Een lijst van tweehonderd leads is geen voorsprong maar een keuzeprobleem. Hoe je leads prioriteert met vaste kenmerken, gedrag en wat de lead zelf schrijft, zonder een cijfer te bouwen dat niemand vertrouwt.
Een lijst van tweehonderd leads is geen voorsprong maar een keuzeprobleem. Wie bovenaan begint en naar beneden werkt, besteedt de beste uren van de week aan de leads die toevallig als eerste binnenkwamen. De volgorde is daarmee willekeurig, en willekeur kost omzet.
Lead scoring lost dat op door elke lead een cijfer te geven dat zegt hoe kansrijk hij is. De techniek is niet ingewikkeld. Het lastige is dat een score alleen werkt als de verkoper hem gelooft, en dat is een ontwerpeis en geen bijzaak.
Past de lead bij ons. Branche, omvang, locatie, rechtsvorm, leeftijd van het bedrijf. Objectief en grotendeels automatisch op te halen, bijvoorbeeld uit het handelsregister. Zie KvK-API leads verrijken.
Gedraagt de lead zich als iemand met een probleem. Bekeek hij de prijspagina, opende hij drie mails, kwam hij binnen een week terug. Gedrag zegt meer over timing dan kenmerken.
Zegt de lead zelf iets bruikbaars. Het bericht in het contactformulier, de notitie van een telefoongesprek. Hier zit de rijkste informatie, en juist die werd tot voor kort niet meegeteld omdat vrije tekst niet in een rekensom past.
Voor de eerste twee groepen heb je geen AI nodig. Punten toekennen aan kenmerken en gedrag is een tabel met regels, en die is beter uitlegbaar dan welk model ook.
Het derde deel is waar een taalmodel het verschil maakt. Uit een bericht als "we lopen vast op het doorzetten van bestellingen naar onze leverancier, iemand doet dat nu met de hand, het moet voor het najaar geregeld zijn" haal je vier dingen: een concreet probleem, een bestaande handmatige handeling, een tijdsdruk en een afdeling. Dat is een heel andere lead dan iemand die vraagt of jullie iets met AI doen.
Laat het model daarom niet het eindcijfer bepalen, maar de vrije tekst omzetten naar velden: probleem, urgentie, huidige oplossing, wie beslist, en of er een termijn genoemd wordt. Die velden gaan daarna de gewone rekensom in. Zie lead scoring met AI.
Een score die volledig uit een model komt, is niet uit te leggen aan de verkoper die hem gebruikt, niet te corrigeren als hij ernaast zit, en niet te verantwoorden als iemand vraagt waarom hij wel of geen aanbod kreeg.
Een score uit een tabel, met daarin een paar velden die het model heeft ingevuld, is alle drie wel. Je kunt per lead laten zien waar de punten vandaan komen: dertig voor de branche, twintig voor de omvang, vijfentwintig omdat er een termijn genoemd is, tien voor drie bezoeken deze week.
Die uitlegbaarheid is de reden dat scores overleven. Een cijfer zonder onderbouwing wordt binnen een maand genegeerd, en daarna is het moeilijk om het vertrouwen terug te winnen.
Een getal is pas nuttig als er gedrag aan hangt. Werk daarom met drie of vier banden in plaats van met honderd waarden.
Hoog: dezelfde dag bellen, door een mens, met de samenvatting van het bericht erbij. Midden: binnen twee dagen een persoonlijke mail met een concreet voorstel voor een gesprek. Laag: in de opvolgreeks, en over drie maanden opnieuw beoordelen. Niet passend: vriendelijk afhouden of doorverwijzen.
Die laatste band hoort er expliciet bij. Zonder die categorie blijft er een staart hangen die niemand ooit opruimt en die de lijst vervuilt. Zie leads opvolgen automatiseren.
Te veel kenmerken. Een model met dertig velden lijkt grondig en is niet te onderhouden. Vijf tot acht kenmerken die er aantoonbaar toe doen, verslaan een lange lijst.
Punten voor iets wat iedereen heeft. Een kenmerk dat bij negen van de tien leads hetzelfde is, verandert de volgorde niet.
Alleen belonen, nooit aftrekken. Zonder negatieve punten kruipt elke lead omhoog en wordt het onderscheid vlak. Buiten je werkgebied of buiten je vakgebied hoort punten te kosten.
Een score die niemand ziet bewegen. Als de verkoper alleen het eindcijfer ziet en nooit hoort dat het model is bijgesteld, ontstaat er wantrouwen dat later niet meer weggaat.
Een score die nooit tegen de uitkomst is gehouden, is een mening met decimalen. Neem daarom de leads van het afgelopen half jaar, kijk welke klant zijn geworden, en zet daar de score naast die ze toen zouden hebben gekregen.
Dat levert meestal twee correcties op. Er zit een kenmerk in dat veel zwaarder weegt dan gedacht, vaak iets simpels als het noemen van een concrete termijn. En er zit een kenmerk in dat niets voorspelt, meestal iets waar in het bedrijf veel over gesproken wordt.
Herhaal dit per kwartaal. Een markt verandert, en een score die vorig jaar klopte, klopt daarna niet vanzelf nog.
Nee. Begin met vijf kenmerken die je nu al gebruikt om in te schatten of een lead kansrijk is. Die staan meestal in iemands hoofd en niet in een systeem.
Ja, mits je kunt zeggen waarom je het doet, waar de gegevens vandaan komen en hoe lang je ze bewaart. Bij koude acquisitie gelden extra regels, zie AVG en koude acquisitie.
Dat is nuttige informatie. Waar mens en model verschillen, zit meestal het kenmerk dat ontbreekt.
Bij tien leads per maand levert scoren weinig op, en is een goede notitie per lead meer waard. Vanaf enkele tientallen begint het te lonen.
Dat kan, en de eerste reactie op een binnenkomende aanvraag is er een goede kandidaat voor. Het gesprek daarna hoort bij een mens. Zie AI-SDR en outbound.
Met twee weken lang elke ochtend de lijst bekijken zoals hij eruitkomt, naast je eigen oordeel. Klopt de volgorde in grote lijnen, dan kun je erop gaan werken. Klopt hij niet, dan weet je binnen twee weken waarom.
Wilt u weten welke kenmerken in uw markt voorspellen, neem contact op.
dGEN Productions, AI agency en business-automation partner uit Eindhoven. info@dgenproductions.nl · 06-87413056