Lead Scoring چیست؟ راهنمای امتیازدهی و اولویت‌بندی سرنخ‌ها

نوشتهٔ سحر وحید قهرمان نیا، دانشجوی کد 22 دورهٔ هوش تجاری

امتیازدهی سرنخ‌ها روشی برای اولویت‌بندی مشتریان بالقوه بر اساس تناسب و میزان تعامل آن‌هاست. این مقاله مدل‌های سنتی و پیش‌بینی‌محور، مراحل اجرا و شیوهٔ محاسبهٔ امتیاز را توضیح می‌دهد.

مقدمه

اعضای یک بخش از بازار هدف، چه آگاهانه و چه ناآگاهانه‌، با نشان دادن علاقه به محصولات یا خدمات یک شرکت به عنوان سرنخ شناسایی می‌شوند. سرنخ به‌منزله ماده خام برای سازمان‌های فروش محسوب می‌شود. شرکت‌ها برای به‌دست‌آوردن سرنخ‌های جدید سرمایه‌گذاری‌های بزرگی در تبلیغات، کمپین‌های اینترنتی و سایر فعالیت‌های بازاریابی انجام می‌دهند و منابع قابل توجهی را برای پرورش و تبدیل این سرنخ‌ها به مشتریان واقعی خود اختصاص می‌دهند.

امتیازدهی به سرنخ‌ها (Lead Scoring) یکی از ابزارهای کلیدی مدیریت سرنخ‌ها در سازمانها به شمار می‌آید که به شرکت‌ها کمک می‌کند تا کیفیت سرنخ‌ها را ارزیابی و اولویت‌بندی کنند. این فرآیند با استفاده از داده‌های مشتریان، رفتارها و ترجیحات آنها را تحلیل می‌کند و به تیم‌های فروش و بازاریابی این امکان را می‌دهد تا تمرکز خود را بر سرنخ‌هایی معطوف کنند که بیشترین احتمال تبدیل به مشتریان واقعی را دارند. از این رو، مدل‌های امتیازدهی نه تنها باعث بهبود بهره‌وری و سرعت عمل در مدیریت سرنخ‌ها می‌شوند، بلکه می‌توانند به کاهش تعارضات میان واحدهای فروش و بازاریابی نیز کمک کنند.

مدل‌های امتیازدهی‌معمولاً به دو دسته سنتی و پیش‌بین تقسیم می‌شوند. مدل‌های سنتی بیشتر بر تجربه و دانش فروشندگان و بازاریابان تکیه دارند، در حالی که مدل‌های پیش‌بین از داده‌کاوی و الگوریتم‌های یادگیری ماشین برای امتیازدهی استفاده می‌کنند. هدف این مقاله تحلیل ادبیات موجود درباره این مدلها و تأثیر آنها بر عملکرد فروش است‌.

سیستم مدیریت سرنخ‌((LMS

با پیشرفت فناوری اطلاعات و ظهور سیستم‌های مدیریت سرنخ‌((LMS ، فرآیند امتیازدهی به سرنخ‌ها به‌طور قابل توجهی ساده‌تر و خودکار شده است‌. سیستم‌های LMS با ترکیب داده‌های تجاری‌، فعالیت‌های مشتری و الگوریتم‌های پیش‌بینی‌، امکان ایجاد فهرست‌های اولویت‌بندی‌شده از سرنخ‌ها را فراهم می‌آورند و فروشندگان را قادر می‌سازند تا منابع خود را به سرنخ‌های با ارزش‌تر اختصاص دهند. بهرهگیری از مدل‌های پیشرفته امتیازدهی‌، علاوه بر افزایش نرخ تبدیل سرنخ‌ها به مشتری‌، موجب بهبود هماهنگی داخلی سازمان و بهینه‌سازی عملکرد فروش و بازاریابی می‌شود.

شیوههای فروش درونسازمانی طی سالها از روش‌های سنتی به سیستم‌های مبتنی بر صف در LMS تحول یافته‌اند، به‌طوری که سرنخ‌های با احتمال خرید بالاتر در اولویت قرار می‌گیرند و امتیازدهی به سرنخ‌ها، یک فهرست اولویت‌بندی‌شده برای تیم فروش فراهم می‌کند که بهره‌وری‌، کنترل مدیریتی و سرعت پاسخ‌گویی را به‌طور قابل‌توجهی افزایش می‌دهد.

