लीड स्कोरिंग

लीड स्कोरिंग प्रत्येक संभावित ग्राहक को एक संख्यात्मक मान प्रदान करती है, जो इस आधार पर निर्धारित होता है कि वे एक अच्छे ग्राहक की प्रोफ़ाइल से कितने मेल खाते हैं और उन्होंने कितनी सक्रियता से भाग लिया है। इससे बिक्री प्रयासों को उन लीड्स की ओर निर्देशित किया जा सकता है जिनके परिवर्तित होने की सबसे अधिक संभावना है। स्कोर में आमतौर पर जनसांख्यिकीय और फर्मोग्राफिक विशेषताओं, जैसे कि भूमिका, कंपनी का आकार, उद्योग और स्थान, को व्यवहार संबंधी संकेतों, जैसे कि देखे गए पृष्ठ, डाउनलोड की गई सामग्री, खोले गए ईमेल और शुरू किए गए उत्पाद परीक्षण, के साथ संयोजित किया जाता है।

यह मॉडल क्षमता आवंटन की समस्या का समाधान करता है। बिक्री टीमें सीमित संख्या में संभावित ग्राहकों से ही सही ढंग से संपर्क कर सकती हैं, और उनसे क्रमानुसार संपर्क करने से उन लोगों पर समय बर्बाद होता है जो कभी खरीददारी नहीं करेंगे, जबकि उच्च क्षमता वाले संभावित ग्राहक निष्क्रिय हो जाते हैं। एक कारगर स्कोरिंग मॉडल बिक्री के उस समय को बढ़ाता है जो संभावित ग्राहकों पर खर्च किया जाता है, जिससे बिक्री में सुधार होता है और उस टीम का मनोबल भी बढ़ता है जो अन्यथा अयोग्य पूछताछ की सूची पर काम कर रही होती है।

अधिकांश कार्यान्वयन साक्ष्य के बजाय अनुमानों पर आधारित होते हैं, यही कारण है कि उनमें से कई असफल रहते हैं। कार्यशाला में अंक इस आधार पर दिए जाते हैं कि विपणन विभाग रुचि का संकेत क्या मानता है, और परिणामी मॉडल व्यवहार और परिणामों के बीच वास्तविक संबंध के बजाय खरीद संकेतों के बारे में आंतरिक राय को दर्शाता है। ऐतिहासिक डेटा का विश्लेषण करके, उन ग्राहकों के गुणों और व्यवहार की तुलना करके बनाया गया मॉडल जो ग्राहक बने और जो नहीं बने, अक्सर कार्यशाला के संस्करण के विपरीत होता है, और ये असहमति ही आमतौर पर सबसे महत्वपूर्ण निष्कर्ष होते हैं।

व्यवहार संबंधी स्कोरिंग में विशेष रूप से इस बात का ध्यान रखना आवश्यक है कि किसी संकेत का वास्तव में क्या अर्थ है। मूल्य निर्धारण पृष्ठ पर बार-बार जाना मूल्यांकन का संकेत देता है; सहायक दस्तावेज़ों पर बार-बार जाना किसी मौजूदा ग्राहक, प्रतिस्पर्धी या नौकरी के आवेदक का संकेत हो सकता है। ईमेल पर अधिक सक्रियता रुचि का संकेत दे सकती है या केवल एक नियमित ईमेल भेजने वाले का। संचित गतिविधि की तुलना में हाल की सक्रियता अधिक मायने रखती है, क्योंकि जो लीड छह महीने पहले बहुत सक्रिय थी और उसके बाद से निष्क्रिय है, वह इस सप्ताह सक्रिय लीड से अलग संभावना है, और जो मॉडल अनिश्चित काल तक अंक संचित करते हैं, वे निष्क्रिय लीड को सक्रिय लीड से ऊपर रखते हैं।

स्कोरिंग को एक स्थिर प्रणाली मानकर भी यह विफल हो जाती है। खरीदारी का व्यवहार बदलता है, उत्पाद बदलते हैं, और एक अच्छे ग्राहक की पहचान भी बदलती है जब कोई व्यवसाय उच्च बाजार स्तर पर या नए क्षेत्रों में प्रवेश करता है। इसलिए, एक बार बनाया गया और यथावत छोड़ दिया गया मॉडल धीरे-धीरे कमजोर होता जाता है। व्यावहारिक आवश्यकता यह है कि परिणामों के आधार पर समय-समय पर इसका पुनर्मूल्यांकन किया जाए, यह जांचा जाए कि क्या उच्च स्कोर अभी भी बिक्री में वृद्धि का अनुमान लगाते हैं और क्या बिक्री के लिए प्राथमिकता उपयोगी साबित हो रही है। जब परिणाम भिन्न हों तो मॉडल को समायोजित या पुनर्निर्मित किया जाना चाहिए।

नकारात्मक स्कोरिंग पर भी उतना ही ध्यान देना चाहिए जितना सकारात्मक स्कोरिंग पर, और अक्सर इसे पूरी तरह से अनदेखा कर दिया जाता है। ऐसे संकेत जो यह दर्शाते हैं कि कोई संभावित ग्राहक नहीं है, जैसे कि प्रतिस्पर्धी डोमेन, छात्र और नौकरी चाहने वालों के पैटर्न, वे भौगोलिक क्षेत्र जहां व्यवसाय सेवाएं नहीं देता, लक्षित सीमा से बाहर की कंपनियों का आकार, और स्वचालित स्कैनिंग के विशिष्ट सहभागिता पैटर्न, सकारात्मक संकेतकों जितने ही जानकारीपूर्ण होते हैं और उन पर अमल करना काफी सस्ता होता है। इन्हें लागू करने से बिक्री प्रक्रिया में अनावश्यक जानकारी हट जाती है, जिससे टीम की दक्षता और मार्केटिंग के परिणामों की गुणवत्ता दोनों में सुधार होता है। इनके बिना, सहभागिता को पुरस्कृत करने वाला स्कोरिंग मॉडल सबसे सक्रिय गैर-खरीदारों को ही सूची में सबसे ऊपर पहुंचा देगा।

आमतौर पर सफलता मॉडल से कहीं अधिक संगठनात्मक आयाम पर निर्भर करती है। स्कोरिंग तभी कारगर होती है जब मार्केटिंग और सेल्स इस बात पर सहमत हों कि लीड को योग्य क्या माना जाए, सेल्स को स्कोर पर इतना भरोसा हो कि वे उन्हें क्रम में लागू कर सकें, और लीड की गुणवत्ता के बारे में फीडबैक केवल शिकायत के रूप में व्यक्त होने के बजाय मार्केटिंग तक पहुंचे। इन परिभाषाओं और फीडबैक लूप को स्थापित करना आमतौर पर एक प्रक्रिया का हिस्सा होता है। विकास प्रबंधन सहभागिता, मॉडल के निर्माण और सत्यापन के साथ डेटा विश्लेषण वास्तविक रूपांतरण परिणामों के आधार पर, न कि उन धारणाओं के आधार पर जो यह दर्शाती हैं कि कौन से व्यवहार इरादे को इंगित करते हैं।