预测性线索评分——大数据技术正在改变的又一领域（三）

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）
预测性线索评分——大数据技术正在改变的又一领域（二）

销售线索的培育

使用预测性线索评分方法，也可以实现更好的线索培育。

• 细分并理解好的线索：CRM的预测性线索评分功能，有助于更好地发现最有可能购买产品或服务的线索。可以让市场人员充分利用这些数据，并根据业务最适合的方式进行线索细分。
• 识别关键触发事件：预测性线索评分可以识别潜在客户的触发事件。比如高管变动、刚完成融资、新的招聘等等。有了这些信息，可以为市场和销售团队创建与客户的接触路径。
• 定制化线索培育内容：你的内容是否与最佳潜在客户的购买旅程相一致？无论在你的网站、电子邮件、社交媒体还是博客上，内容都应该始终与最佳潜在客户和细分市场的需求和痛点保持一致，这对你的业务是至关重要的。

基于客户营销的必要补充

我们知道，市场确认线索（MQL）的增长，必须能够同时带来收入的增长，才是最重要的。与简单的生成尽可能多的MQL不同，现在的市场和销售团队更加关注将这些MQL转化为活跃的商机（并最终成交）。通过使用先进的数据模型，来确定哪些线索对销售最有价值，哪些线索有更高的购买倾向，预测性线索评分可以帮助市场人员简化这部分转换过程。

基于客户营销（ABM），旨在重新定位重点客户或客户群体的市场营销重点，以获得合格的、高价值的潜在客户。通过对重点客户的线索进行优先排序，并快速地将其转移到销售部门，预测性线索评分可以作为增强基于客户工作的理想工具。基于客户营销要奏效，所有的利益相关者都参与到这个过程中来是至关重要的。销售团队需要与目标客户沟通，内容创造者需要为每个目标客户确定合适的信息和定位，而线索生成专家需要确保他们的活动以指定方式进行。除了对线索进行优先排序外，预测性线索评分可以为线索生成专家提供洞察和数据，从而帮助调整和优化培育活动。内容创造者可以利用这些洞察来创造更精细、更有针对性的信息，而销售团队可以利用这些洞察创建更相关的销售演示文稿。总之，预测性线索评分可以帮助基于客户营销团队预测并扩大高价值客户的高度特定信息，从而增加收入。

预测性技术正在成为基于客户营销的必需品。要确保你的销售和市场引擎在预测技性术上投入资金——无论是针对线索生成策略，还是基于客户营销，或者两者都是。它们可能是保持领先并获得竞争优势的最好方法。

预测性线索评分面临的挑战

预测性线索评分虽然有众多优势，但是实施中也面临诸多挑战，如下图所示。

• 没有足够的数据：预测分析不仅需要大量数据运行预测模型，还需要大量数据来构建和测试模型。特别是在早期阶段。通常被称为冷启动，这种情况下你不能做出可靠地预测。另外，线索成功转化后，销售代表可能并不向CRM提供必要的信息。对于线索转化失败的信息，不管有意还是无意，他们也不向CRM系统提供。因此会导致预测性线索评分模型，缺少足够的数据。
• 数据质量差、不一致：你可能有大量的数据，但这些数据可能不一致，并且丢失了关键信息，特别是在市场和销售团队不一致的情况下，这种情况经常发生。
• 销售团队没有接受培训：预测性线索评分有助于市场和销售团队保持一致，因为它产生了大量的高质量合格线索。但是你需要对销售团队进行培训，让他们了解预测性线索评分模型是如何工作的，需要做什么，以及为什么要这样评分。如果情况不是这样，他们将继续沿用旧的线索转化方式，而忽略预测模型。预测模型的可信度和对销售的教育培训，是成功的关键。
• 错误的合格标准：在数据可用且质量良好的情况下，预测模型可以自行建立基础的合格标准。但是营销人员不应将其看做“黑箱”，而是应该不断的评估和调整。

预测性线索评分的实施条件

如果你的团队中，只有3个或更少的销售代表，就先不用考虑预测性线索评分了。你应该先专注于建立一个线索生成管道，为你的销售代表提供大量的线索。但是，如果你的销售团队超过3人，并且已经向他们提供了大量的线索，那么就是时候评估是否可以使用预测性线索评分来生成更多的销售确认线索SQL了。

