线索打分101:如何使用互动数据来给线索打分
当大多数人开始实施集客营销时，他们主要担心的是能否在销售漏斗中获得足够多的新线索。但是一旦你有了大量的线索，你就需要弄清楚谁对你的产品真正感兴趣，谁才刚刚开始关注你的产品。这就是线索打分的来源。
什么是线索打分?
线索打分是为您业务产生的每个线索分配价值的过程，通常以数字的形式呈现。你可以根据多种属性给你的线索打分，包括他们提交给你的属性信息，以及他们如何在互联网上与你的网站和品牌互动。这个过程可以帮助销售和营销团队区分潜在客户的优先级，对他们做出适当的响应，并提高这些潜在客户成为客户的速度。
每个公司都有不同的模型来给他们的线索打分，但是最常见的方法之一是使用过去线索积累的数据来创建价值系统。
如何实施呢?首先，您将查看成为客户的联系人，看看他们有什么共同点。接下来，您将查看未成为客户的联系人的属性。一旦您查看了来自双方的历史数据，您就可以根据适合你产品的某类人的特征来决定哪些属性应该得到重视。
用一个可量化的数据模型将你的销售和市场目标协调一致
打分听起来很容易，对吧?根据您的业务模型和数据库中的线索属性，这很快就会变得复杂起来。为了让这个过程对你来说更容易一些，你可以先创建一个线索打分的基础，包括你应该看什么数据，如何找到最重要的属性，以及实际计算一个基本分数的过程。
线索打分模型
线索打分模型确保您为每个线索分配的值反映了它们与您的产品的实际匹配度。许多线索分数是基于0到100的分数范围，但是您创建的每个线索分数模型都将支持您的核心客户的特定属性。
以下是六种不同的线索打分模型，基于你可以从与你业务相关的人那里收集到的数据类型:
1.人口统计信息
你是否只向特定人群销售产品，比如孩子的父母?在登陆页的表格中询问人口统计方面的问题，你可以根据他们的回答来了解他们在多大程度上适合你的产品。
利用这些信息可以做的一件事是，通过减少那些不属于你销售对象的人的分数，从销售团队的队列中删除异常值。例如，如果您只销售到特定的地理位置，那么您可能会给落在适当的城市、州、邮政编码、国家等范围之外的任何线索一个负数的打分。
如果您的一些表单字段是可选的(例如，电话号码)，那么您也可以向提供该选项信息的线索打额外的正分。
2.公司信息
如果你是B2B公司，你是否更有兴趣向一定规模、类型或行业的公司销售产品?你对B2B公司还是B2C公司更感兴趣?你也可以在你的登陆页表格中问类似的问题，这样你就可以给那些符合你目标受众的线索加分，也可以给那些根本不是你想要的线索扣分。
3.线上行为
一个线索如何与你的网站互动可以告诉你很多关于他们对你的产品有多感兴趣。看看最终成为付费客户的潜在客户:他们下载了哪些产品DEMO?他们下载了多少分享?在成为付费客户之前，他们访问了您的站点的哪些页面(以及多少页面)?
表单和页面的数量和类型都很重要。对于访问过高价值页面(如报价页面)或填写过高价值表单(如产品演示请求)的客户，您可能会给予较高的分数。同样地，你可能会给那些在你的网站上有30个页面浏览量的线索更高的分数，而不是给浏览3个页面那些。
那些随着时间改变了他们行为的线索呢?如果一个潜在客户不再访问你的网站或下载你的产品，他们可能就不再感兴趣了。你可能会从那些在一段时间后不再关注你的网站的人那里扣分。那么一段时间是多久呢？——10天，30天，90天——取决于你的销售周期特征。
4.电子邮件互动
如果有人选择从你的公司接收电子邮件，你不确定这个人对你产品有多感兴趣。另一方面，打开率和点击率会让你更好地了解他们的兴趣水平。你的销售团队会想知道是谁打开了你的每封邮件，或者是谁总是点击你的促销邮件。这样，他们就可以专注于那些看起来最投入的人。你也可以给那些点击了高价值邮件的人一个更高的分数，比如产品演示邮件。
5.社交媒体互动
你的品牌在社交网络上有多受关注，也能让你知道他们有多感兴趣。他们在你公司的微信官方账号点击了多少次?他们转发或分享了多少次你的帖子?如果你的目客户家在社交网络上很活跃，那么你可以考虑给这些潜在客户特定的分数。
6.无效线索检测
最后但并非不重要的是，您可能想要给那些可能填入过多无效信息的线索负分数。例如，名字、姓氏和/或公司名称是否填写完整?线索是否填写完成了基础信息?
