리드 스코어링

Lead scoring

리드 스코어링은 각 리드(lead)가 [1]조직에 나타내는 인식된 가치를 나타내는 척도에 따라 잠재 고객의 순위를 매기는 데 사용되는 방법론입니다.결과 점수는 어떤 리딩 기능(예: 영업, 파트너, 텔레스펙팅)이 우선 순위에 따라 관여할지를 결정하는 데 사용됩니다.

리드 스코어링 모델에는 명시적 데이터와 암묵적 데이터가 모두 포함되어 있습니다.기업 규모, 산업 부문, 직책 또는 지리적 [2]위치 등 잠재 고객에 의해 또는 그에 관한 명시적 데이터가 제공됩니다.암묵적인 점수는 잠재고객의 행동을 감시함으로써 도출됩니다.예를 들어 웹 사이트 방문, 화이트 페이퍼 다운로드, 이메일 열기 및 [3][4]클릭 등이 있습니다.또한 소셜 점수는 소셜 [5]네트워크에서의 개인의 존재와 활동을 분석합니다.

리드 스코어링을 사용하면 잠재 고객의 구매 단계와 관심 수준에 따라 잠재 고객의 경험을 맞춤화할 수 있으며, 후속 조치를 위해 판매 조직에 제공되는 잠재 고객의 품질과 "준비성"을 크게 향상시킬 수 있습니다.

주요 장점

리드 스코어링 모델이 유효할 경우 주요 이점은 다음과 같습니다.

  • 판매 효율성 및 효과 향상: 리드 스코어링은 조직이 가장 가치 있다고 간주하는 잠재 고객을 대상으로 판매에 집중하며, 부적격하거나 인지 가치가 낮은 잠재 고객을 영업에 파견하지 않도록 합니다.
  • 마케팅 효과 향상: 리드 스코어링 모델은 마케팅 담당자가 어떤 유형의 리드 또는 리드 특성이 가장 중요한지를 수치화하여 마케팅이 인바운드 및 아웃바운드 프로그램을 보다 효과적으로 타겟으로 하고 보다 고품질의 리드를 판매에 제공할 수 있도록 지원합니다.
  • 마케팅과 판매의 긴밀한 연계: 리드 스코어링은 마케팅과 판매 리더가 [6]창출하는 리드의 품질과 양에 대해 논의할 수 있는 공통 언어를 확립함으로써 마케팅과 판매 간의 관계를 강화하는 데 도움이 됩니다.
  • 수익 증가:또한 리드 스코어링을 통해 점수로 인정된 리드에 대한 판매가 우선됩니다.점수가 높은 리드가 닫힐 확률은 점수가 낮은 리드보다 높습니다.이는 간접적으로 수익 증가에도 기여합니다.

리드 스코어링 방법

다음과 같은 다양한 리드 스코어링 방법이 사용됩니다.

  • 이상적인 고객 프로파일(ICP): 이미 알고 있는 담당자의 속성을 사용하여 스코어(직급, 회사 규모 등)를 결정하고 조직이 이상적인 고객을 대표하는 잠재 고객에 집중할 수 있도록 합니다.예를 들어 CRM 내의 다양한 필드의 값을 바탕으로 한 Hubspot의 리드[7] 스코어링 시스템을 들 수 있습니다.
  • 램 또는 스팸: 이상적인 고객 프로파일(ICP)이 명확하지 않은 중소규모 기업에 채용되는 경우가 대부분입니다.램 또는 스팸 모델은 품질이 낮은 리드를 걸러내고 잠재력이 높은 리드를 표면화하는 것으로 구성됩니다.저품질 리드는 온라인 기업이 이메일 스팸 발송 또는 익명으로 등록하기 위해 사용하는 개인 이메일 주소 도메인(gmail, hotmail, yahoo) 또는 임시 이메일 생성기에 의해 식별됩니다.고품질의 리드는, 사내의 E-메일 도메인과 직책이나 기업 [8]규모등의 확정 데이터 포인트로 식별됩니다.
  • 규칙 기반: 이 리드 스코어링 모델에서는 리드의 확정 및 동작 속성에 포인트 값을 할당합니다.점 임계값은 리드가 적합 또는 불량 [9]적합으로 간주되도록 설정됩니다.대규모 마케팅 자동화 플랫폼에는 규칙 기반의 스코어링 솔루션이 포함되어 있습니다.또한 Salesforce CRM의 [10]리드 스코어링 솔루션 등 CRM을 보완하는 애드온도 포함되어 있습니다.
  • 예측 리드 스코어링: 예측 리드 스코어링 모델은 머신 러닝을 사용하여 타사 데이터 소스에 의해 증강된 과거 고객 데이터를 기반으로 예측 모델을 생성합니다.이 접근방식은 과거의 리드 행동 또는 기업과 리드 간의 과거 상호작용을 분석하고 이러한 데이터와 긍정적인 비즈니스 결과(예: 클로즈드 딜)의 긍정적인 상관 관계를 찾는 것입니다.


