Sette opp lead scoring: En modell som fungerer uten datafjell

Poengmodeller strander i små bedrifter som regel på ett av to ytterpunkter: enten er de så finmaskede at ingen forstår dem, eller så grove at de ikke skiller noe. En modell med åtte kriterier og to akser fungerer også uten datafjell.

Like formede legemer med ulik tetthet svever i forskjellige høyder, de tetteste lyser sterkest

Det viktigste kort

  • Lead scoring lønner seg fra rundt 30 henvendelser i måneden. Under det koster det mer vedlikehold enn det sparer tid.
  • To akser i stedet for ett tall: passform (hvem er dette) og atferd (hva gjør personen). Én enkelt poengsum visker ut begge deler.
  • Åtte kriterier holder – fire per akse. Hvert kriterium utover det gjør modellen vanskeligere å forklare uten å gjøre den bedre.
  • Negative poeng er viktigere enn positive: de holder de gale kontaktene borte fra salg.

Den vanlige feilen er det ene store tallet: 0 til 100, alt renner inn i det, fra 70 går kontakten til salg. Problemet er ikke regnestykket, men at to helt forskjellige ting regnes sammen.

En person som passer perfekt inn i målgruppen og ikke gjør noe, og en som ikke passer og klikker på alt, kan få samme poengsum – og trenger helt ulik behandling.

To akser i stedet for ett tall

Akse 1 – passform

Hvem er personen, uavhengig av atferden sin? Bransje, bedriftsstørrelse, rolle, region. Disse opplysningene endrer seg sjelden og besvarer spørsmålet: vil vi i det hele tatt ha denne kunden?

Akse 2 – atferd

Hva har personen gjort, og hvor ferskt er det? Fylt ut et skjema, besøkt prissiden, svart på en e-post. Disse verdiene endrer seg daglig og besvarer spørsmålet: er tidspunktet riktig nå?

Atferd lavAtferd høy
Passform høyObservere, ta målrettet kontaktRett til salg
Passform lavGenerell kommunikasjonKontroller – ofte jobbsøkere, konkurrenter eller studenter

Feltet nede til høyre er grunnen til den andre aksen. Den som bare lager ett tall, sender nettopp disse kontaktene til salg – og salg mister tilliten til modellen etter det tredje tilfellet.

De åtte kriteriene

Passform (maks. 100)

Bransjen passer: +30
Bedriftsstørrelse i målområdet: +25
Rollen er nær beslutningen: +30
Regionen betjenes: +15

Alle fire opplysningene kommer fra skjemaet eller fra et kort søk – ingen atferd, ingen antakelse.

Atferd (maks. 100)

Fylt ut henvendelsesskjema: +40
Besøkt pris- eller tilbudsside: +25
Svart på en e-post: +25
Andre besøk innen 14 dager: +10

Atferd eldes: etter 30 dager uten aktivitet halveres verdien, etter 90 dager settes den til null.

Negative poeng

Engangsadresse: −60
Konkurrent ifølge domenet: −100
Synlig hensikt om å søke jobb: −100
Avmeldt eller motsatt seg: −100

Den viktigste gruppen. Den hindrer at oppmerksomhet går til kontakter der ingen forretning er mulig.

Terskelen

Overlevering til salg: passform ≥ 60 og atferd ≥ 40.

To betingelser, ikke én sum. Dermed faller feltet nede til høyre systematisk ut.

Visste du at …?

Aldringen av atferdsverdien er den delen som oftest mangler – og den som gjør at en modell blir ubrukelig etter et år uten den.

Uten aldring samler aktive kontakter poeng over måneder, til nesten alle ligger over terskelen. Modellen skiller da ingenting lenger, men bekrefter bare at noen en gang var interessert. En atferdsverdi uten utløpsdato er ikke et signal, men et arkiv.

Fra når scoring lønner seg

Tre betingelser. Mangler én, er innsatsen ikke berettiget.

  1. Minst rundt 30 henvendelser i måneden. Under det kan én person se på alle kontaktene enkeltvis – og gjør det bedre enn enhver modell.
  2. Merkbart ulik kvalitet. Hvis nesten alle henvendelser passer, er det ingenting å sortere.
  3. Dataene finnes i det hele tatt. Bransje og rolle må spørres om i skjemaet eller kunne finnes fram. En modell som regner på tomme felter, gir tilfeldige verdier.
Merk Den tredje betingelsen kolliderer med regelen om å holde skjemaer korte. Løsningen: spør bare om de opplysningene som faktisk inngår i modellen – og hvis det blir mer enn fire felter, kort heller ned modellen enn å forlenge skjemaet.