您可能还需要考虑与您的付费客户群的电子邮件地址相比，潜在客户使用的是哪种类型的电子邮件地址更要给较高的分数。例如，如果你在向企业销售产品，你可能会给使用QQ电子邮件地址的线索较低的分数。
你怎么知道什么是最重要的?
有很多数据需要筛选——您如何知道哪些数据最重要?你应该从你的销售团队那里得到答案吗?你应该采访你的客户吗?你应该深入分析并运行一些报告吗?
实际上，我们建议三种方法都结合使用。你的销售团队，你的客户，你的分析报告都将帮助你拼凑出什么内容是最有价值的转换成客户的线索，这将帮助你给现在某些优惠，打开某些电子邮件等互动一个更准确的分值。
和你的销售团队谈谈。
销售代表是那些在第一线的人，他们直接与成为客户或没有成为客户的线索进行沟通。他们往往很清楚哪些营销材料有助于促进转化率。
你的销售代表喜欢发送哪些博客文章和优惠信息?你可能会发现他们中的一些人会告诉你，“每次我向人们提供这一优惠，就更容易成交。”这是有价值的信息。找出那些优惠信息是什么，并相应地给这些互动分配分数。
与你的客户交流。
虽然您的销售团队可能声称某些内容有助于转化，但是您可能会发现实际经历过销售过程的人有不同的观点。没关系:你想听到双方的观点。进行一些客户访谈，了解他们认为是什么促使他们决定从你这里购买的。确保你采访的客户既有短期的销售周期，也有长期的销售周期，这样你才能获得不同的视角。
立足分析。
你也应该用来自你的市场分析的硬数据来补充所有这些面对面的研究。
运用归因分析，以找出哪些营销努力导致转化。不要只关注转化为付费客户的内容——人们在成为付费客户之前看到的内容又如何呢?你可能会给那些下载内容的人一定数量的分数，而那些下载内容的人在历史上是如何转化为线索的，你可能会给那些下载内容的人更多的积分。
另一种帮助您产出有价值的内容的方法是运行一个联系人报告。联系人报告将显示有多少联系人——以及有多少收入——是由某些特定的营销活动产生的。营销活动可能包括某些优惠下载、电子邮件营销活动的点击，等等。注意哪些活动是第一次接触转换、哪些是最后一次接触转换等等，并相应地分配分数。
给线索只是打分就够了吗?