기업은 판매 계약의 우선순위를 높이기 위해 기존 방법론을 반복하고 방법론을 변경합니다.기업의 인원과 판매 제품의 수가 증가함에 따라 예측 가능한 리드 스코어링 방법론은 일반적으로 새로운 고객 데이터를 정기적으로 수집하여 [11]예측 결과를 발전시키는 능력으로 선호되고 있습니다.

예측 리드 스코어링

기계 학습을 통해 리드 스코어링 모델은 예측 분석의 구성 요소를 포함하도록 발전하여 예측 리드 스코어링 모델을 생성했습니다.예측 리드 스코어링에서는, 사내의 마케팅, 판매, 제품 데이터등의 제1 파티 데이터와 데이터의 풍부화, 의도 데이터등의 서드 파티의 데이터를 활용해, 이상적인 고객 프로파일의 머신 러닝 모델을 구축합니다.예측 리드 스코어링 모델을 사용하면, 유저가 특정의 [12]문턱치를 넘을지를 가장 잘 예측하는 이력 유저의 행동에서 통계적으로 구별되는 요소를 특정해, 인정된 리드를 특정, 인정, 관여시킬 수도 있습니다.

예측 가능한 리드 스코어링은 특히 고객의 라이프 타임 가치가 높고 대량의 고객 데이터를 보유한 SaaS 비즈니스에 도움이 됩니다.예측 가능한 리드 스코어링 모델을 통해 기업은 구매자의 초기 단계에서 고부가가치의 잠재 고객을 특정할 수 있으며, Fast Lane을 통해 최적의 확정 및 행동 조건을 갖춘 잠재 고객을 위한 Fast Lane 경험을 구축할 수 있습니다.

예측 잠재 고객 채점 모델의 성공 여부는 판매 기회의 상당 부분을 차지할 잠재 구매자를 식별할 수 있는 능력에 따라 결정됩니다.이것은 다음과 같이 표현됩니다.

리드의 X%가 Y%의 변환에 해당합니다.

예측 가능한 리드 스코어링 모델의 최적의 퍼포먼스는 X가 0에 가까워지고 Y가 100에 가까워지며 변환은 기회 창출 또는 기회 획득 등의 펀널 바닥 지표로 정의됩니다.

「 」를 참조해 주세요.

레퍼런스

  1. ^ "What is Lead Scoring?". TechTarget.
  2. ^ "Introduction to Lead Scoring". act-on.
  3. ^ DM 뉴스, "숫자에 의한 리드 스코어링"
  4. ^ "A 10 Step Framework to Accurate Lead Scores". CRM Search.
  5. ^ "A Quick How to Guide on Social Media Lead Scoring". TargetMarketing.
  6. ^ "Basic Idea of Lead Scoring". Marketing Automation Insider.
  7. ^ Deal, Matthew (2020-12-09). "Hacking Hubspot's Lead Scoring System". Matthew Deal. Retrieved 2019-03-01.
  8. ^ Boogar, Author Liam (2019-01-29). "The Three Stages of Lead Scoring: Lambs, Ducks & Kudus". All others bring data. Retrieved 2019-03-01. {{cite web}}: first=범용명(도움말)이 있습니다.
  9. ^ "Predictive Lead Scoring: Why, How & Where". Inbound Mantra. 2018-04-02. Retrieved 2019-03-01.
  10. ^ "Lead scoring solution for Salesforce Sales Cloud". SalesWings. 2019-10-10. Retrieved 2019-10-11.
  11. ^ Boogar, Author Liam (2019-01-29). "The Three Stages of Lead Scoring: Lambs, Ducks & Kudus". All others bring data. Retrieved 2019-03-01. {{cite web}}: first=범용명(도움말)이 있습니다.
  12. ^ Brero, Francis. "Beyond MQLs & SQLs: How to Use Your Product to Qualify Leads". www.appcues.com. Retrieved 2019-03-01.