）在数据分析中使用。一个好的预测模型需要大量的高质量数据。
传统线索评分方法所涉及的数据，只是潜在客户数据集合的“冰山一角”，众多有意义的数据并没有被利用。
在下面情况下，线索评分也是无法应用的：
- 如果你没有非常大量线索，线索评分就不是很有用了。
- 如果你的机构没有主动的进行实时线索评分，它也是无用的。
- 它需要提前建立特定的数据采集点。如果你是一家新公司，这些数据点经常并不是为人所知的。
- 由于它是根据公司和营销人员的主观判断形成的，所以线索评分可能并不总是非常准确。
由于这些原因，市场需要更准确的评分方法。如果你一直在手动给线索评分，并且拥有CRM系统，那么你应该认真考虑采用预测性的线索评分。随着人工智能、大数据和机器学习的进步，预测性线索评分在CRM中变得越来越普遍。
什么是预测性线索评分
预测性线索评分，是一种数据驱动的线索评分方法。它使用历史数据、活动数据、以及预测模型，来识别最有可能转换为销售的线索。它使用大数据和机器学习算法评估现有客户和潜在客户的关键行为，并对他们进行分级，从而更容易区分哪些潜在客户更容易转化、留存或购买公司的产品和服务。
预测性线索评分的好处在于，你不必弄清楚合格线索应该包含哪些属性，或者每个属性应该有多少权重。对于许多营销人员来说，确定一个合理的公式是非常困难的，而且通常归结为一个“尝试和检查”的过程。然而，有了预测性的线索评分，算法会查看你成交的客户有哪些共同信息，那些还没有成交的线索有哪些共同信息。然后提出一个公式，自动为线索分组，所以你可以很容易地找出最合格的线索。
预测性线索评分中的“预测性”，指的是基于一系列算法的预测模型。用这些算法来寻找完美或近乎完美的客户，这样销售代表就不必猜测哪些线索最有可能成交，特别是你使用通话记录数据，来跟踪这些通话表现的时候。
利用历史数据和人口统计数据，可以构建一个更加准确和可靠的数据集。基于机器学习，预测性解决方案可以找出那些营销团队可能会错过的关键指标，从而产生更高质量的线索。更好的是，由于这是通过机器学习和预测分析来完成，许多流程可以同时运行，从而为团队腾出时间来完成其他任务。
预测性线索评分的工作原理如下：
- 首先分析CRM中所有已经关闭的商机——既包括那些成交的，也包括那些失败的。
- 然后使用预测性线索评分平台，在互联网和专有数据源中扫描数千个数据信号，以确定理想客户的数字指纹。
- 基于这个数字指纹，创建评分系统。根据与现有客户的匹配程度，对所有的线索、联系人、客户和商机进行评分。
预测性线索评分示例
比如，两个不同的营销活动产生的线索和成本情况:
按照传统线索评分模式，活动1表现得似乎更加出色，同样成本下，它产生了更多的线索。但是我们应用预测性线索评分思路，进一步分析不同线索组的历史表现，并对其进行分类，比如我们将历史线索分为A、B、C三类，其中A类是评分最高的线索，B、C依次下降。通过分析每一类线索在销售漏斗中的转化率，可以知道给定分数线索转化为商机的可能性。假设三类线索的转化率如下。
使用这些历史转换率，就可以比较以上两个活动产生线索的具体情况。得到如下表格。
可见，虽然活动1以较低的平均成本生产了更多线索，但活动2预计将生产更多的管道价值。借助预测性线索评分方法，我们不必等上几个月，就能看到活动2看起来是一项更好的投资。使用它可以缩短活动效果验证周期，我们可以快速做出更明智的决定，并在市场中获得更高的回报。
预测性线索评分与传统线索评分的区别
传统线索评分，主要关注潜在客户对产品的兴趣、以及与销售代表交谈的意愿；而预测性线索评分，则主要关注识别产品的理想客户。传统的线索评分，可以看作是“行为”匹配（activity fit）——潜在客户的行为表明了他们要成为客户的倾向。预测性线索评分，则看作是“画像”匹配（demographic fit）——潜在客户的画像指纹与现有客户的指纹匹配。那些行为匹配分数很高，但画像匹配分数很低的线索，购买我们产品的可能性仍然很低。但是画像匹配得分很高的线索，无论它的行为匹配得分如何，他们仍然具有较高的购买倾向。
预测性线索评分的好处
使用预测性线索评分，可以节省团队大量时间，并减少传统线索评分所需的一些繁琐手工工作。它可以减少大量的猜测工作，增加更多的实际销售时间（spend less time guessing and more time selling）。
以下是使用预测性线索评分的一些好处:
- 犯更少的错误，因为它将人的因素排除在分析之外。
- 可以提供丰富的数据信息，这将增加决策的信心。
- 可以获得更全面的数据视图，对每个数据之间的联系有一个360度的视角。
- 它将识别出你以前从未注意到的新的模式，发现数据集之间隐藏的关系。
弥合市场与销售之间的空隙
要取得业务成功，离不开市场与销售团队的密切配合。简单地说，市场团队负责产生线索，销售团队则要将这些线索转化为销售。问题是，如果转交给销售团队一些低质量的线索，他们就会将时间和资源花在这些永远也不会成交的线索上面。而那些好的线索则等待在销售管道中，被销售团队忽略了。甚至在销售有机会做推介之前，就丢失了。
手工线索评分，可以消除那些转化率极低的线索，但却无法区分价值100元的线索与价值10000元线索的区别。预测性线索评分不仅可以使任务自动化，让销售团队腾出时间进行实际的销售工作，而且还可以识别出最有价值的线索，以便他们将精力集中在最有可能产生最大ROI的线索上。对于那些还没有准备好销售的线索，可以留给市场团队做进一步的线索培育。他们可以在将来转化成销售，而不是被遗弃。
预测性线索评分使用的数据，既包括市场方面网站的行为分析和社交媒体平台数据，也包括销售方面的CRM数据。所有工作都是自动化进行的，人为错误更少，也不会因为市场和销售团队缺乏沟通，导致线索处理延迟。所以，预测性线索评分，可以让市场销售团队更好的配合，并弥合市场与销售团队之间的空隙。