那么如何判断你是否适合应用预测性线索评分呢？这里有一个测试方法。

• 步骤1：打开你的CRM系统。
• 步骤2：随机列出最近成交的10笔交易。
• 步骤3：度量一下来自于不是明显很好线索的成交百分比。

如果你发现大量成交交易都是来自于那些并不非常好的线索，那么你就有很大的机会使用预测性线索评分生成更多的SQL。在研究了100多家B2B公司的线索管道后，研究者发现，有平均一半的成交交易来自于那些看起来并不非常好的线索。这是令人震惊的。因为这意味着，如果你有一个僵硬的、传统的线索合格标准，基本上已经将50%可能成交的交易排除在外。而这，是预测性线索评分特别有优势的地方。

Hubspot提供的预测性线索评分功能，所有企业客户都可以使用。在使用之前，你应该满足以下条件：

• 你已经在HubSpot存储了已接触和未接触的联系人。
• 你联系这些联系人已经至少三个月。
• 你在HubSpot上至少有500个联系人已经被标记为客户。
• 至少有相当于客户数量两倍的联系人，被标记为非客户。

正如我们在下面指出的，预测评分并不适用于所有的公司。以下是评分系统的一些缺点以及如何克服它们的建议：

• 预测评分系统需要大量数据：除非你有几百个销售人员、了解市场和销售团队的关系，否则你的产品质量远比销售系统重要。你应该关注产品，同时撒下大撒网，有选择地在市场营销上投入资金，聘用对新兴产品有经验的最佳销售代表。那些还没有产生足够线索的小型企业不能使用线索评分。整个系统依赖于数据，你需要产生几百个销售数据，了解更多的市场信息，并尽可能地收集更多你受众的数据。
• 大多数预测评分系统都是黑盒子：你的销售代表不会知道为什么某人是合格的线索，而另一个人不是。结果在打电话时，他们就不能充分利用这些信息。在这方面，规范分析（Prescriptive Analytics）试图解决这些问题，它不仅提供有关线索的数据，还提供如何接触线索的建议。
• 你的目标市场和产品应该是稳定的：如果你的目标市场发生了变化，你的销售数据就失去了分析的价值。预测线索评分只有在目标市场稳定时才真正起作用。算法需要考虑这种联系，并随着时间的推移学习以获得更准确的结果。如果你的目标市场和产品都在不断变化，确定线索合格就会变得很有挑战性。

预测性线索评分涉及的数据

预测性线索评分模型所依赖的现代机器学习算法，对数据非常饥渴。那么这个模型中包括哪些关键属性数据呢？

• 客户个人数据：度量客户和潜在客户的个人核心属性。这些属性可能包括客户的人口统计学信息，如年龄、位置、职衔、行业、任期以及角色细分。
• 客户组织数据：反映企业组织的属性数据，比如公司规模、行业、客户类型等。
• 客户意图数据：度量现有和潜在客户针对特定产品和服务所表现出兴趣，以及他们与营销团队或销售代表进行接触的意愿。
• 客户参与数据：捕获重要的客户行为，包括电子邮件行为，比如点开率CTO、点进率CTR，网站操作，比如访问、填写表格、产品页面浏览或下载、创建账户、激活免费或付费试用、参加网络研讨会或重要事件等。
• 客户购买数据：捕捉现有客户的购买行为，包括花在购买你产品和服务上的活动质量和数量，以及他们购买的时间和频率。
• 市场和销售绩效数据：它们也为市场和销售计划和活动有效性提供了重要信息。优秀的计划和活动往往能揭示公司营销和销售活动的范围和影响。此外，当营销和销售团队执行计划和活动时，他们可以从各种渠道确定客户和潜在客户的来源，如直接访问、付费推广、自然搜索、推荐、社交媒体等。找出表现最佳的渠道将使团队更有效地与客户和潜在客户打交道，并有助于发现各种渠道的优化策略。

预测性线索评分常用的机器学习算法

为每条线索分配一个转化概率是算法的目标，既然线索评分模型分配二元结果（转化或不转化），回归是创建线索评分模型最常用的方法。与线性回归算法相比，“逻辑回归”是一种更经常使用的机器学习算法。它是一种数据挖掘算法，用来计算从线索到创建客户的概率。逻辑回归算法是基于公式的，它可以大大减少坏线索的数量。传统上，营销人员使用Excel创建这些算法。有了预测模型，这就可以快速完成，而不需要团队进行额外的工作。

预测评分系统使用的另一个工具是“随机森林”算法。这种算法创建了一个“决策树”森林，可以用来映射客户的行为。例如，使用此方法将创建一个决策结果的虚拟森林，该工具将使用这个决策森林来确定哪些线索更有可能转换。这种方法使用了随机化，当规模上升时，可以识别一些可能驱动转换的因素。

机器学习允许你“训练”算法，利用已验证的客户数据对新客户或目前未知的客户做出准确预测。机器学习算法在客户数据数据库中运行，建立趋势，识别模式，并从数据中建立预测模型。将预测模型应用到新数据集，将使B2B销售团队在客户表现出购买产品倾向时，获得自动告警。此时，他们可以为该客户提供独特的优惠以促进销售。

