#Как компании начали расставлять приоритеты между обращениями и переходить от ручных правил к прогнозам.
У отдела продаж есть сто новых обращений и несколько часов на первый контакт. Одни люди только изучают тему, другие подходят продукту и готовы обсуждать покупку. Обрабатывать очередь по времени поступления удобно, но такая очередь не учитывает различия между клиентами.
Lead scoring — оценка и ранжирование лидов — появился вокруг этой задачи. Компания пытается понять, каким обращениям уделить внимание раньше, какие развивать постепенно и какие пока не соответствуют предложению. Сначала решение опиралось на опыт продавца и согласованные вопросы. Затем появились баллы за профиль и действия. Позднее модели начали искать закономерности в истории исходов.
История лидскоринга — постепенный переход от субъективного приоритета к воспроизводимой оценке. При этом главное условие осталось прежним: компания должна договориться, что именно считает качественным обращением и полезным результатом работы.
#Продавцы расставляли приоритеты задолго до веб-аналитики
В небольшом потоке менеджер способен держать контекст в памяти. У одной компании есть конкретная задача и срок, у другой — общий интерес. Кто-то запросил расчёт, кто-то пришёл за справочной информацией. По мере роста отдела такое решение становится трудно передавать и сравнивать.
Квалификационные подходы помогали сделать разговор последовательным. Известный пример — BANT: Budget, Authority, Need, Timeline — бюджет, полномочия, потребность и сроки. Обзор Salesforce относит развитие этого подхода к 1950-м годам и описывает его как основу для оценки перспективности обращения.
BANT задаёт вопросы, которые позволяют выяснить готовность к покупке. Однако в длинной B2B-продаже бюджет и состав участников решения могут определиться позже. Поэтому ответы полезно понимать в контексте процесса: отсутствие утверждённого бюджета при первом разговоре не всегда означает отсутствие перспективы.
Квалификация и числовой скоринг развивались рядом. Первая помогает установить факты и принять решение о соответствии клиента. Второй упорядочивает обращения по выбранным признакам. История нескольких современных поставщиков не позволяет назначить единственного автора всей категории: потребность возникала у многих компаний с растущими потоками клиентов.
#Правила превратили впечатление в баллы
После переноса контактов и сделок в программы признаки можно было хранить в полях, а действия — фиксировать как события. Возникла возможность автоматически пересчитывать приоритет, вместо того чтобы каждый раз заново оценивать карточку вручную.
Компания выбирала признаки, которые считала полезными. Подходящая отрасль повышала оценку. Запрос демонстрации добавлял баллы. Необслуживаемый регион или заведомо неподходящий тип клиента снижал приоритет. Порог определял, когда обращаться к продавцу или продолжать коммуникацию.
У такого подхода понятные преимущества: правила можно объяснить сотрудникам, проверить и изменить. Но сумма 70 баллов сама по себе не означает вероятность покупки 70%. Связь шкалы с реальными исходами появляется только после проверки.
Слабое место — выбор весов. Команда может переоценить действия, которые часто встречаются у любопытных посетителей, студентов или действующих клиентов. Несколько разных сигналов иногда описывают одну активность и усиливают её повторно. Поэтому накопление баллов нужно регулярно сопоставлять с результатами продаж.
#Веб-маркетинг добавил наблюдаемое поведение
Посетитель скачал материал, посмотрел цены, пришёл на вебинар и вернулся на сайт. Эти события стали частью маркетинговой истории контакта. Появилась возможность оценивать интерес до подробного разговора с менеджером.
При этом интерес к теме и соответствие продукту различаются. Человек может активно изучать корпоративное ПО ради обучения. Представитель подходящей компании может вести себя сдержанно, потому что уже понимает задачу и ждёт конкретного ответа.
Отсюда выросло полезное разделение: насколько клиент подходит предложению и насколько проявляет интерес сейчас. Сильная оценка по одной части не обязана компенсировать слабую по другой. Для готового покупателя и перспективного контакта с отложенной потребностью нужны разные действия.
