De fleste bedrifter kjøper nye lister før de har brukt opp informasjonen de allerede har. Det er nesten alltid feil rekkefølge.

Et typisk CRM inneholder flere år med signaler: hvem som svarte på e-post, hvem som ba om tilbud men aldri signerte, hvilke bransjer som ga korte salgsløp og hvilke som ga lange. Det er nok til å sortere en liste etter sannsynlighet for salg. Ikke perfekt, men betydelig bedre enn å ringe alfabetisk.

Begynn med å definere hva et godt lead var

Før du bygger noe som helst, må du bestemme hva modellen skal forutsi. «Interessant kunde» er ubrukelig. «Signerte avtale innen 90 dager etter første møte» er noe du kan måle i basen. Velg én slik definisjon, skriv den ned, og hold deg til den gjennom hele arbeidet.

Deretter trenger du historikk. Hent ut alle leads fra de siste to–tre årene og merk hvert av dem med om de oppfylte definisjonen eller ikke. Har du under et par hundre avsluttede saker, dropp modellering og gjør dette som en enkel manuell analyse i stedet — tallgrunnlaget bærer ikke mer.

Finn variablene som skiller

Målet er å finne egenskaper der vinnerne og taperne oppfører seg ulikt. Bransje, antall ansatte, geografi, hvilken kanal leadet kom inn gjennom, hvor lang tid det gikk før første respons, om de selv tok kontakt eller ble kontaktet. Regn ut konverteringsraten per verdi:

SELECT kanal,
       COUNT(*)                                   AS antall,
       SUM(CASE WHEN vunnet = 1 THEN 1 ELSE 0 END) AS vunnet,
       ROUND(100.0 * SUM(CASE WHEN vunnet = 1 THEN 1 ELSE 0 END)
             / COUNT(*), 1)                        AS konv_pst
FROM   leads
WHERE  opprettet >= DATEADD(year, -3, GETDATE())
       AND status IN ('vunnet', 'tapt')
GROUP  BY kanal
HAVING COUNT(*) >= 30
ORDER  BY konv_pst DESC;

HAVING-linjen er viktigere enn den ser ut. Uten den vil kategorier med fire leads og to salg toppe listen med 50 prosent, og du bygger strategi på støy. Sett en minimumsgrense og hold deg til den.

Bygg scoringen enkelt først

Du trenger ikke maskinlæring for første versjon. Ta de fire–fem variablene som skilte tydeligst, gi hver av dem poeng etter hvor mye de løftet konverteringen, og summer. En kunde i beste bransje, med riktig størrelse, som selv tok kontakt, får høy score. Resultatet er en sortert liste selgeren kan jobbe ovenfra og ned.

Fordelen med den enkle modellen er at den kan forklares. Når en selger spør hvorfor et lead ligger på plass tre, finnes det et svar i klartekst. Det avgjør om modellen faktisk blir brukt, og bruk er hele poenget.

Et konkret eksempel på en poengtabell

La oss si at analysen over ga fire variabler som skilte tydelig. Da kan scoringen se slik ut, med poeng satt etter hvor mye hver verdi løftet konverteringen over snittet:

Variabel              Verdi                    Poeng
--------------------  -----------------------  -----
Bransje               Helse / offentlig          +30
                      Industri                   +15
                      Øvrig                       +5
Antall ansatte        50-250                     +25
                      250+                       +10
                      under 50                    +5
Kanal                 Innkommende forespørsel    +30
                      Anbefaling                 +20
                      Kaldt utgående              +0
Tid til respons       under 4 timer              +15
                      samme dag                   +8
                      over 24 timer               -10

Summen gir et tall mellom 0 og 100. Sett to terskler — for eksempel 60 og 35 — og du har tre bøtter: ring i dag, ring denne uken, ta det når du har tid. Selgeren trenger ikke forholde seg til tallet i det hele tatt, bare til hvilken bøtte leadet ligger i.

Legg merke til at «tid til respons» er den eneste variabelen du selv kontrollerer. Den hører derfor egentlig ikke hjemme i en modell som skal rangere leads — den beskriver deg, ikke kunden. Men den er verdt å måle uansett, fordi den ofte viser seg å være den enkeltfaktoren som betyr mest for om et lead blir noe. Da er svaret ikke bedre scoring, det er raskere oppfølging.