预测性线索评分模型的效果评估

如何评价预测评分模型的效果呢？可以使用下表进行。

如上表所示，线索评分分≥90的前10%客户，已经达到了累计销售额的23%。在给定的时间段内，专注于前10%的客户可以覆盖近23%的客户购买。同样，以线索评分≥85的前20%客户为目标，团队将覆盖总客户购买额的近43%。以线索评分≥50的前60%客户为目标，团队将覆盖总客户购买额的近90%。由此，我们可以评估预测性线索评分的指导效果。

另外一种评估预测性线索评分效果的方法，就是计算线索评分与客户购买率之间的相关系数。在下面的图表中，当从图表的左边移到右边时，你几乎可以立即看出，预测性线索评分和客户购买率之间存在着很强的正相关关系。因此，它向你的市场和销售团队发出了一个强烈的信号，让他们优先关注高质量的客户，而不是低质量的客户。

第三种评估预测性线索评分效果的方式，就是提供关键优化指标的洞察力。在这种情况下，可以利用预测性线索评分模型，准确指出哪些客户属性和行为属性对购买率有最大贡献，哪些市场渠道、活动和营销计划绩效最好。因此也可以对线索评分绩效进行评估。

预测性线索评分代表了未来

2019年，Gartner发现市场营销对预测性功能的兴趣越来越大，而预测性线索评分是最常用的功能。在过去的几年中，预测分析已经成为CRM解决方案的关键区别之一。该行业的所有主要参与者都跳上了机器学习的列车。这对于用户来说，无疑是一个好消息，因为它代表了未来获取销售收益会更容易。

预测性线索评分与销售人员直觉的结合

虽然预测性线索评分，已经成为众多用户和厂商看好的方向。但是也有声音认为，它还无法替代优秀销售人员的直觉。销售团队要成为线索成交机器，关键还是要靠顶级销售人员的洞察力和销售活动数据的结合。

最优秀的销售人员是凭直觉行事的——大多数人凭直觉知道哪些线索是好的，哪些是坏的。他们花费数天的时间研究每一条线索。他们还能做一些计算机还做不到的事情——聚集和吸收行业与世界新闻、股票走势、LinkedIn更新和其他无数的信息来源，让他们更好地了解每一条线索。然后他们利用这些信息来优先安排自己的时间。是的，预测性线索平台也在尝试这样做。但到今天为止，人工智能还没有完全替代人的直觉。

最好的方法，是将顶级销售人员的直觉与销售活动数据的洞察力结合在一起。虽然还没有一种AI工具可以为销售团队完成所有工作，但有一种新的方法可以利用预测技术与最好的销售代表的经验和直觉结合起来，并在整个组织中使用。

步骤1：建立全面的销售活动数据集

这里重要的词是“全面”——如果销售人员的活动数据有漏洞，整个努力就会失败。这意味着需要创建一个全面的数据集，其中包含尽可能接近100%的销售活动。我们要在这个步骤上多花些时间，因为如果做得不好，剩下的步骤就会失败。指望销售代表手工录入是不现实的，目前CRM软件支持大部分销售活动数据的自动化处理。这可以大大减轻销售人员的录入工作量。预测性线索平台也在通过大数据技术获取互联网以及专有数据源的各种数据。

步骤2：分出历史成绩最优秀的销售人员

最优秀的销售人员的KPI是什么？例如，哪个BDR创建的商机具有最高的成交率，哪个AE的活动在目标市场中，以最快速度成交了业务。将销售数据映射到每个销售角色的KPI上去。既包括内部销售，也包括现场销售。确定完成交易平均需要的接触次数，以及完成交易需要多长时间。了解平均成交每个商机，需要联系多少联系人等等。关于销售绩效的持续监控和分析，可以参考这个产品。

步骤3：找出销售决策的时刻

在数据中找出销售人员需要依靠直觉做出决策的时刻。例如，对一个线索进行转化或者取消其合格性，推进商机阶段，识别交易中的胜出者。在销售漏斗中确定一个关键点，这个关键点上，销售人员必须回顾一组线索/商机/联系人，并使用他们的直觉来选择出赢家。例如，当一个优秀BDR查看了12个MQL，并选择从哪个线索作为开始时，和他们一起坐下来，了解他们所做的决策及其原因，这样就可以确定可重复和可自动化的位置。

