리드 스코어링 시스템에 AI를 사용하는 방법

리드는 비즈니스의 일생 동안 왔다가 사라지지만, 가장 빠른 리드를 식별, 정렬 및 활용할수록 판매를 성사시킬 가능성이 커집니다. AI를 사용한 리드 스코어링은 계산된 정보를 사용하여 추구할 고객, 육성할 고객, 완전히 버릴 고객에 대한 최선의 결정을 내립니다.

리드 스코어링은 최고의 영업 직원에 대한 지식을 수집하고 수집한 데이터와 결합하여 팀이 노력을 집중할 위치를 알 수 있도록 하는 것입니다. 지속적으로 조사할 필요가 없도록 리드를 확인하여 최고의 자리를 확인하면 귀하와 귀하의 팀 시간을 절약할 수 있을 뿐만 아니라 집단적인 방식으로 노력을 집중할 수 있습니다.

리드 스코어링이란?

리드 스코어링은 영업 및 마케팅 팀이 리드의 품질을 결정하는 방법입니다. 이는 일반적으로 고객이 브랜드와 상호 작용하는 방식에 따라 각 리드를 "점수"하기 위해 포인트 값을 할당하여 수행됩니다. 혜택은 다음과 같습니다.

• 마케팅 캠페인 개선. 타겟 고객 중 누가 구매할 준비가 되어 있고 구매할 의향이 있는지 이해하면 마케팅 노력에 더 집중할 수 있습니다.
• 향상된 수익. 적시에 리드에 응답하는 경우 수익에 미치는 영향이 상당할 수 있습니다. 리드 스코어링을 사용하여 추측을 제거함으로써 영업 팀은 최고의 리드에게 먼저 연락할 수 있습니다.
• 시간을 절약했습니다. 영업 팀의 많은 시간은 단순히 리드를 확인하고 즉각적인 구매 의도가 없는 리드를 확인하는 데 사용됩니다. 리드 스코어링은 이 장벽을 제거합니다.

리드 스코어링은 어떻게 작동합니까?

리드 스코어링을 사용하면 리드에 대한 순위를 설정하여 프로세스에서 주관성을 제거할 수 있습니다. 어떤 기업이든 각기 다른 의도를 가진 수십만 명의 방문자가 웹사이트를 방문할 수 있습니다. 일부는 탐색하고 일부는 우연히 그곳에 갔을 수 있으며 일부는 구매를 확정하고 구매할 준비가 된 주요 쇼핑객일 수 있습니다. 리드 득점은 그들을 제거합니다.

방문자가 웹사이트를 방문하면 방문자의 행동을 추적할 수 있습니다. 그들이 어떻게 상호 작용하는지, 무엇을 클릭하고 있는지, 심지어 몇 번이나 돌아오는지 볼 수 있습니다. 이러한 "작업" 각각에 대해 점수를 할당합니다.

포인트는 각 방문자가 지금까지 귀하의 제품이나 회사에 대해 얼마나 배웠는지 정확히 알 수 있는 정보로 변환됩니다. 이 정보는 암시적 데이터 또는 명시적 데이터가 됩니다.

명시적 데이터 대 암시적 데이터

암시적 데이터와 명시적 데이터는 모두 잠재 고객에 관한 중요한 정보입니다.

암시적 데이터 는 잠재적인 고객의 비즈니스 참여와 관련하여 시스템 추적에서 제공하는 정보입니다.

명시적 데이터 는 이름, 전화번호, 이메일 주소 및 설문조사에 대한 답변과 같이 사용자가 제공한 데이터입니다. 이 정보는 고객이 귀하의 비즈니스에 얼마나 잘 맞는지와 구매 성향을 보여줍니다.

암시적 데이터와 명시적 데이터는 모두 잠재 고객이 스펙트럼에서 어디에 위치하는지 결정하기 위해 리드 스코어링 시스템에서 사용되는 포인트로 변환됩니다. 점수가 높을수록 리드가 뜨겁습니다.

리드 스코어링 모델을 설정하는 방법

리드 스코어링 시스템은 각 비즈니스가 고객에게서 다양한 유형의 구매 가능성을 찾고 있기 때문에 회사마다 다르게 보일 것입니다. 예를 들어 10대 소녀를 대상으로 하는 의류 회사는 스포츠 용품 회사와는 매우 다른 인구통계를 대상으로 합니다. 스코어링 모델을 설정하는 단계는 다음과 같습니다.

1. 이상적인 고객 식별
2. 점수를 매길 데이터 포인트 식별
3. 포인트 값 생성
4. 임계값 결정

1단계: 이상적인 고객 식별

각 브랜드에는 이상적인 고객이 있습니다. 마케팅을 할 때 대부분의 노력을 기울이는 대상이 바로 이 사람입니다. 예를 들어, 앞서 언급한 10대 소녀 의류 매장의 경우 대상 고객을 구성하는 몇 가지 요소가 있습니다.

