Ngày nay, các công ty hiện đại thành công đang đầu tư rất nhiều vào việc tìm hiểu khách hàng, sản phẩm và dịch vụ của họ bằng cách phân tích các mô hình dữ liệu và insights. Vậy Lead scoring là gì? Tại sao điều đó lại quan trọng đối với sự thành công của các chiến lược mua và bán hàng của một công ty? Làm thế nào bạn có thể xây dựng một mô hình đánh giá khách hàng tiềm năng để tối ưu hóa khối lượng khách hàng và khách hàng tiềm năng ở mỗi giai đoạn trong hành trình của khách hàng (Customer journey)? Làm cách nào để nhóm tiếp thị và bán hàng có thể theo dõi hiệu quả điểm số khách hàng này cũng như theo dõi chất lượng và hiệu suất khách hàng tiềm năng theo thời gian?

Mình sẽ đưa ra các khái niệm cơ bản về dự đoán Lead Scoring và các giá trị kinh tế trong hoạt động tiếp thị và bán hàng. Sau đó, mình sẽ giải thích cách mà bạn có thể đưa ra các ngưỡng cho lead score và theo dõi hiệu suất của khách hàng và khách hàng tiềm năng một cách có hệ thống để thúc đẩy chất lượng và số lượng khách hàng tiềm năng tối ưu.

Chấm điểm khách hàng tiềm năng (Lead Scoring) là gì?

Dự đoán Lead Scoring?

Lead scoring là một chìa khóa quan trọng cho việc tự động hóa marketing để nhắm đến đúng khách hàng tiềm năng, đồng thời cải thiện năng suất và hiệu quả của marketing và bán hàng. Dự đoán lead scoring truyền thống đã được đưa lên cấp độ cao hơn khi mà ta có thể áp dụng dữ liệu lớn và thuật toán học máy để đánh giá các hành vi chính của khách hàng, đồng thời xếp hạng họ theo thang điểm có thể phân biệt khách hàng thường và khách hàng tiềm năng có nhiều khả năng mua các sản phẩm và dịch vụ của công ty. Đầu tiên, việc tính toán lead score tạo ra một chỉ số có thể theo dõi duy nhất dựa trên thang điểm phản ánh giá trị nhận thức mà khách hàng đại diện. Thứ hai, nó cho phép các nhóm marketing chạy các chiến dịch tập trung hơn để tối đa hóa ROI từ chi tiêu marketing. Thứ ba, nó cải thiện hiệu quả và năng suất của đội bán hàng bằng cách tối ưu hóa thời gian và nỗ lực của họ để làm việc với khách hàng chất lượng cao và khách hàng tiềm năng. Cuối cùng nhưng không kém phần quan trọng, nó cải thiện tỷ lệ chuyển đổi tổng thể cũng như tỷ lệ mua hàng bằng cách điều chỉnh các mục tiêu mua và bán hàng.

Cách xây dựng mô hình dự đoán Lead Scoring?

Quá trình tính điểm khách hàng tiềm năng bắt đầu với việc xác định dữ liệu và các thuộc tính hiện tại của khách hàng. Điều quan trọng là phải xác định được metric để tối ưu hóa – ví dụ như tỉ lệ chuyển đổi, giữ chân, lợi nhuận hoặc chất lượng dịch vụ, v.v. Ngoài ra, bạn cần đào tạo mô hình chấm điểm cho khách hàng dựa trên tập hợp các thuộc tính, đặc điểm khác nhau trong vòng đời của khách hàng. Mô hình đánh giá mối quan hệ giữa các thuộc tính và hành vi khác nhau đã xác định trước đó và cho điểm chúng.

Cracking the Connected Consumer Code - Ensuring the Right Experience for  the Right Channel - Perficient Blogs
Cần nhiều dữ liệu để có thể đánh giá chính xác một khách hàng

Một số thuộc tính chính cần đưa vào mô hình cho điểm khách hàng tiềm năng dự đoán

  • Dữ liệu hồ sơ khách hàng đo lường các thuộc tính cốt lõi của khách hàng. Các thuộc tính này có thể bao gồm thông tin cá nhân của khách hàng, chẳng hạn như tuổi, vị trí, chức danh, ngành, nhiệm kỳ cũng như các phong cách cá tính.
  • Dữ liệu hồ sơ tài khoản phản ánh các thuộc tính linh hoạt quan trọng, chẳng hạn như quy mô công ty, ngành và loại tài khoản, v.v.
  • Dữ liệu về ý định của khách hàng, đánh giá độ quan tâm của khách hàng hiện tại về các sản phẩm và dịch vụ cụ thể, cũng như mức độ sẵn sàng tiếp cận của họ với nhóm tiếp thị hoặc đại diện bán hàng của bạn.
  • Dữ liệu cam kết của khách hàng nắm bắt các hoạt động quan trọng của khách hàng, bao gồm các hoạt động email, chẳng hạn như CTO, CTR, các hoạt động trên trang web, chẳng hạn như lượt truy cập, điền vào biểu mẫu, lượt xem hoặc tải xuống trang sản phẩm, tạo tài khoản khách, kích hoạt dùng thử miễn phí hoặc trả phí, hội thảo trên web hoặc sự kiện tham dự, v.v.
  • Dữ liệu hoạt động mua hàng của khách hàng hiện tại, bao gồm chất lượng và số tiền chi tiêu để mua sản phẩm và dịch vụ của bạn, cũng như thời gian và tần suất mua hàng của họ.
  • Hiệu suất tiếp thị và bán hàng cũng cung cấp thông tin quan trọng về hiệu quả của các chương trình và chiến dịch tiếp thị và bán hàng. Các chương trình và chiến dịch hoạt động hiệu quả nhất thường có thể tiết lộ thông tin chi tiết chính về phạm vi tiếp cận và tác động của các hoạt động tiếp thị và bán hàng của công ty. Ngoài ra, khi nhóm tiếp thị và bán hàng thực hiện các chương trình và chiến dịch, họ tìm kiếm khách hàng từ nhiều kênh khác nhau, chẳng hạn như trực tiếp, trả tiền, tìm kiếm không trả tiền, giới thiệu, truyền thông xã hội, v.v. Việc xác định các kênh hoạt động hiệu quả hơn sẽ cho phép các nhóm tương tác hiệu quả hơn với khách hàng và khách hàng tiềm năng và giúp khám phá các chiến lược tối ưu hóa cho các kênh khác nhau.