Hvordan du oppdager at modellen lyver

En scoringsmodell som er bygget på historiske data, arver alle skjevhetene i hvordan salget har vært drevet. Har selgerne alltid prioritert store kunder, ser store kunder ut til å konvertere bedre — ikke fordi de er bedre leads, men fordi de fikk mer oppmerksomhet. Modellen vil da anbefale mer av det samme, og du får bekreftet din egen arbeidsvane med tall.

Det finnes ingen elegant løsning på dette i en enkel modell, men det finnes en praktisk: behold en liten andel av leadene utenfor scoringen, valgt tilfeldig, og følg dem opp uansett score. Over tid forteller de deg hva du ville gått glipp av. Det er billig forsikring mot å bygge en maskin som bare ser det den er opplært til å se.

Datakvalitet er jobben

Regn med at en tredjedel av tiden går til å oppdage at bransjefeltet er fritekst med tolv skrivemåter av samme bransje, at «vunnet» ble brukt ulikt før og etter en omorganisering, og at noen leads mangler opprettelsesdato. Rydd dette først. En modell bygget på et felt ingen har fylt ut konsekvent, gir tall som ser presise ut og ikke er det.

Sett det i drift der arbeidet skjer

En score som bare finnes i et regneark, blir ikke brukt. Den må inn i CRM-et, som en kolonne på leadet og et sorteringsvalg i listen selgeren åpner hver morgen. Teknisk er dette en jobb som holder: en tabell med scorene, en spørring som regner dem ut nattlig, og et felt i CRM-et som viser resultatet.

-- Nattlig beregning, forenklet
MERGE INTO lead_score AS m
USING (
    SELECT l.id,
           CASE l.bransje WHEN 'helse' THEN 30
                          WHEN 'industri' THEN 15
                          ELSE 5 END
         + CASE WHEN l.ansatte BETWEEN 50 AND 250 THEN 25
                WHEN l.ansatte > 250 THEN 10
                ELSE 5 END
         + CASE l.kanal WHEN 'innkommende' THEN 30
                        WHEN 'anbefaling' THEN 20
                        ELSE 0 END AS score
    FROM   leads l
    WHERE  l.status = 'åpen'
) AS k ON m.lead_id = k.id
WHEN MATCHED THEN UPDATE SET m.score = k.score, m.beregnet = GETDATE()
WHEN NOT MATCHED THEN INSERT (lead_id, score, beregnet)
                      VALUES (k.id, k.score, GETDATE());

Hold beregningen i ett navngitt sted, ikke spredt i applikasjonskoden. Poengene kommer til å endres når du lærer mer, og da vil du ha ett sted å endre dem.

Mål effekten før du skalerer

Kjør scoringen parallelt med dagens arbeidsmåte i et kvartal. La halvparten av leadene behandles som før, halvparten etter score. Sammenlign konverteringsrate og tid til signering. Hvis forskjellen er marginal, har du lært det billig. Hvis den er tydelig, har du et argument som holder i ledermøtet.

Det vanligste feilsporet er å hoppe rett til verktøykjøp. En scoringsmodell som dette er noen få spørringer, en tabell og en visning i CRM-et. Arbeidet ligger i å definere målet og å rydde i datakvaliteten, ikke i teknologien.

Når modellen skal pensjoneres

En scoringsmodell er ikke ferdig. Markedet endrer seg, produktet endrer seg, og en bransje som konverterte godt i fjor kan ha kuttet budsjettene i år. Sett en fast dato — for eksempel hvert halvår — der du kjører den samme analysen på nyere data og sammenligner. Dersom variablene som skilte, har byttet rekkefølge, oppdaterer du poengene. Dersom ingen av dem skiller lenger, er det et signal i seg selv: da er det noe annet enn kundeegenskaper som avgjør salgene dine.

Det viktigste å ta med seg er rekkefølgen. Definisjon av godt lead, historiske data, opprydding, analyse, enkel scoring, måling, og først deretter automatisering og verktøy. Prosjekter som starter i motsatt ende ender som regel med et system ingen stoler på og en liste ingen bruker.