Lead scoring som faktiskt funkar: ML-modeller på HubSpot-data

De flesta lead scoring-modeller jag ser är önsketänkande klätt i siffror. Någon har bestämt att ett besök på prissidan ger tio poäng och en nedladdning fem, baserat på magkänsla snarare än på vad som faktiskt lett till affär. Resultatet blir poäng som ser objektiva ut men inte förutsäger något. Lead scoring som funkar börjar i stället i din egen data, och låter historien avgöra vad som väger.

Varför poäng satta med magkänsla misslyckas

Problemet med manuell poängsättning är att den bygger på antaganden som ingen testar. Vi tror att vissa beteenden signalerar köpvilja, men vi vet sällan om det stämmer. Ibland är det signaler vi helt missar som faktiskt skiljer en köpare från en nyfiken besökare. Och eftersom ingen mäter om poängen förutsäger utfall, lever felaktiga antaganden vidare i åratal.

Säljarna märker det snabbt. När de heta leads de får inte är hetare än andra slutar de lita på poängen, och då har hela systemet förlorat sitt syfte. En modell ingen litar på är värre än ingen modell alls.

Låt din data avgöra vad som väger

En datadriven modell vänder på det. I stället för att gissa vilka egenskaper som spelar roll tittar den på dina historiska affärer och frågar: vad kännetecknade de leads som faktiskt blev kunder, jämfört med dem som inte blev det? Svaren är ofta inte de man väntat sig, och det är just poängen. Modellen ser mönster vi inte ser.

• Lär av utfall: träna på vilka leads som blev affärer och vilka som inte blev det.
• Väg egenskaper efter bevis: låt historien, inte magkänslan, bestämma vad som räknas.
• Inkludera både vem och vad: kombinera vem leadet är med hur det betett sig.

Förutsättningen: tillräckligt med ren data

Här kommer den ärliga brasklappen. En modell är bara så bra som datan den tränas på, och den kräver tillräckligt många historiska affärer för att hitta verkliga mönster. Ett bolag med en handfull avslut per år har inte underlag för en meningsfull modell, oavsett hur sofistikerad metoden är. Då är enkla, genomtänkta regler ärligare.

Datan måste dessutom vara ren. Om dina avslutade affärer i HubSpot saknar konsekvent registrering, eller om "vunnen" och "förlorad" satts godtyckligt, lär sig modellen brus. Jag lägger ofta mer tid på att städa underlaget än på själva modellen, för det är där kvaliteten avgörs. I min casebook finns exempel på sådana projekt.

Börja enkelt, även med en modell

Att en modell är datadriven betyder inte att den måste vara avancerad. En enkel modell som väger ett fåtal egenskaper utifrån historiska utfall slår nästan alltid poäng satta med magkänsla, och den är dessutom lättare att förklara. Jag börjar hellre med något begripligt som teamet förstår än med en svart låda ingen vågar lita på.

Begriplighet är underskattat i lead scoring. När en säljare ser varför ett lead fått hög poäng, och det stämmer med deras erfarenhet, växer förtroendet. En modell som ger rätt svar men inte kan förklara sig övertygar sällan dem som ska agera på den.

Mät, omträna och håll modellen levande

En lead scoring-modell är inte klar när den byggts. Din marknad förändras, dina produkter förändras, och det som förutsåg affär förra året kanske inte gör det nästa. Du behöver mäta om poängen faktiskt korrelerar med utfall över tid, och träna om modellen när den glider isär från verkligheten.

Lika viktigt är att mäta rätt sak. En modell som rangordnar leads väl men aldrig följs upp i sälj har inte hjälpt. Värdet uppstår först när poängen styr var säljarna lägger sin tid. Vill du ha hjälp att bygga och förvalta en modell som teamet litar på är min tjänst för RevOps precis det jag arbetar med.

Relaterat

• Customer Success-ops: Health scores, churn prediction och expansion-playbooks
• Pipeline hygiene: 11 automationer i HubSpot som sparar 8 h/vecka
• RevOps-stack för svenska B2B: HubSpot vs Salesforce vs Pipedrive + tillägg

Vill du ta det vidare?

Om dina leads poängsätts med magkänsla och säljarna slutat lita på dem hjälper jag dig bygga något bättre. Läs mer om min tjänst för RevOps eller hör av dig via kontaktsidan.