如果你现在有一个核心客户群，一个分数就足够了。但随着公司规模的扩大，你会把产品卖给新的受众。您可能会扩展到新的产品线、新的区域或新的客户画像。您甚至可能更关注于对现有客户的追加销售和交叉销售，而不是追求新的客户。如果你的联系人不是“一刀切”，你的评分系统也不应该是“一刀切”。
使用一些营销平台，您可以创建多个线索打分系统，使您能够灵活地以不同的方式限定不同的联系人集。不知道如何设置一个以上的分数?这里有一些例子可以给到你:
适合与兴趣
比方说，你的销售团队想要评估客户是否适合。联系人在适合的地域吗?适合的行业吗?合适的客户画像?你还确定联系人的兴趣水平(例如:他们对你的在线内容有多投入?)。如果这两个属性都是优先级，那么您可以创建一个适合度打分和一个兴趣度打分，这样您就可以优先考虑那些在这两个类别中分值都很高的联系人了。
多个客户画像
假设你是一家软件公司，通过不同的销售团队向不同类型的客户群销售两种不同类型的软件。您可以创建两个不同的线索分数——一个针对买家的适合度，另一个针对他们对每种工具的兴趣。你会用这些不同的分数来引导这些线索被分配到正确的销售团队。
新业务vs.追加销售
随着你的成长，你可能会开始关注新业务的追加销售或交叉销售。但请记住，新客户和现有客户的打分信号往往看起来完全不同。
对于潜在客户，您可能会查看人口统计数据和网站参与度，而对于现有客户，您可能会查看他们已经提交了多少客户支持申请，他们对于上手培训的参与度，以及他们目前对您的产品有多活跃。如果针对不同类型的销售，这些购买信号看起来不同，那么可以考虑创建多个线索分数。
如何计算基本的线索分数
有许多不同的方法来计算线索分数。最简单的方法是:
手动打分
1.计算所有线索的线索到潜在客户转化率。
你的潜在客户转化率等于你获得的新意向客户数量，除以你产生的潜在客户数量。使用这个转化率作为基准。
2.挑选那些你认为质量更高的客户。
属性可以是某个时候客户请求免费试用，也可以是客户所在的行业，或者是客户的公司规模。
选择模型中包含哪些属性是一种艺术。您将根据与销售团队、数据分析等等方式来选择属性——但总的来说，这是一个判断。你可以让5个不同的人做同样的练习，他们可以想出5个不同的模型。但是只要你的分数是基于我们之前提到的数据，那就没有关系。
3.计算每个属性的单独销售完成率。
研究一个人在你的网站上采取的每一种行动的销售完成率——或者采取行动的人的类型——是很重要的，因为它决定了你将采取的营销行动。
因此，根据他们采取的行动或他们与你的核心客户的关系，计算出有多少人成为合格的线索(甚至最终成为客户)。在下面的步骤中，您将使用这些销售完成率来实际“评分”它们。
4.将每个属性的销售完成率与您的总体销售完成率进行比较，并相应地分配分数。
查找完成率明显高于总体完成率的属性。然后，选择要为哪些属性赋值，如果选择完毕，则赋值多少点。将每个属性的点值建立在它们各自销售完成率的大小上。
实际的点值可能有点随意，但要尽量保持严谨。例如，如果您的总体销售完成率是1%，而进行了“请求演示”互动的线索销售完成率是20%，那么“请求演示”属性的完成率是您的总体完成率的20倍——因此，例如，您可以给“请求演示”这个属性20分。
线性回归线索打分
上面这个计算领先分数的简单方法是一个很好的开始。然而，数学上最合理的方法是使用数据挖掘技术，如线性回归。
数据挖掘技术更复杂，因此通常更直观地反映实际销售完成率。线性回归涉及到在Excel中建立一个公式，它可以计算出一个潜在客户接近客户的概率。它比我们上面概述的技术更准确，因为它是一种全面的方法，考虑了所有客户属性(如行业、公司规模以及是否有人要求试用)如何相互作用。
预测线索得分
创建一个线索分数可以为您的业务做很多事情:改进互动过程，提高线索转化率，提高销售代表生产力，等等。但是，正如您可以从上面的两个方法中看到的那样，在手工完成时，创建一个评分系统可能是一项非常耗时的任务。
另外，提出评分标准并不是“设置它然后忘记它”。当你从你的团队得到反馈，并对你的分数进行压力测试时，你需要定期调整你的线索打分系统，以确保它保持准确。如果技术能够让你的团队有更多的时间来建立与客户的关系，而不需要手动设置和不断调整，不是会更容易吗?
这就是预测得分的用武之地。预测得分使用机器学习来分析成千上万的数据点，以确定你的最佳线索，所以你不必手动操作。预测得分着眼于你的付费客户有哪些共同的信息，以及那些与你的潜在客户有哪些共同的信息，然后得出一个公式，根据潜在客户的重要性对你的联系人进行排序。这允许你和你的销售团队优先考虑潜在客户，这样你就不会骚扰那些(还)不感兴趣的客户，也不会过于频繁吸引已经已经那些感兴趣的客户。
预测得分最好的地方是什么?与任何机器学习的应用一样，随着时间的推移，你的预测分数会变得更聪明，所以你的线索跟进策略会自我优化。
