Ne İnşa Ediyoruz - Yapay Zekâ ile Lead Niteliklendirme
Kural tabanlı lead skorlaması, kuralların sinyali tükenene kadar işler. Şirket büyüklüğü, sektör kodu ve form alanları, bir şirketin sizin çözdüğünüz soruna sahip olup olmadığı hakkında çok az şey söyler — bu yüzden pek çok skorlama modeli sonunda hiçbir şeyle zayıf ilişkili hale gelir.
Yapay zekâ ile niteliklendirme, bir şirketin kendisi hakkında gerçekte söylediklerini okur: web sitesi, iş ilanları, raporları ve birinin gönderdiği talebin metni. Bu çok daha zengin bir sinyaldir ve tam olarak bir dil modelinin bir kuraldan iyi işlediği girdi türüdür.
5 dk okuma5 bölümNe İnşa Ediyoruz
Bu sayfadan çıkaracaklarınız
- Sinyal yapılandırılmamış metin olduğunda yapay zekâ kuralları geçer. Zaten yapılandırılmış biçimde sahip olduğunuz veride geçmez.
- Önce veri kalitesi. Dağınık bir CRM üzerindeki yapay zekâ, ölçekli biçimde kendinden emin, iyi biçimlendirilmiş ve yanlış cevaplar üretir.
- Bir değerlendirme düzeneği zorunludur. O olmadan modelin yerini aldığı kuralı geçtiğini kanıtlayamazsınız.
- Skorlama yönlendirmeye ve önceliğe karar verir. Ne yapılacağına yine insan karar verir.
Ne inşa ediyoruz
- Yapılandırılmamış sinyallerden uyum skorlaması
- Şirket web sitesi metni, iş ilanları, yayımlanmış raporlar, teknoloji sinyalleri ve haberler okunur ve yazılı ICP’nize karşı skorlanır — bir büyüklük aralığı ve sektör kodundan çıkarım yapmak yerine.
- Talep skorlaması
- Gelen bir talebin metni; sorun uyumu, bütçe sinyalleri ve aciliyet üzerinden skorlanır. Kıdemli zamanın korunacak kısıt olduğu hizmet işletmeleri için özellikle değerli.
- Davranış skorlaması
- Ürün kullanımı, site davranışı ve etkileşim, uyumla birleştirilerek diziyi, önceliği ve yönlendirmeyi yöneten tek bir skora dönüşür.
- Skora göre yönlendirme
- Yüksek uyumlu leadler bağlam paketiyle hemen doğru sahibe; düşük uyumlular besleme akışına ya da self-servis yola. Skorun ne olduğunu değiştirmesi gerekir; yoksa süstür.
- Hesap araştırma brifingleri
- Bir şirketin neden o skoru aldığına dair üretilmiş tek sayfalık özet; böylece temsilci bir sayıya güvenmek yerine bilgili başlar.
- Değerlendirme düzeneği
- Sonuçları bilinen, ayrılmış bir tarihsel lead kümesi; böylece modelin gerçekten mevcut kuralınızdan iyi öngörüp öngörmediğini ölçebilirsiniz — yayına almadan önce ve sonrasında sürekli.
Nasıl çalışıyoruz
Hedefi dürüstçe tanımlayın
Neyi öngörüyoruz — bir toplantıyı, nitelikli bir fırsatı, kapanmış bir kazanımı? Her biri farklı bir model üretir. Başarısız skorlama projelerinin çoğu bunu atlayıp etiketlemesi en kolay olana optimize etmiştir.
Tarihsel kümeyi oluşturun
Sonuçları bilinen geçmiş leadler; eğitim ve ayrılmış değerlendirme olarak bölünür. CRM geçmişiniz bunu destekleyecek düzeyde değilse ilk düzelttiğimiz şey odur — ve bunu projeyi almadan önce söyleriz.
Referansı belirleyin
Mevcut kuralınızın ya da manuel elemenizin ayrılmış küme üzerindeki performansını ölçün. Referans olmadan “yapay zekâ işe yarıyor” yanlışlanamaz bir iddiadır.
İnşa edin ve değerlendirin
İşe yarayabilecek en basit yaklaşımla başlayın, referansa karşı ölçün ve karmaşıklığı yalnızca kendini gösterebildiği yerde ekleyin. Sıklıkla zenginleştirilmiş metin üzerinde iyi tasarlanmış bir prompt, eğitilmiş bir modeli geçer ve bakımı çok daha kolaydır.
Geri düşüşle yayına alın
Skorlar gerekçesiyle CRM’e yazılır, yönlendirme skorla yürür ve model erişilemez ya da güven düşükse otomatik olarak önceki kurala geri düşülür.
Kaymayı izleyin
Öngörü kalitesinin gerçek sonuçlara karşı sürekli ölçümü ve performans bozulduğunda uyarı. Modeller iş değiştikçe kayar; izlenmezse sessizce bozulurlar.
Ne alıyorsunuz
- Üretimde bir skorlama servisi
- Yeni kayıtlara karşı gerçek zamanlı çalışır; skorları ve gerekçeyi ekibinizin zaten çalıştığı CRM’e geri yazar.
- Skorla yürüyen yönlendirme
- Yüksek uyumlu leadler bağlamla hemen doğru kişiye ulaşır, düşük uyumlular pahalı insan zamanından uzağa yönlendirilir.
