Eines der ersten Beispiele für Automatisierung beim Lead-Scoring und den Einsatz von maschinellem Lernen wurde ebenfalls in derselben Finanzbranche von GE Capital eingeführt. Allerdings begannen auch die großen CRM-Anbieter als primäre Lead-Administration-Systeme zu funktionieren. Beispielsweise begann Salesforce, sein regressionsbasiertes Lead-Scoring-System als KI-basiertes Lead-Scoring zu vermarkten. Und schnell begannen alle anderen, maschinelles Lernen als die versprochene günstigste Lösung für das Lead-Scoring zu betrachten, da es die manuellen menschlichen Berechnungsaspekte eliminiert und sie durch repetitive Computerprogramme ersetzt. Maschinelles Lernen kann genutzt werden, um Leads automatisierter und datengesteuerter zu bewerten.
Zwei der Vorteile des Einsatzes von maschinellem Lernen beim Lead-Scoring sind die Tatsache, dass maschinelles Lernen versteckte komplexe Saisonalitätsfaktoren in den Daten finden kann. Wenn beispielsweise die Kundenbindung zwei nicht identische harmonische Faktoren aufweist, die eine komplexe Reaktion aus steigenden und sinkenden Umsätzen erzeugen, kann dies in vielen modernen Klassifikatoren erkannt werden.
Das andere Schöne am Einsatz von maschinellem Lernen ist seine Fähigkeit, nichtlineare Korrelationen zwischen Entscheidungsfaktoren zu erfassen, die mit manuellen Methoden, außer bei komplexen statistischen Operationen, nicht entdeckt werden.
Um maschinelles Lernen auf Ihr Lead-Scoring-Drawback anzuwenden, müssen Sie die folgenden Schritte ausführen:
- Datenanalyse und Function Engineering: Algorithmen für maschinelles Lernen können große Datenmengen analysieren, um Muster und Beziehungen zwischen Lead-Attributen und Conversion-Ergebnissen zu identifizieren. Durch die Analyse historischer Lead-Daten und Kundenkonvertierungsdaten mithilfe von Algorithmen für maschinelles Lernen können Sie die Korrelation zwischen Ihren Funktionen und dem gewünschten Ergebnis einer Lead-Konvertierung ermitteln. Dies trägt dazu bei, die Anzahl der Options zu minimieren, die Sie Ihrem Modell zuführen möchten, und deckt manchmal wichtige Options für die Saisonalität auf.
- Erstellen und Trainieren des Modells: Sobald die relevanten Merkmale identifiziert sind, können wir einen Algorithmus wie logistische Regression, Entscheidungsbäume, Zufallswälder, Gradient Boosting, SVMs oder sogar neuronale Netze auswählen, um das Modell zu erstellen. Anschließend können wir das Modell anhand historischer Daten trainieren und testen.
- Vorhersage ist Bewertung: Mithilfe unseres trainierten Modells können wir die Wahrscheinlichkeit vorhersagen, dass ein Lead konvertiert wird. Diese Wahrscheinlichkeit kann direkt als Bewertung verwendet oder auf andere Transformationen basierend auf unserem Bewertungsschema angewendet werden, um die endgültige Bewertung zu generieren.
- Kontinuierliches Lernen: Dies ist ein wichtiger Schritt. Die Leistung des Modells, das Sie anhand historischer Daten trainiert haben, kann sich schnell verschlechtern, wenn Ihre historischen Daten prähistorischen Charakter haben. Unsere Kunden, Marktbedingungen und alle Funktionen, die das Modell bilden, ändern sich ständig. Wir müssen unsere Modelle ständig überwachen und sicherstellen, dass sie von Zeit zu Zeit umgeschult werden, sobald neue Lead-Turnarounds verfügbar werden.
Sehen wir uns einige veröffentlichte Forschungsergebnisse zu realen Beispielen für maschinelles Lernen im Lead Scoring an.
Unternehmen können den Prozess automatisieren, indem sie maschinelles Lernen für die Lead-Bewertung nutzen, die Genauigkeit verbessern und ihre Lead-Administration-Bemühungen skalieren. Es ermöglicht eine effizientere Zuweisung von Vertriebs- und Marketingressourcen, identifiziert hochwertige Leads und erhöht die Gesamteffektivität von Lead-Nurturing- und Conversion-Strategien.