• 11세에서 17세 사이
• 여자
• (X, Y, Z)에 대한 관심

집중할 수 있는 이 이상적인 페르소나를 만들면 인기 있는 리드를 찾는 데 필요한 명시적 데이터를 정렬하기 위해 리드 점수 시스템을 만드는 방법을 알게 됩니다.

2단계: 점수를 매길 데이터 포인트 식별

이상적인 고객을 파악한 후에는 포인트를 할당하는 데 사용할 점수 속성도 개발해야 합니다. 행동 점수와 인구 통계 점수의 두 가지 범주로 나눌 수 있습니다.

행동 점수 점수에는 다음이 포함될 수 있습니다.

• 클릭연결
• 열린 이메일
• 다운로드
• 약혼
• 웹페이지를 몇 번 방문했는지

인구통계학적 점수에는 다음이 포함될 수 있습니다.

• 나이
• 산업
• 직위
• 위치

3단계: 가치 포인트 생성

점수를 매길 데이터 포인트를 식별했으면 판매로 이어지는 가장 좋은 포인트 순위를 매겨야 합니다. 예를 들어 위의 목록을 사용하여 다음과 같은 점수를 할당할 수 있습니다.

행동 점수 점수에는 다음이 포함될 수 있습니다.

• 클릭률(5)
• 열린 이메일 (15)
• 다운로드 (50)
• 약혼 (25)
• 웹 페이지를 방문한 횟수(40)

인구통계학적 점수에는 다음이 포함될 수 있습니다.

• 나이 (50)
• 산업 (25)
• 직위 (30)
• 위치 (10)

더 뜨거운 리드를 가져올 데이터 요소에 더 높은 값을 할당하면 평균 리드를 가장 큰 잠재력을 가진 리드와 쉽게 분리할 수 있습니다. 그러나 이러한 숫자 값을 할당하는 가장 좋은 방법은 무엇입니까?

1. 전체 팀을 포함하십시오. 포인트 할당을 결정하기 위해 한 사람의 전문 지식에 의존하지 마십시오. 대신 영업 직원을 활용하여 최고의 거래를 성사시키는 곳을 찾으십시오.
2. 데이터 기반 접근 방식을 사용합니다. 데이터는 조직과 CRM 플랫폼 전반에 걸쳐 왜곡되어 있습니다. 분석을 활용하여 최고의 리드가 어디에서 오는지 알아내십시오.

4단계: 임계값 결정

이상적인 고객을 식별하고 데이터에 포인트 값을 할당하는 것은 리드 스코어링의 첫 번째 문자열일 뿐입니다. 다음으로 잠재 고객을 즉각적인 관심이 필요한 핫 리드로 만드는 마법의 숫자를 찾아야 합니다.

예를 들어, 리드 스코어링 파일럿 프로젝트를 처음 시작할 때 이해 부족으로 강력한 리드를 차단하지 않도록 임계값을 구현하지 않는 것이 현명할 수 있습니다. 대신 이전 구매자 및 고객 분석을 사용하여 영업 팀이 임계값이 어디에 있는지 밝힐 시간을 주십시오.

리드 스코어링 및 AI

유용한 리드 스코어링 모델을 제자리에 갖추려면 상당한 노력이 필요할 수 있습니다. 그러나 프로세스에서 인적 오류의 뉘앙스를 제거하는 더 쉬운 방법이 있다면 어떨까요? 여기에 AI와 머신 러닝이 등장합니다.

예측 리드 스코어링 소프트웨어는 기존 CRM 네트워크와 자연스럽게 통합되어 회사의 성과 데이터를 검토하고 최고의 리드를 찾아내는 도구입니다.

예측 리드 스코어링의 또 다른 큰 이점은 지식 기반이 증가한다는 것입니다. 회사에서 수집하는 정보가 많을수록 리드 스코어링 모델이 더 똑똑해집니다. 이것은 궁극적으로 몇 가지를 달성합니다.

• 절약된 시간
• 더 빠른 결과
• 인적 오류 없음
• 시간이 지남에 따라 개선

ManyChat으로 리드 스코어링 향상

리드 스코어링 및 리드 검증은 판매에 필요한 고객을 확보하는 데 필요한 적절한 리드 생성 없이 무의미하게 처리됩니다. ManyChat은 다음을 수행할 수 있는 채팅 자동화를 제공합니다.

• 청중과 소통
• 인센티브 제공
• 정보를 수집하다
• 의미 있는 대화 시작

리드 스코어링을 수행할 때 알 수 있듯이 모든 리드를 즉시 구매할 수 있는 것은 아닙니다. 이것이 리드 육성이 필요한 곳입니다. ManyChat을 사용하면 비즈니스 소유자가 후속 조치 및 개인화된 대화를 통해 이러한 리드를 육성하여 신뢰가 구축될 때까지 계속 공을 굴릴 수 있습니다.

ManyChat의 우수한 도구와 서비스를 더 보려면 지금 무료로 등록하십시오.