#Eloqua и Marketo сделали скоринг частью маркетинговой автоматизации
В платформах маркетинговой автоматизации оценка связывалась с дальнейшей работой: передачей контакта в продажи, рассылкой, сегментом или последовательностью материалов. Маркетингу и продажам требовалось общее определение момента, когда лид готов к разговору.
У Oracle Eloqua такая логика хорошо видна в документации lead scoring. Профиль получает оценку A–D, вовлечённость — 1–4. Комбинация A1 обозначает наиболее подходящего и заинтересованного лида в этой системе. Разные сочетания можно связывать с разными действиями.
Профиль включает известные характеристики контакта и компании, поведение — доступные действия и реакцию на коммуникации. Это помогает сохранить различия, которые теряются в одной сумме. Например, подходящий контакт с низким интересом может нуждаться в продолжении знакомства, а активный неподходящий — в уточнении профиля.
20 декабря 2012 года Oracle объявила о соглашении приобрести Eloqua. Релиз связывал сделку с расширением облачной платформы клиентского опыта. Дата относится к объявлению соглашения; завершение планировалось на следующий год.
Marketo также развивала оценку профиля и поведения внутри B2B-маркетинга. Руководство Adobe по lead scoring описывает ранжирование по готовности к продаже с использованием демографических, корпоративных и поведенческих характеристик. 31 октября 2018 года Adobe сообщила о завершении приобретения Marketo в официальной публикации.
Эти события показывают, насколько тесно оценка обращений вошла в более широкие системы маркетинга. Отдельная шкала стала частью процесса, который продолжает работать с человеком до и после передачи продавцу.
Концептуальная матрица. Она иллюстрирует разделение профиля и интереса, не воспроизводит интерфейс или числовые пороги конкретного сервиса.
#Прогнозные модели начали учиться на истории исходов
В модели правил команда сама определяет, сколько весит каждый признак. Предиктивный скоринг использует историю, в которой доступны признаки обращения и последующий результат. Модель ищет связи, полезные для оценки новых лидов.
Показательная веха — анонс Salesforce Einstein 19 сентября 2016 года. В официальном сообщении среди возможностей Sales Cloud Einstein назывался Predictive Lead Scoring. Прогнозная оценка становилась частью массовой CRM-платформы.
В текущей справке Salesforce описано сопоставление новых лидов с закономерностями конверсии прошлых. Менеджер видит оценку и поля, которые сильнее повлияли на неё. При интерпретации важно выяснить, какой именно переход считается успешной конверсией в настроенном процессе.
В одной компании успех — переход к возможности продажи, в другой — квалификация или оплаченный договор. Модель, обученная на первом переходе, решает более раннюю задачу. Её точность по этому исходу ещё не определяет точность прогноза прибыли.
Так изменился источник правил. Компания задаёт смысл результата и предоставляет историю, а модель оценивает полезные сочетания признаков. Экспертные ограничения остаются частью работы: например, доступность продукта в регионе или условия обслуживания клиента.
#Вероятность продажи и ценность обращения отвечают на разные вопросы
Для приоритета может быть важна вероятность результата, ожидаемая сумма или прибыль. Предположим, у одного обращения вероятность оплаты 20%, а ожидаемый доход при оплате — 100 000 рублей. Ожидаемый доход составляет 20 000 рублей. У другого вероятность 50%, сумма — 20 000: ожидаемый доход равен 10 000 рублей.
Если ориентироваться только на шанс оплаты, второе обращение выглядит сильнее. Если на ожидаемый доход, порядок может измениться. Для решения по прибыли понадобятся затраты, сроки и стоимость обработки. Пример условный и предполагает, что оценки вероятности и суммы подходят выбранному горизонту.
Калиброванная вероятность 70% означает ожидание соответствующего результата примерно у семи из десяти сопоставимых обращений с такой оценкой при стабильных условиях. Шкала приоритета может иметь другой смысл. Перед применением полезно понять, выдаёт система вероятность, категорию или относительный балл.
Упорядочить лиды хорошо и предсказать точную долю исходов — разные свойства модели. Для очереди продаж особенно важно, насколько верхняя часть списка обогащена полезными обращениями. Для расчёта ожидаемой экономики потребуется ещё проверить точность вероятностей и денежных оценок.