Wie ich bereits erwähnt habe, conflict GE einer der Pioniere beim Einsatz von maschinellem Lernen für das Lead-Administration und die Lead-Generierung. Und der „Wenn-Dann“-Charakter von Entscheidungsbäumen lässt sich direkt auf frühe binäre Merkmale übertragen, die früher für die Lead-Bewertung verwendet wurden. Wenn der Kunde beispielsweise mehr als eine E-Mail gesendet hat, erhöht sich die Bewertung um x. Daher könnte es naheliegend sein, die Entscheidungsbäume als frühe Treiber der Lead-Bewertung zu betrachten.
In ihrer Arbeit aus dem Jahr 2013 schlagen Aggour und Hoogs ein erfolgreiches Beispiel für die Verwendung eines entscheidungsbaumbasierten Modells bei der Lead-Bewertung vor. Sie beschreiben die Implementierung eines Methods namens Lead Triggers, das die Erfassung und Analyse von GE-Unternehmensinformationen automatisiert, um umsetzbare Vertriebskontakte für Vertriebsmitarbeiter zu identifizieren. Dabei wird ein Zwei-Klassen-Entscheidungsbaum verwendet, um die Kombinationen von Finanzkennzahlen und positiv dargestellten Werten im Zeitverlauf zu erkennen verpackt und in negativen Fällen nicht angezeigt. Das System besteht aus drei Kernkomponenten: Informationsfusion, Wissensentdeckung und Informationsvisualisierung. Es extrahiert Daten aus verschiedenen Quellen, fusioniert sie zu aussagekräftigen Informationen und ermittelt diese Informationen anhand von Experten definierter und statistisch abgeleiteter Auslöser für Vertriebskontakte. Das System verfügt über eine webbasierte Schnittstelle, die Vertriebsmitarbeitern an einem Ort Zugriff auf Unternehmensinformationen und Leads bietet. Der Einsatz von Lead Triggers hat die Leistung der Vertriebsmitarbeiter erheblich verbessert und ihre Produktivität um 30–50 % gesteigert. Allein im Jahr 2010 lieferte Lead Triggers Leads zu Chancen im Wert von über 44 Milliarden US-Greenback an Neugeschäftszusagen für GE Capital Americas. Das System hat die Artwork und Weise, wie Vertriebsmitarbeiter Informationen sammeln, verändert, ihre Produktivität verbessert und für Konsistenz und Effektivität im gesamten Vertriebsteam gesorgt.
Eine der am häufigsten verwendeten Methoden beim Lead-Scoring ist der Random Forest. Da Entscheidungsbäume nichtlineare Beziehungen erfassen können, können die aus vielen Entscheidungsbäumen bestehenden Wälder diese auf die nächste Ebene bringen. In einer im Jahr 2020 veröffentlichten Studie schlagen Başarslan und Argun ein Schema zur Kundenakquise im Bankensektor vor, das auf Lead-Scoring basiert. Die Autoren vergleichen Modelle mit mehreren Klassifizierungsalgorithmen, um potenzielle Bankkunden auf der Grundlage eines durch Telemarketing gewonnenen Datensatzes abzuschätzen. Zur Erstellung dieser Modelle werden verschiedene Klassifizierungsalgorithmen wie Entscheidungsbaum, Naive Bayes, Okay-nächste Nachbarn, Logistische Regression, Random Forest und Adaptive Boosting verwendet. Der Datensatz wird mithilfe von Okay-fach-Kreuzvalidierungs- und Holdout-Methoden in Trainings- und Testsätze unterteilt, um eine konsistente Modellleistung sicherzustellen. Zur Bewertung der Modellleistung werden Bewertungsmetriken wie Genauigkeit, Präzision, Empfindlichkeit und F-Maß verwendet. Die Ergebnisse zeigen, dass der Random Forest-Algorithmus bei Genauigkeit und F-Maß am besten abschneidet, Naive Bayes bei Präzision herausragt und der AdaBoostM1-Algorithmus bei Empfindlichkeit intestine abschneidet.
