20 punten voor een webinar, 10 punten voor een download en 3 punten voor het klikken op een link. Meestal beginnen we gewoon ergens met lead scoring en 80% van de bedrijven laat het hierbij. Maar als je echt wilt weten welke leads interessant zijn, dan heb je een betere aanpak nodig.
Marketeers op zoek naar meer informatie over lead scoring komen al snel bij de gidsen van Marketo, HubSpot en Act-On terecht. Er zijn ook veel mooie blogs geschreven over dit onderwerp. Meestal benadrukt men het belang van het betrekken van sales, de verhouding tussen expliciete en impliciete criteria, of men adviseert om meer of minder punten toe te kennen aan online gedrag op de verschillende momenten in de customer journey.
Toch zijn er een aantal punten die nauwelijks aandacht krijgen, maar die wat mij betreft cruciaal zijn voor een goed lead scoring model. Daarom volgen hier drie tips die je kunnen helpen om je lead scoring te verbeteren.
Tip 1: Maak meerdere modellen
Het doel van lead scoring is om Sales efficiënter te maken. Marketing kan hierbij helpen door ervoor te zorgen dat alleen relevante leads overgedragen worden aan Sales. Het voordeel hiervan is dat Sales minder tijd kwijt is aan het opvolgen van leads die nooit klant worden of die er nog niet aan toe zijn om met Sales te praten.
Bestaat je organisatie uit meerdere business units of biedt je bedrijf hele diverse producten en diensten? Dan is het meestal verstandig om meerdere lead scoring modellen te maken. Want wat een goede lead is voor het ene bedrijfsonderdeel, hoeft natuurlijk helemaal niet interessant te zijn voor het andere.
Let op! In sommige marketing automation systemen kun je maar één lead scoring model implementeren. Ook kan het zijn dat leveranciers extra kosten in rekening brengen voor de optie om meerdere lead scoring modellen te bouwen. Let hier dus op bij het selecteren van een marketing automation pakket.
Tip 2: Gooi je eerste lead scoring model zo snel mogelijk overboord
Het kan zijn dat je nog geen of onvoldoende data hebt om profielen en klantgedrag te analyseren. In dat geval kun je beginnen met een model gebaseerd op aannames over hoe een goed klantprofiel eruit ziet en welk online gedrag koopintentie laat zien.
Maar hoe bepaal je wat een goede lead is?
Een goede lead is een lead die een grotere kans heeft om klant te worden dan een gemiddelde lead. De gedachte is dat leads met een bepaald profiel en die een bepaalde interesse tonen (dit blijkt uit online gedrag), eerder geneigd zijn om klant te worden dan andere leads.
Bij het opstellen van een lead scoring model is het dus belangrijk dat je model rekening houdt met de kenmerken van een goede lead. Om erachter te komen welke kenmerken dit zijn, moet je je klantenbestand analyseren. Let hierbij op het profiel van je klanten (functietitel, branche, bedrijfsomvang) en op het gedrag (downloads, deelname aan events, welke blogs heeft men gelezen). Als je deze data nog niet hebt, kun je dus beginnen met aannames. Zorg er dan wel voor dat je dit eerste model zo snel mogelijk vervangt door een met data onderbouwd model.
Beschik je al wel over historische data, maar ben je nog niet toe aan predictive lead scoring?
Begin dan met relatieve scoring. De punten die je toekent aan het profiel of gedrag van een lead zeggen op zichzelf namelijk niet zoveel. Het gaat vooral om de onderliggende verhoudingen. Bepaalde kenmerken hebben namelijk meer invloed op de conversie van lead naar klant dan andere. Hier kun je al rekening mee houden bij het handmatig bepalen van een lead scoring model.
Een handige manier is om eerst de belangrijkste kenmerken van een goede lead te identificeren. Vervolgens kijk je per kenmerk naar de conversiepercentages van de leads en dat vergelijk je met de gemiddelde conversiepercentage van alle leads. De lead score die je toewijst aan de betreffende kenmerken pas je dan hierop aan. Hieronder zie je een voorbeeld van hoe dit eruit kan zien.
Op deze manier kun je met beperkte data toch al werken met een data gedreven lead scoring model.
Tip 3: Test met predictive lead scoring
Predictive lead scoring wordt pas echt interessant als je structureel veel nieuwe leads genereert. Met predictive lead scoring voorspel je, op basis van profiel en gedrag, of een lead uiteindelijk een klant wordt of niet. De uitkomsten van deze analyse kun je gebruiken om leads te prioriteren. De leads waarvan je het meest zeker bent dat ze een klant worden, kunnen vervolgens door Sales als eerste opgepakt worden.
Voor predictive lead scoring is software verkrijgbaar die je kunt integreren met je marketing automation en CRM systeem. De meeste predictive lead scoring tools zijn gericht op large enterprises. De software leveranciers zijn dan vaak ook onduidelijk over de pricing. De zwaardere oplossingen kosten al gauw enkele duizenden Euro’s per maand, maar er zijn ook lichtere tools verkrijgbaar. En ongetwijfeld zullen de prijzen voor deze software de komende tijd ook sterk dalen.
Het is ook mogelijk om de analyses zelf te doen. Dit kan in Excel, maar het gebruik van een data mining tool kan je veel tijd besparen.
Om de analyse uit te voeren heb je twee datasets nodig. Een trainingsset wordt gebruikt om te analyseren welke factoren van invloed zijn op de conversie van lead naar klant. Dit bestand bevat historische data gerelateerd aan gewonnen en verloren verkoopkansen. Het tweede bestand bevat informatie over het profiel en gedrag van de huidige leads. Voor deze leads voorspelt het model of ze uiteindelijk klant worden of niet. In de onderstaande screenshot zie je een voorbeeld van een proces waarin ik datasets uit CRM en Marketing Automation heb opgenomen.
De resultaten van de analyse zijn vervolgens op contactniveau beschikbaar (zie onderstaande afbeelding). Dit proces kun je vervolgens weer automatiseren door je data mining tool te koppelen aan je CRM en marketing automation systeem.
Blijf je modellen bijwerken
Het is belangrijk om regelmatig je lead scoring modellen te herzien. Je gaat steeds meer data verzamelen en hoe meer data je gebruikt in je analyse, hoe beter je lead scoring model zal worden.
Let bij het evalueren op de scores van de gewonnen en verloren opportunities en let op leads met hoge scores maar die uiteindelijk geen klant geworden zijn. Dit kan je helpen bij het aanpassen van je model. Dit is natuurlijk niet meer nodig als je je predictive lead scoring processen hebt geautomatiseerd. Het model zal dan zelf periodiek de scores bijwerken.