#Проблемы старой CRM переходят в обучение
Если сотрудники по-разному понимают квалификацию, модель получает неоднородные примеры. В одной команде нужный статус ставят после любого разговора, в другой — после проверки задачи и бюджета. Итоговая оценка может начать отражать привычки менеджеров.
Незавершённые сделки требуют отдельного решения. Отсутствие оплаты сегодня ещё не устанавливает окончательный отказ. При длинном цикле обучения нужно учитывать время до результата и правила обработки неизвестного исхода.
Есть и риск замкнутого круга. Менеджеры раньше звонят высоким баллам, чаще получают по ним результат, а низкие обращения остаются без полноценной обработки. История начинает зависеть от прежнего выбора. Для оценки полезно сохранять сведения об обработке и при возможности проверять часть потока по сопоставимым правилам.
Ещё одна ошибка — использовать данные, появляющиеся после момента прогноза. Итоговый статус или назначенная после сделки категория могут отлично разделять историю и отсутствовать у нового лида. Проверка должна воспроизводить тот момент, в котором оценка будет использоваться.
#Как понять, что новый порядок действительно полезен
Начать можно с проверки на более поздней группе обращений, которую не использовали для обучения. Дождаться выбранного результата, сопоставить оценки с исходами и посмотреть верхнюю часть очереди. Сравнение только с обучающей историей способно завысить представление о качестве.
Далее полезно оценить бизнес-решение. При одинаковом ресурсе команды новый приоритет может помочь обработать больше перспективных лидов. Но если самые качественные обращения и раньше получали внимание, изменение порядка даст небольшой дополнительный эффект.
Для причинной оценки можно заранее сравнить разные правила обработки при сопоставимых условиях. Нужно учесть закрепление сотрудников, время ответа и доступность клиента. Рост конверсии верхнего сегмента сам по себе ещё не доказывает пользу всей системы приоритизации.
Со временем меняются источники, продукт, цена и цикл продаж. Проверка качества должна продолжаться после запуска. Сильная историческая модель способна утратить полезность в новом составе аудитории.
#В Sales Ninja качество лида задаётся через события и исходы
В Sales Ninja лидскоринг работает как отдельная сущность: сначала определяется, какие сессии считать лидами, затем оценивается качество. В настройках разделены цели срабатывания, положительные и отрицательные исходы.
Цели срабатывания описывают появление заявки. Плюс-цели задают хороший результат — например, квалификацию или сделку. Минус-цели описывают выбранный отрицательный исход. Их смысл должен соответствовать правилам бизнеса; спорные случаи полезно разбирать до обучения.
Для заявки без известного результата предусмотрены разные режимы. Документация создания описывает исключение таких заявок из обучения либо выбранную начальную трактовку до прихода положительного или отрицательного события. При длинных переговорах эта настройка существенно влияет на состав примеров.
В России исходы часто находятся в amoCRM, Битрикс24, других CRM или коллтрекинге. Интеграции Sales Ninja позволяют получать доступные результаты и связывать их с посещениями. Если исходная связь неполна, качество измерения и обучения тоже ограничено.
Дальнейшее применение зависит от задачи и подключений. Моделируемые конверсии используют прогнозный сигнал для рекламной оптимизации, а аналитика помогает разбирать реальные результаты. Наличие лидскоринга само по себе не меняет маршрутизацию менеджеров или выбранную цель кампании: действие по оценке нужно настроить отдельно.
Практический старт — согласовать хороший и плохой исход, проверить поступление событий, определить момент оценки и сравнить результат на новых обращениях. Ориентиром остаются фактическая квалификация, сделки и полезная экономика.
#Лидскоринг изменил момент принятия решения
Ручная квалификация помогала продавцу понять конкретного клиента. Правила сделали приоритет воспроизводимым, маркетинговая автоматизация добавила поведение, а прогнозные модели стали использовать историю исходов. Решение о качестве постепенно переместилось ближе к моменту поступления обращения.
Но балл приносит пользу через действие: кому ответить быстрее, какой сценарий продолжить и на каком результате учить рекламу. Поэтому хороший лидскоринг начинается с понятной бизнес-цели и заканчивается проверкой реальных результатов, которые он помогает получить.