انواع مدل‌های Lead Scoring

مدل‌های Lead Scoringعمدتاً در دو دسته کلی قرار می‌گیرند:

مدل‌های سنتی :این مدلها بر تجربه و قضاوت فردی فروشندگان تکیه دارند و معمولاً شامل سیستم‌های امتیازدهی و کارت‌های امتیازی (Scorecard) هستند. اگرچه این روشها ساده و قابل فهم‌اند، اما محدودیت‌هایی نیز دارند؛ از جمله وابستگی زیاد به تجربه فردی‌، احتمال خطای انسانی‌، تمرکز محدود بر داده‌های رفتاری و ناتوانی در شناسایی روابط پیچیده میان ویژگی‌ها.
مدل‌های پیش‌بینی محور :(Predictive) این مدلها با بهرهگیری از تکنیک‌های داده‌کاوی و الگوریتم‌های یادگیری ماشین‌، توانایی تحلیل داده‌های گسترده و پیش‌بینی احتمال تبدیل سرنخ‌ها به مشتری را دارند.

مدل‌های پیش‌بینی محور معمولاً شامل سه رویکرد اصلی هستند:

طبقه‌بندی (Classification): الگوریتم‌هایی مانند درخت تصمیم‌، جنگل تصادفی‌، شبکه عصبی و رگرسیون لجستیک برای شناسایی و رتبه‌بندی سرنخ‌ها بر اساس احتمال خرید استفاده می‌شوند.
خوشه‌بندی (Clustering): الگوریتم‌هایی مانندk-means ، EM و Self-Organizing Maps به گروه‌بندی مشتریان با ویژگی‌های مشابه و شناسایی خوشه‌های سودآور کمک می‌کنند.
رگرسیون (Regression): روش‌هایی مانند رگرسیون خطی و نمایی برای پیش‌بینی نرخ تبدیل و درآمد بالقوه مورد استفاده قرار می‌گیرند.

استفاده از مدل‌های پیش‌بینی محور، نسبت به مدل‌های سنتی امکان تحلیل دقیق‌تر، شناسایی ویژگی‌های تعیین‌کننده و افزایش اثربخشی فروش را فراهم می‌کند و در نتیجه می‌تواند نرخ تبدیل سرنخ‌ها به مشتری واقعی را به طور قابل توجهی افزایش دهد.

امتیازدهی سرنخ‌ها (Lead Scoring)

همانطور که توضیح داده شد امتیازدهی سرنخ‌ها یکی از ابزارهای کلیدی مدیریت فروش و بازاریابی است که برای شناسایی مشتریان بالقوه با احتمال بالای تبدیل به مشتری واقعی استفاده می‌شود. این فرآیند معمولاً بر اساس دو دسته معیار انجام می‌شود:

١. معیارهای صریح (Explicit): شامل اطلاعات مستقیم و آشکار ارائه شده توسط سرنخ‌ها است‌، مانند عنوان شغلی‌، اندازه سازمان، حوزه فعالیت و موقعیت جغرافیایی‌. این دادهها به سازمان کمک می‌کنند تا تطابق سرنخ با مشتری ایده‌آل را ارزیابی کند.

٢. معیارهای ضمنی (Implicit): رفتارها و تعامل‌های سرنخ را در بر می‌گیرد که میزان علاقه و آمادگی او برای خرید را نشان می‌دهد. این معیارها می‌تواند شامل بازدید از صفحات وب‌سایت‌، دانلود محتوا، تعامل با ایمیل‌های بازاریابی‌، شرکت در وبینارها و مشاهده دموی محصول باشد.

در مدل‌های پیشرفته‌، امتیازدهی سرنخ‌ها پویا است‌؛ به این معنا که هر رفتار سرنخ می‌تواند امتیاز مثبت یا منفی به همراه داشته باشد و به تدریج مجموع امتیازات سرنخ تغییر کند. برای نمونه‌، تعامل فعال با محتوای محصول امتیاز مثبت و کاهش علاقه مانند لغو اشتراک از خبرنامه امتیاز منفی دارد. زمانی که مجموع امتیازات سرنخ به حد نصاب تعیین‌شده‌ای برسد، سرنخ به عنوان »واجد شرایط فروش« شناسایی شده و تیم فروش می‌تواند اقدام مناسب برای تبدیل آن به مشتری واقعی را آغاز کند. این رویکرد باعث اولویت‌بندی مؤثر سرنخ‌ها، بهینه‌سازی منابع سازمان و افزایش کارایی فرآیند فروش می‌شود.