- Bir değerlendirme raporu
- Ayrılmış tarihsel veri üzerinde önceki kuralınıza karşı ölçülmüş performans. Referansı geçmiyorsa bunu söyleriz.
- İzleme ve kayma uyarıları
- Gerçek sonuçlara karşı sürekli ölçüm; böylece bozulma, bir çeyreklik yanlış yönlendirilmiş leade mal olmadan görünür.
- Dokümantasyon ve geri düşüş yolu
- Modelin nasıl çalıştığı, neyi kullandığı, nasıl yeniden eğitileceği ve erişilemez olduğunda otomatik olarak ne olacağı.
Bu en iyi nerede çalışır
| Durum | Yapay zekâ neden yardımcı olur | Tipik sonuç |
|---|---|---|
| Hizmet şirketi, ortaklar her talep görüşmesine giriyor | Talep metni, hiçbir form alanının yakalamadığı uyum ve aciliyet sinyali taşır | Kıdemli zaman yürüyebilir görüşmelerde toplanır |
| Yüksek gelen hacim, ince niteliklendirme | Şirket bağlamını ölçekli okumak insan gücüyle mümkün değil | Temsilciler geliş sırası yerine önceliklendirilmiş kuyruk işler |
| ICP firmografiyle değil sorunla tanımlı | Yapılandırılmış veri “tam olarak bu soruna sahip şirketler”i ifade edemez | İlk kez gerçek ICP’yi yansıtan bir skorlama |
| Satış katmanı olan ürün odaklı yapı | Kullanım davranışını şirket bağlamıyla birleştirmek iki sinyal türünü de ister | Satış, aranmaya değer self-servis hesapları arar |
| Düşük hacim, uzun döngüler, az veri noktası | Bir şeyi eğitmek ya da değerlendirmek için yeterli geçmiş yok | Bunun yerine kuralı iyileştirmeyi öneririz |
Yaklaşımımız neden farklı
- İddia etmeden önce ölçüyoruz
- Her proje, ayrılmış veri üzerinde mevcut referansınıza karşı bir değerlendirme içerir. Çoğu yapay zekâ skorlama projesi bunu atlar; bu yüzden pek çoğu sessizce kullanılmaz hale gelir.
- İşe yarayan en basit şey
- Çoğu zaman zenginleştirilmiş metin üzerinde iyi tasarlanmış bir prompt, eğitilmiş bir modeli geçer ve bakımı çok daha ucuzdur. Karmaşıklığa bağlı değiliz.
- Yalnızca sayı değil gerekçe
- Her skor nedeniyle birlikte gelir. Gerekçeyi görebilen bir temsilci skora güvenir ve kullanır; çıplak bir sayı bir ay içinde yok sayılır.
- Tasarım gereği geri düşüş
- Model erişilemez ya da emin değilse yönlendirme otomatik olarak önceki kurala döner. Bir API kötü bir öğleden sonra geçirdi diye hiçbir şey yönlendirilmeden kalmaz.
- Gerekirse yapmamanızı söyleriz
- Veri hacminiz ya da geçmişiniz değerlendirmeyi destekleyemiyorsa yapay zekâ skorlaması doğru proje değildir. Bunu faturadan sonra değil teşhis sırasında söyleriz.
Sık sorulan sorular
Yapay zekâ ile lead niteliklendirme, lead skorlamadan nasıl farklı?
- Geleneksel lead skorlama, elle atanmış ağırlıklarla yapılandırılmış alanları — büyüklük, sektör, form yanıtları — kullanır. Yapay zekâ ile niteliklendirme ise web sitesi metni, iş ilanları ve talep ifadesi gibi yapılandırılmamış metni okur; bunlar bir şirketin sizin çözdüğünüz soruna sahip olup olmadığı hakkında çok daha fazla sinyal taşır.
Ne kadar tarihsel veriye ihtiyacımız var?
- Anlamlı bir değerlendirme için yeterli etiketli sonuç — kaba bir ölçüt olarak sonuçları bilinen birkaç yüz lead. Bunun altında önce kuralları ve ölçümlemeyi iyileştirmeyi öneririz ve bunu teşhis sırasında söyleriz.
Model hata yapacak mı?
- Evet; tıpkı mevcut kuralınız ve mevcut manuel elemenizin yaptığı gibi. Soru daha az hata yapıp yapmadığıdır ve değerlendirme düzeneğinin ölçtüğü tam olarak budur. Yalnızca ayrılmış veride referansı geçtiğinde yayına alırız.
Bu, insan niteliklendirmesinin yerini alır mı?
- Hayır. Önceliğe ve yönlendirmeye karar verir; böylece insan dikkati doğru görüşmelere gider. Keşif görüşmesi, muhakeme ve peşine düşme kararı insanda kalır — asıl niteliklendirme orada olur.
Veri koruma ne olacak?
- Modeller sizin kontrolünüzdeki veriye karşı, işlemeyi AB içinde tutan seçenekler dahil yapılandırılabilir sağlayıcılarla çalışır. Hangi şirket verisinin nereye gönderileceği, bizim dayattığımız bir varsayılan değil sizinle birlikte alınan açık bir tasarım kararıdır.
Yerini aldığı kuralı kanıtlanabilir biçimde geçen skorlama
Yapay zekâ ile niteliklendirmeyi sizin verinizle ve mevcut referansınıza karşı bir değerlendirme düzeneğiyle kuruyoruz. Elinizdekini geçmiyorsa size söyleriz.