Thể hiện hiệu quả ưu tiên trong bán hàng | của Gonzalo Espinosa Duelo | Tháng 6, 2024

Sức mạnh của máy học trong việc ưu tiên liên hệ

Hãy tưởng tượng hai công ty trong bối cảnh B2B/B2C là đối thủ cạnh tranh trực tiếp và có cùng quy mô. Cả hai công ty đều có đội ngũ bán hàng riêng lặp lại quy trình bán hàng hàng ngày cho khách hàng tiềm năng nhưng họ sử dụng chiến lược bán hàng hoàn toàn khác.

Quy trình của họ như sau:

1. Tại Công ty Ađội ngũ bán hàng bắt đầu buổi sáng của họ bằng cách gọi điện cho những khách hàng tiềm năng gần đây nhất và thuyết phục rằng những địa chỉ liên lạc mới là sự đặt cược tốt nhất của họ.
2. Tại Công ty B, khung cảnh hoàn toàn khác. Nhóm này bắt đầu ngày mới với những hiểu biết dựa trên dữ liệu. Họ đã đầu tư vào một Chấm điểm khách hàng tiềm năng dự đoán hệ thống ưu tiên phân tích nhiều yếu tố khác nhau — từ hồ sơ người dùng đến lịch sử tương tác.

Bạn nghĩ sao? Trong số chúng, cái nào sẽ hiệu quả hơn trong việc ưu tiên khách hàng tiềm năng?

Sau nhiều năm làm việc về việc triển khai các thuật toán ưu tiên, tôi đã so sánh hàng chục hệ thống khác nhau trong nhiều lĩnh vực.

Trong bối cảnh bán hàng ngày nay, các công ty dành nhiều nguồn lực cho SDR hoặc đại lý bán hàng để tiếp cận ban đầu và đánh giá khách hàng tiềm năng. Họ thường thiếu các phương pháp chính xác để xác định khách hàng tiềm năng triển vọng nhất và chỉ làm việc với tất cả họ mà không có bất kỳ ưu tiên nào.

Hầu hết các đại lý đều ưu tiên khách hàng tiềm năng dựa trên ý kiến ​​riêng của họ tiêu chuẩn của con ngườithường bị thiên vị bởi quan điểm cá nhân và không được xác thực. Ngược lại, trong số ít những người thực hiện các phương pháp ưu tiên, chiến lược chủ yếu dựa trên tiêu chí ‘tiếp xúc mới’vẫn còn rất thô sơ.

Sự thật này khiến tôi vô cùng kinh ngạc vào giữa kỷ nguyên AI, nhưng thật đáng buồn, nó vẫn đang xảy ra.

Rút ra từ những hiểu biết thực tế với tư cách là Nhà khoa học dữ liệu chính trong việc phát triển hệ thống Chấm điểm khách hàng tiềm năng dự đoán trên các lĩnh vực khác nhau, tôi có thể nói rằng các công ty áp dụng các công nghệ này giảm chi phí hoạt động bằng cách giảm thiểu công việc đối với những khách hàng tiềm năng kém chất lượngdo đó cải thiện đáng kể ROI của họ.

Hơn nữa, bằng cách cải thiện hiệu quả và hiệu suất trong quản lý khách hàng tiềm năng, họ trở thành chính xác hơn về việc xác định khung thời gian của khách hàng tiềm năng để đưa ra quyết định và thúc đẩy tăng trưởng doanh thu cao hơn.

Tôi nhận thấy rằng các công ty áp dụng chính xác tính năng Ghi điểm khách hàng tiềm năng dự đoán đã thấy tỷ lệ chuyển đổi tăng hơn 12%có trường hợp đạt trên 300%.

Để giải quyết nhu cầu quan trọng này, bài viết này thảo luận về lợi ích của việc tận dụng tính năng Ghi điểm khách hàng tiềm năng dự đoán mô hình như một hệ thống ưu tiên so với các chiến lược truyền thống, cũng như các hành động hiệu quả nhất để tối đa hóa chuyển đổi bằng các phương pháp này.

Như mọi khi, tôi sẽ hỗ trợ tuyên bố của mình bằng dữ liệu thực tế.