Heutzutage kann eine solch umfassende Analyse und ein solch umfassender Modellvergleich ganz einfach mithilfe von AutoML-Frameworks durchgeführt werden, die sich mehr auf Geschäftsanforderungen als auf die Modellauswahl konzentrieren.
Eine weitere Familie von Ansätzen, die bei der Berechnung eines „Scores“ natürlich erscheinen, sind regressionsbasierte Methoden. Und hier reden wir kategorisch, additionally wird die logistische Regression unsere nächste Methode sein.
D’Haen und Van den Poel schlugen eine Lead-Scoring-Methode namens „B2B-Prospect-Prediction“ vor, um Vertriebsmitarbeiter bei der Kundenakquise in einer B2B-Umgebung zu unterstützen. Der vorgeschlagene Rahmen besteht aus drei Phasen. In Section 1 werden Vorhersagen mithilfe der Nearest-Neighbor-Methode basierend auf Informationen der aktuellen Kunden erstellt. Section 2 bezieht Informationen über Unternehmen ein, die keine Kunden geworden sind, und nutzt logistische Regression, Entscheidungsbäume und neuronale Netze, um das Modell zu optimieren. In Section 3 werden die Ergebnisse aus Section 1 und 2 zu einer gewichteten Interessentenliste zusammengefasst. Die Schlussfolgerungen der Studie unterstreichen die Fähigkeit des Algorithmus, den Kundengewinnungsprozess in einer B2B-Umgebung zu optimieren. Das Ergebnis ist eine Rangliste potenzieller Interessenten, die es Vertriebsmitarbeitern ermöglicht, sich auf höherwertige Leads zu konzentrieren, die mit größerer Wahrscheinlichkeit in Kunden umgewandelt werden. Die Autoren schlagen vor, dass das Device verwendet werden könnte, um mit Datenanbietern zu verhandeln, um selektiv potenzielle Kunden zu kaufen. Darüber hinaus verdeutlicht die in der Studie vorgestellte iterative Betrachtung des Kundengewinnungsprozesses den Bedarf an Dokumentation und Analyse, um Kundengewinnungsstrategien kontinuierlich zu verbessern.
Sprechen Sie über die Klassifizierung des maschinellen Lernens und erwähnen SVMs nicht?
Im Jahr 2019 veröffentlichten Eitle und Buxmann eine Übersicht, in der Lead-Scoring-Implementierungen mit Help Vector Machine, CatBoost, Random Forest, XGBoost und Resolution Bushes verglichen wurden. In diesem Forschungsbericht wird ein Modell vorgestellt, das Vertriebsmitarbeiter in der Softwarebranche bei der Verwaltung ihrer komplexen Vertriebspipelines unterstützen soll. Durch die Einbindung von maschinellem Lernen und Enterprise Analytics in das Lead- und Alternative-Administration reduziert das Modell Willkür und bietet datengesteuerte Qualifizierungsunterstützung. Die Studie entwickelt drei Modelle, die anhand realer Daten aus dem CRM eines Unternehmens trainiert und getestet werden. Den Ergebnissen dieser Arbeit zufolge übertreffen die Algorithmen CatBoost und Random Forest andere überwachte Klassifikatoren wie SVM, XGBoost und Resolution Tree. Die Studie zeigt auch die Herausforderungen bei der Vorhersage von Vertriebsergebnissen in der frühen Lead-Section im Vergleich zur getrennten Analyse der Lead- und Alternative-Phasen auf. Darüber hinaus stellt das Papier eine Erklärungsfunktionalität vor, um den Entscheidungsprozess für einzelne Vorhersagen zu erläutern.
Nachdem wir eine Gruppe von überwachtem Lernen erwähnt haben, können wir auch die Verwendung von unüberwachtem Lernen für die Lead-Bewertung erwähnen. Dies bringt uns zu einer Umfrage, die Anfang Februar 2023 von Wu et al. veröffentlicht wurde. In diesem Artikel wird die Bedeutung der Lead-Bewertung im Lead-Administration erörtert und das Fehlen eines umfassenden Literaturrecherche- und Klassifizierungsrahmens zu diesem Thema erwähnt.