Khi bạn đã thu thập được đủ dữ liệu chính này, những thông tin liên quan đến khách hàng này sẽ được tích hợp trong hệ thống trong khi mô hình tính điểm lead scoring được kích hoạt. Dữ liệu tích hợp sẽ được đưa vào và sẽ đánh giá một cách khoa học mối quan hệ giữa các thuộc tính được xác định này và hành vi mục tiêu.

Lead score hay lead scoring

Đánh giá mô hình

Trong khi xây dựng mô hình, ta cần xác nhận mô hình thích hợp để chọn mô hình tốt nhất với các dự đoán chính xác nhất để triển khai. Ví dụ, AUC là một chỉ số tốt để so sánh các mô hình. Một mô hình tốt sẽ tạo ra AUC cao hơn trong đó những khách hàng có điểm khách hàng tiềm năng được dự đoán cao hơn có nhiều khả năng tương ứng với việc mua hàng thực tế, trong khi những khách hàng có chất lượng kém có ít động lực để mua sản phẩm hoặc dịch vụ của công ty. Mặt khác, một mô hình tính điểm khách hàng tiềm năng kém có khả năng tạo ra nhiều “lỗi” hơn, có nghĩa là mô hình đó sẽ bỏ lỡ việc dự đoán một khách hàng chất lượng cao. Điều đó có nghĩa là một mô hình kém có xu hướng tạo ra ít true positive (TP) tương đối, nhưng lại có nhiều false negative (FP) hơn bạn mong đợi.

dự đoán đúng khách hàng tiềm năng càng nhiều càng tốt, bỏ qua khách hàng tiềm năng càng ít càng tốt

Đánh giá hiệu năng của Lead Scoring Model?

Sau khi đào tạo mô hình, nhóm tiếp thị và bán hàng có thể tin tưởng vào điểm số do mô hình tạo ra và khách hàng mục tiêu và khách hàng tiềm năng dựa trên điểm số khách hàng tiềm năng dự đoán không? Chỉ có thể đem ra thực tế sau vài chu kỳ kinh doanh ta mới biết được.

Chẳng hạn như hình trên, 10% khách hàng hàng đầu có điểm khách hàng tiềm năng được dự đoán ≥91 đã đạt gần 23% tổng số% mua hàng tích lũy. Tập trung vào 10% khách hàng hàng đầu có thể bao gồm gần 23% tổng số lần mua hàng của khách hàng trong một khoảng thời gian nhất định. Tương tự, nhắm mục tiêu 30% khách hàng hàng đầu với điểm số khách hàng tiềm năng được dự đoán ≥75 sẽ cho phép các nhóm bao phủ> 2/3 tổng số lần mua hàng của khách hàng. Khi nhóm của bạn có khả năng tiếp cận nhiều khách hàng hơn, mức tăng tích lũy đã bắt đầu giảm sau khi tiếp cận 40% -50% khách hàng hàng đầu. Ngưỡng cho điểm khách hàng tiềm năng được khuyến nghị là làm việc với 40% -50% khách hàng hàng đầu với chất lượng cao hơn ngay lập tức. Đối với những khách hàng và khách hàng tiềm năng có điểm số khách hàng tiềm năng được dự đoán thấp hơn, trước tiên họ sẽ cần được hâm nóng bằng cách nuôi dưỡng các chương trình với thông điệp có mục tiêu nhất định. Do đó, rõ ràng là đội tiếp thị và bán hàng có thể đạt được mức tăng đáng kể về năng suất và hiệu quả bằng cách tập trung vào các khách hàng tiềm năng chất lượng cao.

Tóm lại, lead score cung cấp cho một công ty hiện đại các yếu tố cần thiết để thành công. Nó không chỉ khai phá những thông tin chi tiết chính về khách hàng tiềm năng nào có nhiều khả năng chuyển đổi, giữ chân hoặc thậm chí mua hàng dựa trên dữ liệu thời gian thực được thu thập từ khách hàng, cũng như các sản phẩm và dịch vụ, mà còn giúp công ty đánh giá và tìm ra chìa khóa tối ưu cho việc theo dõi hồ sơ và phân khúc khách hàng, để vẽ nên bức tranh hoàn chỉnh về những gì bán chạy so với cơ sở khách hàng tiềm năng và hiện tại.

Ở Phần 2, mình sẽ cung cấp một dataset và xây dựng một mô hình tính điểm lead score trong thực tế.

Chuyên mục: Data Science

4.7 3 votes
Đánh giá
Subscribe
Notify of
guest
5 Comments
Inline Feedbacks
View all comments