Не все лидеры продаж одинаковы, некоторые лучше других. Оценка лидов помогает выделить те лиды, которые могут быть лучше других. Тем не менее, лиды с высокой результативностью могут не превратиться в закрытые выигранные возможности. Итак, как же сократить разрыв? Совместите оценку лидов с оценкой возможностей, чтобы понять, какие лиды с наибольшей вероятностью перейдут в число закрытых выигранных сделок.
Модели оценки лидов — это рамки и формулы для оценки качества лидов и определения их приоритетности на основе результатов модели. Модели часто основаны на баллах с использованием факторов, где больше баллов присуждается в зависимости от того, насколько лиды соответствуют профилю идеального клиента (ICP) компании. Оценка часто проводится на этапе маркетинга задолго до того, как потенциальные клиенты попадают в воронку продаж. Модели часто используют собственные и сторонние данные для расчета оценок на основе взаимодействия потенциального клиента с веб-сайтом компании и активами, а также данные о потенциальном клиенте (например, должность, роль и т. д.) и сведения о компании (например, отрасль, размер, география и др.). Цель большинства компаний состоит в том, чтобы расставить приоритеты лидов на основе их оценки, чтобы на лиды с высокой оценкой реагировали первыми и быстро. Лиды с высокой оценкой — это те, которые, по мнению модели, наиболее вероятно купят на основе прошлых результатов для лидов с аналогичными оценками.
Часто компании разрабатывают модели оценки потенциальных клиентов и кодируют их в своей базе данных по маркетингу и привлечению потенциальных клиентов и редко меняют модели. В идеальном сценарии демографические и поведенческие оценки потенциальных клиентов являются динамическими. Лиды пересчитываются всякий раз, когда данные изменяются в базе данных и когда происходят взаимодействия — входящие, исходящие или наблюдаемые. Нединамические модели оценки, которые запускаются только один раз при первом вводе лидов в базу данных, приведут к устаревшим оценкам и ложным результатам.
Согласно отчету маркетинговых шерпов за 2013–2014 годы, данные которого в значительной степени зависят от результатов исследования, данные B2B ухудшаются в годовом исчислении на 22,5 % или 2,1 % в месяц. Это означает, что в любой момент времени система управления взаимоотношениями с клиентами (CRM) компании точна только на 80% и содержит 20% неверных данных (принцип Парето снова в действии). Хотя исследование устарело (ему почти десять лет), скорость распада, вероятно, намного выше сегодня, учитывая «Великую отставку» (2021–2022), которая оказала значительное влияние на точность баз данных компаний.
Правило 1–10–100 часто используется для расчета возрастающей стоимости действий с течением времени. Правило относится к «стоимости качества». Применительно к привлечению потенциальных клиентов и обслуживанию базы данных B2B правило предполагает, что требуется один доллар для проверки лида при его вводе в базу данных, десять долларов для последующей очистки и сто долларов, если с ним ничего не делается. Таким образом, затраты, связанные с предотвращением, исправлением и отказом от исправления неверных данных, увеличиваются по мере того, как дольше лиды хранятся и накапливаются в базах данных компании.
Учет возраста интереса вместе со временем, прошедшим с момента последнего изменения, следует рассматривать как важный фактор в любой модели оценки интереса. Таким образом, более старые лиды самоуничтожились бы, если бы количество дней с момента создания или последнего изменения было вычетом из оценки лида.
Оценка потенциальных клиентов должна учитывать активность потенциальных клиентов, которая может привести как к увеличению, так и к снижению оценок. Взаимодействие с потенциальными клиентами или с их помощью, что отразится на положительных изменениях в оценках потенциальных клиентов. Однако, если лиды отказываются от участия, в оценках должно произойти существенное отрицательное изменение. Отказ от участия и зависание при вызове — это небольшие действия, которые часто остаются незамеченными, но являются важными индикаторами намерений лида совершить покупку.
Одним из подходов может быть удаление любых потенциальных клиентов с низкой оценкой или потенциальных клиентов с отрицательными оценками. Все новые лиды начинаются с 100 баллов, затем каждый день, который проходит без активности или изменений, балл уменьшается на единицу, пока не достигнет нуля. Использование модели оценки бомбы замедленного действия, т. Е. Чем старше лид, тем ниже оценка, создает основу для удаления лидов, как только они достигают нулевого балла. Эти лиды могут быть заархивированы, а не удалены полностью. В то время как стоимость привлечения потенциальных клиентов уже является необратимой стоимостью, текущие затраты на обслуживание или использование правила 1–10–100, предусматривающего отказ от поддержки потенциальных клиентов, быстро растут.
Такие действия позволят быстро удалить неверные данные из баз данных компании, сохраняя их свежими и актуальными благодаря активности самих потенциальных клиентов и действиям LDR, BDR, SDR и AE компании.
Часто бывает так, что компании оценивают свои лиды один раз и больше никогда не переоценивают их. Кроме того, активность представителей по развитию бизнеса никогда не учитывается, а лиды замораживаются. Наиболее идеальными обстоятельствами было бы то, что лиды пересчитываются динамически после каждого изменения данных, активности лида и активности отдела продаж. Все это учитывается при оценке потенциальных клиентов на протяжении жизненного цикла. Если лиды с низкой оценкой архивируются или удаляются из CRM компании, остаются только новые активные лиды.
После того, как базы данных компании будут очищены от устаревших лидов с низкой оценкой, следующим шагом будет развертывание оценки возможностей. Оценка возможности, как и оценка лида, представляет собой прогноз того, что возможность превратится в закрытую выигранную сделку.
