Lead scoring tradizionalaren arazoa
Salmenta-talde gehienek beren leadak "interes" edo "fit" irizpidearen arabera ordenatzen dituzte: begiz betetzen diren eremuak, 30 segundoko dei batean edo prospectaren mezu elektronikoa irakurriz. Ondorioa aurreikustekoa da: lead onen erdia hozten da etortzen ez den dei baten zain, eta taldearen denboraren erdia inoiz itxiko ez ziren leadak atzetik joatean xahutzen da.
IA bidezko lead scoringa ez da magia. Probabilitate aplikatua da. Zure CRMean sartzen den lead bakoitzak 0tik 100erako puntuazio bat jasotzen du, zure deal historikoetatik modeloak ikasitakoan oinarrituta kalkulatua: zeintzuk itxi ziren, zeintzuk erori ziren, zein eredu errepikatu ziren kasu bakoitzean. Sistemak asmatzeari uzten dio eta kalkulatzen hasten da.
Nola eraikitzen dugun
Ez gara modelo enlatatu batekin heltzen. Proiektu bakoitza zure historikoarekin hasten da, ez template generiko batekin.
1. Zure historikoa auditatzen dugu
Ezer entrenatzen hasi baino lehen, gutxienez 200 deal historiko behar ditugu zure CRMan. Gutxiago badituzu, esango dizugu: modeloak ez du ezer ikasiko zuk begiz ere ikusten ez duzunik. Badituzu, aztertzen ditugu: zein seinalek erlazionatzen duten itxierarekin, zein seinale garrantzitsu diruditen baina ez diren, eta zein lead baztertu ziren goizegi.
2. Modeloa entrenatzen dugu
gradient boosting erabiltzen dugu (XGBoost edo LightGBM, datuen bolumenaren arabera). Ez ditugu LLMak erabiltzen geruza honetan: modelo hauek azkarragoak dira, azalgarriagoak, zerbitzatzeko merkeagoak, eta sailkapen tabularrerako egungo teknologia onena dira. Iragarpen bakoitzak esaten dizu zergatik — zein seinalek eragin zuten scorean eta zein norabidetan.
3. Zure CRMan integratzen dugu
Scorea eremu bat gehiago bezala agertzen da lead bakoitzean. HubSpot, Salesforce, Pipedrive, Dolibarr — CRMa non eduki, han joaten da scorea. Hirugarrenen pluginik gabe, APIaren bidezko integrazioa zuzenean. Zure taldeak ez du tresna berri bat ikasten: dagoeneko ezagutzen duen fitxan zenbaki bat gehiago ikusten du.
4. Atalaseak ezartzen ditugu
Score > 70 duten lead-a → saltzailearen berehalako kontaktua. Score 40-70 → nurturing automatikoa (email prediktiboa, retargeting-a). Score < 40 → pipeline aktibotik kanpo edo berrikuspenera birbideratuta. Zifra zehatzak lehen 4 asteetan zurekin fintzuko ditugu, modeloak produkzioan nola jokatzen duen ikusita.
Zer aldatzen den hau funtzionatzen duenean
Hiru tokitan nabarituko duzu nahiko azkar:
- Zure salmenta-taldeak inoiz itxiko ez ziren lead-ak atzetik jarraitzen uzten du — falso positiboetan galtzen zen ordu eta energia berreskuratzen ditu.
- Lead onak ez dira hotzitzen txanda itxaroten. Sistemak berehala etiketatzen ditu eta ilararen buruan jartzen ditu.
- Pipeline review bilerak intuizioei buruz eztabaidatzetik ("honek sentsazio ona ematen dit") zenbakiei buruz eztabaidatzera igarotzen dira ("score 82, fit altua, bi bisita pricing page-ra").
Honekin lan egin dugun enpresek +25-40% itxiera-tasan jakinarazten dute lead kualifikatuen gainean, eta top lead-ei erantzuteko denboran 60%eko murrizketa. Ez ditugu zifra horiek hitzeman — ikusi ditugu, baina zure CRM-en eta zure taldearen araberakoak dira. Zintzotasunez neurtzen dizugu.
Noiz EZ dugun lead scoring gomendatzen
Lehen aurrekontuaren aurretik esaten dizugu:
- CRM-en 200 deal historiko baino gutxiago badituzu. Ereduak ez du seinale nahikorik.
- Zure salmenta-zikloa oso laburra bada (<48h). Scoringak ez dio balio gehitzen abiadura horri.
- Key accounts zerrenda itxi bati saltzen badiozu. Hemen behar duzuna ABM da, ez scoring.
- Zure merkataritza-taldeak ukitzen dituen leaden 50%+ dagoeneko ixten baditu. Intuitzioak funtzionatzen die, ez da geruza gehigarririk behar.
Kasu hauetako edozeinetan, baliabide hobeak daude. Zein den eta non jarri behar den ahalegina gomendatzen dizugu.
Retraining-a ez da aukerakoa
Urtarrilean entrenatutako eredu batek zehaztasuna galtzen du uztailean. Merkatua aldatzen da, zure produktua aldatzen da, zure lehiakideak aldatzen dira, zure audientzia aldatzen da. Hiruhileko bakoitzean eredua berriro entrenatzen dugu datu berriekin, neurriak alderatzen ditugu (AUC, precision/recall, kalibrazioa) eta mozketa-puntuak doitzen ditugu komeni bada. Kontratuan dago. Ez da setup-and-forget bat — zerbitzu jarraitua da.
Erabiltzen dugun stack-a
- XGBoost / LightGBM oinarrizko modelo gisa, cross-validation estratifikatuarekin.
- Python (scikit-learn, pandas, MLflow) features pipeline-rako eta modeloaren bertsio-kontrolerako.
- Integrazio zuzena zure CRM-arekin API REST bidez. Hirugarrenen plugin-ik gabe, Zapier bitartekorik gabe.
- Dashboard custom Metabase-n edo Looker Studio-n, scoreak, banaketa eta modeloaren drifta ikusteko.
Diagnostiko-saio batekin hasten gara
Setup osoa aurrekontuatu aurretik, 90 minutuko saio bat egiten dugu. Zure CRM-a, iraganeko dealak eta pipeline-a batera aztertzen ditugu. Gomendio zintzoarekin ateratzen gara: ea lead scoring-a zuretzat den gaur, ala beste zerbaitekin hastea komeni den (merkataritza-ikuskaritza, IA duen CRM-a, email prediktiboa).
Saio hori ez dugu kobratzen. Interesatzen bazaizu, kontaguzu.