Biểu đồ sau đây cho thấy sự so sánh về mức tăng chuyển đổi trong một công ty chỉ sử dụng chiến lược “Mới nhất” so với chiến lược ưu tiên “Chấm điểm khách hàng tiềm năng theo dự đoán”.

Phân tích được thực hiện với một trường hợp kinh doanh thực tế, bao gồm 67 nghìn liên hệ (trong đó 1500 chuyển đổi thành khách hàng) từ một công ty B2C.

Mức tăng được thể hiện bằng cách khám phá chuyển đổi đạt được cho một tỷ lệ phần trăm khách hàng tiềm năng cụ thể đã hoạt động, được sắp xếp theo tiêu chí ưu tiên.

Đối với các phương pháp được trình bày ở trên, hiệu suất của chúng như sau:

Đường màu đen thể hiện mức độ ưu tiên ngẫu nhiên, mang lại 50% chuyển đổi cho 50% khách hàng tiềm năng đã hoạt động.

Chiến lược “mới nhất” mang lại hiệu suất tốt hơn một chút so với thực hiện ngẫu nhiên, mang lại 58% chuyển đổi cho 50% khách hàng tiềm năng được xử lý.

Ngược lại, phương pháp Machine Studying đạt được 92% chuyển đổi ấn tượng với chỉ 50% khách hàng tiềm năng được xử lý.

Trong khi phương pháp “mới nhất” mang lại hiệu suất ngẫu nhiên tương tự, thì Ghi điểm khách hàng tiềm năng dự đoán cho thấy mức độ ưu tiên tốt hơn nhiều.

Lưu ý rằng Predictive Lead Scoring đã đạt được hiệu ứng Pareto ấn tượng khi đạt được 81% lượt chuyển đổi với chỉ 30% lượng khách hàng tiềm năng được xử lý.

Đến thời điểm này, nó đã được chứng minh rằng Công ty B sẽ mang lại kết quả tốt hơn so với Công ty A.

Công ty A giả định rằng những khách hàng tiềm năng được quan tâm gần đây là những khách hàng tiềm năng có hiệu suất tốt nhất. Họ tin rằng sự quan tâm gần đây cho thấy họ hiện đang cân nhắc mua hàng. Tuy nhiên, điều này có thể không phải là trường hợp.

MỘT khách hàng tiềm năng gần đây có thể tò mò, nhưng chưa chắc đã sẵn sàng mua hàng.

Một số khách hàng tiềm năng có thể điền vào biểu mẫu hoặc đăng ký vì hứng thú thông thường, không có ý định mua thực sự. Ngược lại, những người khác có thể không liên hệ gần đây có thể có nhu cầu liên tục mạnh mẽ hơn đối với sản phẩm hoặc dịch vụ.

Công ty B xem xét các yếu tố có liên quan bổ sung, như hồ sơ người dùng, tương tác trước đây, tín hiệu mua hàng và chỉ số hành vitất cả được tích hợp trong một công cụ.

Công cụ chấm điểm khách hàng tiềm năng dự đoán của họ cũng kiểm tra mức độ gần đây của khách hàng tiềm năng, nhưng thay vì chỉ dựa vào yếu tố này, nó được xem như một tín hiệu bổ sung có thể có liên quan đáng kể hoặc nhiều hơn tùy thuộc vào hồ sơ khách hàng tiềm năng.

Phương pháp tiếp cận dựa trên dữ liệu này cho phép họ ưu tiên những khách hàng tiềm năng có tiềm năng chuyển đổi cao nhất, thay vì chỉ những khách hàng mới nhất.

Bằng cách tận dụng tính năng chấm điểm khách hàng tiềm năng theo dự đoán, họ có thể xác định và tập trung vào khách hàng tiềm năng có nhiều khả năng chuyển đổi hơndo đó tối đa hóa hiệu quả bán hàng và tỷ lệ chuyển đổi tổng thể.

Tóm lại, trong khi Công ty A giả định rằng lần truy cập gần đây là đặc điểm duy nhất tương đương với sự quan tâm thì cách tiếp cận dựa trên dữ liệu của Công ty B đã đưa ra một chiến lược tinh tế và hiệu quả hơn để ưu tiên và chuyển đổi khách hàng tiềm năng.