۷ مرحله امتیازدهی سرنخ‌ها

تعیین حداقل معیارهای مشتری‌: در این مرحله مشخص می‌شود چه شرایط پایه‌ای برای تبدیل یک سرنخ به مشتری لازم است‌، مثل بودجه‌، اندازه شرکت یا موقعیت جغرافیایی‌. این کار باعث جلوگیری از اتلاف منابع تیم فروش می‌شود.
شناسایی ویژگی‌های بازار هدف: ویژگی‌های رایج مشتریان فعلی شناسایی می‌شوند، مانند صنعت فعالیت‌، سطح درآمد یا نیازهای خاص. این اطلاعات به تعیین سرنخ‌هایی مشابه مشتریان موفق کمک می‌کند
شناسایی سرنخ ایده‌آل: ویژگی‌های مشتری “کامل‌” یا سرنخ با بیشترین احتمال خرید مشخص می‌شود؛مثلاً بودجه مناسب‌، تصمیم‌گیرندگان مرتبط و زمانبندی خرید مشخص‌. این مرحله معیارهای اولویت‌بندی سرنخ‌ها را تعیین می‌کند .
تعیین رفتارهای قابل رصد: رفتارهایی که سرنخ‌ها نشان می‌دهند شناسایی و به هر رفتار امتیاز داده می‌شود؛ مثل بازدید صفحات محصول، دانلود محتوا یا ثبت‌نام در وبینار. این امتیازها نشان‌دهنده علاقه و آمادگی خرید سرنخ هستند.
انتخاب مدل امتیازدهی‌: باید مدل ساده و قابل فهم انتخاب شود، معمولاً با مقیاس ١ تا ١٠٠. پیچیدگی زیاد می‌تواند باعث اشتباه یا سردرگمی‌شود و تاثیر منفی بر تصمیم‌گیری تیم فروش داشته باشد.
توزیع امتیاز بین ویژگی‌ها و رفتارها: امتیازها به گونه‌ای تقسیم می‌شوند که سرنخ‌هایی که هم ویژگی مناسب و هم رفتار خرید فعال دارند، بیشترین امتیاز را کسب کنند. این کار تعادل بین تناسب و علاقه را حفظ می‌کند.
بهبود و اصلاح امتیازها: سیستم امتیازدهی باید به‌طور دوره‌ای بازبینی و اصلاح شود تا دقت و کارایی آن حفظ شود؛ مثلاً بررسی شود که آیا سرنخ‌های با امتیاز بالا واقعا به مشتری تبدیل شده‌اند یا خیر.

محاسبه امتیاز سرنخ‌((Lead Score

برای محاسبه امتیاز سرنخ (Lead Score) ابتدا باید مشخص کنیم از چه نوع مدل lead scoring استفاده می‌کنیم‌: سنتی یا پیش‌بینی محور:

محاسبه امتیاز در مدل‌های سنتی

مدل‌های سنتی معمولاً ساده و مبتنی بر تجربه فروشندگان هستند و امتیازدهی در آنها به صورت دستی یا با استفاده از Scorecard انجام می‌شود. مراحل اصلی عبارتاند از:

١. انتخاب ویژگی‌ها:((Determinants

ویژگی‌هایی که احتمال تبدیل سرنخ به مشتری را تعیین می‌کنند، شناسایی می‌شوند. نمونه‌ها شامل‌:

جمعیت‌شناسی‌: سن‌، شغل‌، محل زندگی
رفتار: تعداد بازدید از سایت‌، دانلود محتوا
تعاملات: تماس با تیم فروش، پاسخ به ایمیل

٢. تخصیص امتیاز:((Points Assignment

برای هر ویژگی‌، وزن یا امتیاز مشخصی تعیین می‌شود. نمونه‌:

بازدید بیش از ٥ بار از سایت → ١٠ امتیاز

دانلود راهنمای محصول → ٥ امتیاز

٣. جمع‌بندی امتیازها

امتیاز کل سرنخ با جمع وزنی ویژگی‌ها محاسبه می‌شود و امتیاز نهایی می‌تواند به دسته‌های بالا، متوسط و پایین تقسیم شود تا اقدامات مناسب برای هر دسته انجام گیرد، مانند تماس فوری‌، پیگیری بعدی یا رصد طولانی‌تر:

Lead Score = Σ (Weight_i × FeatureValue_i)

Weight i

هر ویژگی سرنخ بر اساس اهمیتش یک وزن یا امتیاز مشخص دارد. برای مثال :بازدید از صفحه قیمت → ١٠ امتیاز

FeatureValue i

مقدار واقعی یا وضعیت آن ویژگی برای هر سرنخ مشخص می‌شود. به عنوان مثال، اگر سرنخ صفحه قیمت را ٢ بار دیده باشد:

Weight = 10, FeatureValue = 2 → Contribution = 20

تمام امتیازهای وزنی برای هر ویژگی با هم جمع می‌شوند تا Lead Score کل بدست آید.

محاسبه امتیاز سرنخ در مدل‌های پیش‌بینی محور (Predictive Lead Scoring)

مدل‌های پیش‌بینی محور از داده‌های گذشته و الگوریتم‌های یادگیری ماشین برای تعیین احتمال تبدیل سرنخ به مشتری واقعی استفاده می‌کنند. این مدلها با تحلیل الگوهای رفتاری و ویژگی‌های سرنخ‌، تصمیم‌گیری تیم فروش را هدفمند می‌کنند. مراحل اصلی به شرح زیر است‌:

١. جمع‌آوری دادهها

داده‌های ورودی شامل دو نوع اصلی هستند:

داده‌های تجاری :اطلاعات جمعیت‌شناسی‌، فعالیت‌ها و تعاملات سرنخ با سازمان.
داده‌های متنی و غیرساختاری :اطلاعات وب‌سایت‌، شبکه‌های اجتماعی و بازخوردهای متنی‌.

٢. انتخاب مدل

بسته به نوع داده و هدف تحلیل‌، مدل‌های مختلف به کار می‌روند :طبقه‌بندی‌، خوشه‌بندی و رگرسیون

٣. آموزش مدل

مدل با استفاده از داده‌های گذشته شامل سرنخ‌های تبدیل شده و نشده آموزش داده می‌شود تا الگوهای مؤثر بر تبدیل شناسایی شوند. الگوریتم یاد می‌گیرد کدام ویژگی‌ها بیشترین تأثیر را بر احتمال تبدیل دارند.

٤. محاسبه احتمال تبدیل‌((Propensity Score

این فرمول نشان می‌دهد که امتیاز سرنخ برابر است با احتمال تبدیل شدن یک سرنخ به مشتری واقعی با توجه به ویژگی‌ها و رفتارهایش‌. عدد خروجی بین ٠ و ١ است و هرچه به ١ نزدیک‌تر باشد، احتمال تبدیل بالاتر است‌.

Lead Score = P(Conversion | Features)

٥. اقدام براساس امتیاز

سرنخ‌هایی با امتیاز بالا: تماس فوری یا تخصیص به تیم فروش.
سرنخ‌های با امتیاز متوسط‌: پیگیری مرحله‌ای‌.
سرنخ‌های با امتیاز پایین‌: رصد یا حذف از اولویت‌.

جمع بندی

امتیازدهی سرنخ‌ها نه تنها به شناسایی و اولویت‌بندی سرنخ‌های با ارزش کمک می‌کند، بلکه با تلفیق داده‌های رفتاری و جمعیت‌شناسی‌، امکان پیش‌بینی دقیق احتمال تبدیل سرنخ به مشتری واقعی را فراهم می‌آورد. استفاده از مدل‌های پیش‌بینی محور با الگوریتم‌های یادگیری ماشین‌، تحلیل روابط پیچیده بین ویژگی‌ها و رفتارها را ممکن می‌سازد و تصمیم‌گیری تیم فروش را هدفمندتر می‌کند. علاوه بر افزایش نرخ تبدیل و بهبود بهره‌وری‌، این رویکرد امکان تخصیص بهینه منابع‌، کاهش هزینه‌ها و هماهنگی مؤثرتر بین واحدهای فروش و بازاریابی را فراهم می‌کند، به‌طوری که فرآیند مدیریت سرنخ‌ها سریع‌تر، هوشمندانه‌تر و سازگار با تغییرات بازار انجام می‌شود.