Модели оценки возможностей, как и модели оценки потенциальных клиентов, представляют собой рамки и формулы для оценки качества возможности и вероятности того, что она приведет к закрытой выигранной сделке. Модели часто основаны на баллах с использованием факторов, где больше баллов присуждается в зависимости от того, насколько близко возможности соответствуют профилю идеальных возможностей компании (IOP). IOP являются аналогами ICP. IOP компании определяют характеристики закрытых выигранных сделок и могут включать такие факторы, как время закрытия, интересующие продукты, размер сделок, условия и положения, размер компании, вовлеченные лица, принимающие решения, их роли и многое другое.
Динамическая оценка возможностей при упреждающем использовании может предупредить руководство отдела продаж о тех возможностях, которые подвергаются все большему риску. Динамическая оценка пересчитывает возможности всякий раз, когда изменяется какая-либо переменная в алгоритме оценки. В результате возможности могут получить более высокие или более низкие баллы в зависимости от того, что изменилось. Продвижение по стадиям возможностей в темпе следует рассматривать как положительно увеличивающуюся оценку возможностей. Когда возможности останавливаются, старение возможностей негативно влияет на оценку возможностей. В зависимости от того, какой этап (поиск, обнаружение/анализ потребностей, оценка/предложение или закрытие/переговоры) и продолжительности этого этапа, время должно оказывать чрезмерное влияние на оценку возможностей, при этом более короткое время на этапе оказывает положительное влияние на оценки и более длительное. время на этапе, отрицательно влияющее на результаты. Таким образом, чем дольше возможности находятся в тупиковой стадии, тем ниже оценка возможностей, сигнализирующая о снижении вероятности того, что эти возможности когда-либо будут закрыты.
Показателей конверсии и баллов недостаточно для компаний, стремящихся к оптимальным результатам. Отслеживание коэффициентов конверсии на каждом этапе маркетинговой воронки и прогрессии, хотя воронка продаж достаточно проста. Независимо от того, какой процент лидов переходит из AQL в MQL, в SQL, в HQL, будут лиды с высокой, средней и низкой оценкой, которые проходят через воронку и становятся возможностями. Возможно, принятие желаемого за действительное представителями отдела продаж. То же самое относится и к проценту возможностей с низкой или высокой оценкой — некоторые из них всегда будут прогрессировать до закрытых выигрышей.
Приведенная ниже матрица оценки потенциальных возможностей помогает определить, на чем маркетинг и продажи должны сосредоточить свои усилия для достижения максимальных результатов. К проигравшим относятся лиды с низкой оценкой, которые никогда не переходят от AQL к MQL, а затем к SQL, и возможности никогда не будут созданы. Затратные включают в себя лидов с высокими оценками, основанными на ICP или активном взаимодействии с цифровыми активами, а также в организациях продаж внутри или на местах, и хотя возможности создаются, и команды продаж тратят много времени на их работу, они не закрываются. Спящие — это те лиды, которые не имеют высокой вовлеченности в цифровую среду или отдел продаж, но когда создаются возможности, они приводят к закрытым выигранным сделкам. Победители — это лиды с высокими показателями, которые приводят к закрытым выигранным сделкам.
Алгоритмы машинного обучения (ML) могут помочь в создании надежных моделей на основе прошлой производительности. Эти модели могут быстро и точно определить, какие атрибуты и характеристики имеют высокую вероятность предсказания закрытых выигранных сделок. Но эти модели хороши ровно настолько, насколько хороши данные, используемые для их обучения. Аналогичный отказ от ответственности, используемый в сфере финансовых услуг, должен быть проставлен на каждой созданной модели машинного обучения: прошлые результаты могут не предсказывать будущие результаты. Модели ML могут быть непреднамеренно смещены в результате предоставленных данных; устаревшие и неверные данные могут не отражать того, что происходит на самом деле. Человеческий фактор также всегда в игре. Текущий список внутренних или выездных отделов продаж, их стаж работы в организации и навыки, которыми они обладают, могут помочь уменьшить количество ложноположительных ошибок в алгоритмах оценки машинного обучения. Размер выборки также может оказать чрезмерное влияние на результаты модели. Небольшой размер выборки снижает мощность модели машинного обучения, но увеличивает погрешность, что может сделать модель совершенно бесполезной. Часто цитируют высказывание британского статистика Джорджа Бокса: «Все модели ошибочны, но некоторые из них полезны». — результат мусора на входе, мусора на выходе (GIGO), т. е. качество вывода определяется качеством ввода. Таким образом, если компании содержат мусор в своих CRM, оценки лидов и возможностей приведут к ошибочным и бессмысленным выводам.
Организационная дисциплина требуется на всех уровнях, от маркетологов, генерирующих потенциальных клиентов, до представителей по развитию бизнеса, которые обрабатывают данные, и выше, до менеджеров по работе с клиентами, которые управляют продажами. Тщательная оценка качества данных с ответственностью за точность данных имеет большое значение для устранения недостатков и несоответствий.
В заключение
Организации, сочетающие оценку потенциальных клиентов с оценкой возможностей, получают очевидные преимущества, в том числе повышение эффективности маркетинга, улучшение согласования маркетинга и продаж, а также увеличение доходов. С более качественными лидами и возможностями увеличивается конверсия и сквозная пропускная способность воронки, что экономит время и снижает затраты, добавляя дополнительные уровни ответственности как для маркетинга, так и для продаж.
Итак, теперь вы знаете, что не все лиды и не все возможности равны, что некоторые намного лучше других. Если маркетинг оценивает потенциальных клиентов, а продажи оценивают возможности, результатом должно стать увеличение доходов при одновременном снижении затрат.
Нажмите здесь, чтобы следить за моими периодическими комментариями и просматривать мои сообщения в поисках других подобных идей.
Нравится, комментируйте и делитесь!