Innføring på fire uker

UkeHva som skjer
1Sorter de siste 50 henvendelsene for hånd – god, middels, dårlig. Uten modell, på magefølelsen.
2Fastsett kriterier og poeng slik at de gjenskaper denne sorteringen best mulig.
3La modellen gå med i bakgrunnen uten at den utløser noe. Noter avvikene.
4Skjerp poengene, slå den så på – med én person som leser med de første to ukene.

Uke én er det avgjørende steget og blir gjerne hoppet over. Uten en referanse som kommer fra mennesker, finnes det ikke noe mål på om modellen er god.

Fra praksis

Etter innføringen skjer regelmessig det samme: salg får tre kontakter som åpenbart ikke passer, og erklærer modellen ubrukelig. Som regel skyldes det ett enkelt kriterium med for høy vekt – ofte «besøkt prissiden», som også konkurrenter og jobbsøkere styrer mot.

Derfor hører en tilbakemeldingsmulighet med i de første ukene: ved hver overlevering kan salg med ett klikk melde «passer ikke», med grunn. Etter tjue slike meldinger vet man nøyaktig hvilket kriterium som veier for tungt – og det er mer verdt enn enhver teoretisk finjustering.

Prompt
Hjelp meg å sette opp en enkel modell for lead scoring.

Situasjonen vår:
- Henvendelser per måned: [antall]
- Hva vi tilbyr: [tilbud]
- Ønskekunde: [bransje, størrelse, rolle, region]
- Hvem som definitivt ikke passer: [utelukkelser]
- Opplysninger vi henter inn i skjemaet: [felter]
- Atferd vi kan måle: [f.eks. sidebesøk,
  skjema, e-postsvar]
- Typisk tid fram til salg: [angivelse]

Oppgaver:
1. Si meg først om scoring i det hele tatt lønner seg ved
   vår mengde henvendelser. Hvis nei, si det tydelig og nevn det
   enklere alternativet.
2. Foreslå fire kriterier for hver av passform og atferd,
   med poeng som til sammen gir 100 hver. Bruk bare
   opplysninger vi faktisk har ifølge listen min.
3. Nevn negative kriterier og poengene deres.
4. Fastsett en aldring for atferdsverdien, tilpasset
   vår syklustid.
5. Nevn to terskler (passform og atferd) for overleveringen
   og begrunn dem.
6. Beskriv hvordan vi i uke 3 kontrollerer om modellen stemmer
   med vår egen vurdering.

Ikke finn på bransjetall.

Konklusjon

En poengmodell er ingen regneoppgave, men en skriftlig nedfelt mening om hvem kunden deres er. Nettopp derfor fungerer den også med åtte kriterier og uten datafjell.

Det som trengs: to atskilte akser, negative poeng, en aldring av atferdsverdien – og en uke der mennesker lager referansen modellen må måles mot.

Vanlige spørsmål

Fra når lønner lead scoring seg?

Fra rundt 30 henvendelser i måneden, når kvaliteten på dem er merkbart ulik og de nødvendige opplysningene – bransje, størrelse, rolle – i det hele tatt hentes inn. Under det kan én person se på alle kontaktene enkeltvis og gjør det bedre enn enhver modell.

Hvorfor to poengverdier i stedet for én?

Fordi passform og atferd besvarer ulike spørsmål: «vil vi ha denne kunden?» og «er tidspunktet riktig nå?». Én enkelt sum visker ut begge deler – en konkurrent som klikker mye, når samme tall som en perfekt passende, stille interessent. To terskler i stedet for én sum løser det.

Hvor mange kriterier bør en modell ha?

Åtte – fire per akse – pluss tre til fire negative. Hvert kriterium utover det gjør modellen vanskeligere å forklare uten å bedre skarpheten målbart. En modell ingen i salg kan forklare, blir ikke brukt.

Hvorfor må atferdspoeng eldes?

Fordi aktive kontakter uten aldring samler poeng over måneder, til nesten alle ligger over terskelen. Modellen skiller da ingenting lenger, men viser bare at noen en gang var interessert. Vanlig er halvering etter 30 dager uten aktivitet og nullstilling etter 90 dager.

Hva gjør man når salg ikke stoler på modellen?

Bygg inn en tilbakemeldingsmulighet: ved hver overlevering kan man med ett klikk melde «passer ikke», med grunn. Etter rundt tjue meldinger viser det seg som regel at ett enkelt kriterium veier for tungt – ofte «besøkt prissiden», som også konkurrenter og jobbsøkere styrer mot.

Markedsføring som setter seg opp selv

Betaen for Studio Engine er åpen. Sikre deg en plass og bidra fra starten.

Bli med i betaen →
← Tilbake til oversikten