Das Papier kategorisiert Lead-Scoring-Modelle in traditionelle und prädiktive Ansätze, wobei letztere Techniken des Information Mining und des maschinellen Lernens nutzen. Die Studie führt eine systematische Literaturrecherche durch und analysiert 44 relevante Studien, um Metriken zur Messung der Auswirkungen von Lead-Scoring-Modellen auf die Vertriebsleistung zu ermitteln. Darüber hinaus identifiziert die Studie mehrere Herausforderungen bei der Implementierung von Lead-Scoring-Modellen, darunter den zeitaufwändigen Charakter der manuellen Bewertung, die begrenzte Wirksamkeit vereinfachter Modelle, den Widerstand gegen Änderungen und die Abhängigkeit von minderwertigen oder veralteten Daten.
Um diese Herausforderungen zu meistern, empfiehlt die Studie den Einsatz KI-basierter Lead-Scoring-Modelle, den Einsatz ausgefeilterer Modelle, die sowohl Verkäufer- als auch Käuferperspektiven berücksichtigen, die Erstellung dynamischer/flexibler Scoring-Modelle und die Nutzung branchenspezifischer und aktueller Datenquellen. Der Artikel schließt mit der Betonung der Bedeutung der Lead-Bewertung für die Verbesserung der Inside-Gross sales-Leistung und der Notwendigkeit fortschrittlicherer und anpassungsfähigerer Modelle. Es unterstreicht das wachsende Interesse an prädiktiven Lead-Scoring-Modellen, das durch Fortschritte bei den Rechenkapazitäten, die Verfügbarkeit großer Verkaufsdatensätze und die Einführung des Fernverkaufs bedingt ist.
Zusammenfassung der in Tabelle 5 dargestellten prädiktiven Lead-Scoring-Modelle:
Dieses letzte Papier ist ein hervorragendes Beispiel für die Tiefe der Algorithmen für maschinelles Lernen, die bei der Lead-Bewertung verwendet werden. Abhängig von der Größe Ihrer Testdaten und der Anzahl der ausgewählten Funktionen können Sie quick jeden Klassifizierungsalgorithmus verwenden, sogar Deep Studying, wenn Sie über genügend Testdaten verfügen.
Zusammenfassend lässt sich sagen, dass das Lead-Scoring ein wichtiger Prozess im Vertrieb und Advertising and marketing ist, der Leads anhand ihrer Wahrscheinlichkeit, in Kunden umgewandelt zu werden, priorisiert. Traditionelle Methoden der Lead-Bewertung umfassten manuelle Berechnungen und Versuch-und-Irrtum-Ansätze, doch mit dem Aufkommen des maschinellen Lernens hat die Automatisierung immer mehr an Bedeutung gewonnen. Algorithmen für maschinelles Lernen analysieren Daten, identifizieren Muster und erstellen Modelle, um die Wahrscheinlichkeit einer Lead-Konvertierung vorherzusagen. Maschinelles Lernen bietet Möglichkeiten, verborgene Muster und nichtlineare Zusammenhänge aufzudecken und so das Lead-Scoring effektiver und datengesteuerter zu gestalten. Techniken wie Entscheidungsbäume, Random Forests, logistische Regression, Boosting und Help-Vektor-Maschinen werden häufig für die Lead-Bewertung eingesetzt. Kontinuierliches Lernen und Überwachen von Modellen sind unerlässlich, um die Genauigkeit aufrechtzuerhalten und sich an sich ändernde Kunden- und Marktdynamiken anzupassen.
Wie wir besprochen haben, können Unternehmen durch den Einsatz von maschinellem Lernen für die Lead-Bewertung Prozesse automatisieren, die Genauigkeit verbessern, Ressourcen effizient zuweisen und Strategien zur Lead-Pflege und -Konvertierung verbessern. Für zukünftige Fortschritte im Lead-Scoring werden die Einführung KI-basierter Lead-Scoring-Modelle, die Verwendung ausgefeilter und adaptiver Modelle sowie die Integration branchenspezifischer und aktueller Datenquellen empfohlen.
Vielen Dank, dass Sie sich die Zeit genommen haben, diesen Artikel zu lesen. Ich würde mich sehr freuen, von Ihnen zu hören.