步骤4：持续分析和清理数据

接下来，你需要收集潜在客户在销售人员做决策之前和之后最大量的数据。确保每条线索都有尽可能多的防弹数据点（bullet proof data points）。这将为机器学习提供最大的动力。例如，这个人在成为线索之前做了什么——他们是参加了活动？在网站上填写了表格？还是在搜索一个特定的术语？一旦他们成为了线索，又发生什么？哪些活动与大多数创建和成交的商机相关？哪些活动暗示了商机的潜在成交因素？

但不要只是设置然后就忘记它——你需要不断地分析这些活动，清理并丰富你的数据。以季度为基础，重新评估你最好的销售代表在做什么，以及决策前和决策后的活动是哪些。一个好线索或商机的指标会随着时间自然发展，所以你的预测模型也应该是动态的。对于你的联系人数据，你可以在Upwork这样的网站或其他自由市场上雇人来仔细检查数据，或者用Datanyze、ZoomInfo或D & B Hoovers这样的CRM插件来清理你的数据。虽然这听起来像是不必要的工作或成本，但如果做得正确，它将使你长期受益，因为数据需要尽可能干净，以免给你带来错误的结果。

步骤5：将数据输入预测引擎，提供洞察力

是时候将丰富的数据输入到预测引擎中了，比如Tableau。如果你像一些精通数据科学的客户一样，在企业内部构建预测引擎，那么你知道在这里应该做什么。你将通过与业务最相关的过滤器定义数据，然后对数据进行切分，并设置供销售和市场使用的自助式仪表板。如果你没有数据科学家团队，可以和像Infer、Everstring或6sense这样的预测性线索评分提供商谈谈，看看他们如何将这些数据合并到你的预测模型中。

步骤6：让团队访问这个预测引擎

虽然你的第一直觉可能是限制销售管理团队访问预测引擎，但这是不对的。他们在做类似决策时，让整个销售团队都可以访问预测引擎。你的预测模型可以查看过去的决策，并提供一个明智的建议。例如，它可能会告诉销售人员设置一个更高的线索分数，添加一个优先级标签，或者下一步发送一封线索培育邮件。

预测性线索评分产品厂商

在该领域还活跃着大量的厂商：

• Salesforce
• Hubspot
• Infer
• PipeCandy
• Maroon
• leadforensics
• insightsquared
• 6sense
• leadspace
• Everstring
• clari
• Fiind
• Fliptop，已经被LinkedIn收购
• Lattice，已经被Dun & Bradstreet收购
• SalesPredict已经被eBay收购
• mintigo被Anaplan收购
• Radius被kabbage收购
• Insidesales 更名为XANT

下面，对其他几个产品做过简单分析。

1. HubSpot

HubSpot预测性线索评分解决方案的最佳特性之一，就是它已经包含在市场最流行的营销自动化平台中了。它们对所有HubSpot企业级客户都是开箱即用的，这对于那些想要体验一站式服务的客户来说非常好。该解决方案提供了一个根据成功客户使用模式形成的缺省模型，但对于那些需要它的客户，有大量的定制能力。

这个解决方案非常适合那些已经在HubSpot存储已接触和未接触联系人的用户。这款软件附在一个应用程序中，可以确定哪些客户属于低、中、高的线索类别。该软件也提供了基于多个分析标准的饼图。

2. Infer

与HubSpot不同，Infer是一个专门的线索评分平台，可以连接你的CRM或营销自动化解决方案。它使用一个实时API连接，可以无缝连接到目前所有可用的CRM系统。

该软件可以让管理者无缝使用数千个基于公司画像信息、公司技术栈和个人信息的数据点。它内置了1900万家公司信息，和4200万个潜在客户信息。和最好的预测软件一样，它甚至会使用CRM抽取的数据，通过机器学习来识别B2B和客户挖掘的模式。

2. PipeCandy

PipeCandy可以很容易地与CRM系统集成，以确定客户的赢与输，为线索创造新的评分结果。分析和度量读数也非常清晰，并且呈现了一个简洁的组织视觉，你可以使用它来调整战略。

通过使用“属性重要性”功能，PipeCandy很适合数据集较小的公司。这个特性允许管理者在评分时决定哪些因素是最有价值的。

2. Maroon.ai

Maroon是一种预测软件，不仅可以给线索评分，还可以帮助产生新的线索。它是为公司所称的“深度场景的客户发现”而设计的，旨在帮助企业发现目标买家。这使得它成为所有刚起步企业的首选，它实际上也自动化了一些关键流程。它可以很好地集成到现有的CRM中，如Salesforce和Informatica，并且API可以定制，从而将这个AI驱动的系统集成到其他产品中。Maroon有一个可变的价格结构，提供了大量的选择，甚至还有一个免费版本，可以为较小的组织提供人工智能。