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 zijn binnengekomen.
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. Zie een geautomatiseerde lead generation pipeline voor de keten eromheen.
Een bruikbare score combineert drie dingen, en het verschil ertussen is belangrijk.
Past de lead bij ons. Branche, omvang, locatie, rechtsvorm, leeftijd van het bedrijf. Deze gegevens zijn 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, vroeg hij iets concreets, kwam hij terug binnen een week. Gedrag zegt meer over timing dan kenmerken.
Zegt de lead zelf iets bruikbaars. Het bericht in het contactformulier, de notitie van een telefoongesprek, de reactie op een mail. 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 nu 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 "kunnen jullie iets met AI".
Laat het model daarom niet het eindcijfer bepalen, maar de vrije tekst omzetten naar velden: probleem, urgentie, huidige oplossing, wie er beslist, en of er een termijn genoemd wordt. Die velden gaan daarna de gewone rekensom in.
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 een klant vraagt waarom hij wel of geen aanbod kreeg.
Een score die uit een tabel komt, 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 bedrijfsgrootte, vijfentwintig omdat er een termijn genoemd is, tien voor drie bezoeken deze week.
Die uitlegbaarheid is de reden dat scores overleven in de praktijk. Een cijfer zonder onderbouwing wordt binnen een maand genegeerd.
Een getal is pas nuttig als er gedrag aan hangt. Werk daarom met drie of vier banden in plaats van met honderd waarden.
Zie leads opvolgen automatiseren voor de opvolging zelf.
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, voegt niets toe aan de volgorde.
Alleen belonen, nooit aftrekken. Zonder negatieve punten kruipt elke lead omhoog en wordt het onderscheid vlak. Een lead buiten je werkgebied of buiten je vakgebied hoort punten te verliezen.
Scores 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.
De beste toets is een gesprek van tien minuten met degene die belt: klopt deze volgorde met jouw gevoel, en waar wijkt hij af? Waar mens en model verschillen, zit meestal het kenmerk dat ontbreekt.
Een score die nooit tegen de werkelijkheid is gehouden, is een mening met decimalen. IJken doe je zo: neem 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 "heeft een concrete termijn genoemd". 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.
Leads zijn persoonsgegevens. Verrijken, bewaren en scoren mag, mits je kunt zeggen waarom je het doet, hoe lang je het houdt en waar het vandaan komt. Bij koude acquisitie gelden bovendien eigen regels. Zie AVG en koude acquisitie.
Leg daarnaast vast dat een score nooit een besluit is over een persoon met gevolgen, maar een volgorde in een belijst. Dat onderscheid is klein op papier en groot in de uitleg achteraf.
Je hebt geen datawetenschap nodig om te starten. Begin met vijf kenmerken die jij nu al gebruikt om te beoordelen of een lead kansrijk is, geef ze punten, laat het model de vrije tekst omzetten naar velden, en bekijk twee weken lang elke ochtend de lijst zoals hij eruitkomt.
Wat er in de praktijk gebeurt als je dat doet, staat in welke leads bel je eerst. Zie verder AI-SDR en outbound voor de stap naar actief benaderen.
dGEN Productions, AI agency en business-automation partner uit Eindhoven. info@dgenproductions.nl · 06-87413056