Tahmine Dayalı Lead Puanlaması
Tahmine dayalı lead puanlaması, geçmiş dönüşüm verisiyle eğitilen makine öğrenimini kullanarak her lead'in müşteri olma olasılığını tahmin eder ve elle ayarlanan puan kurallarının yerini alır.
Önemli noktalar
- Eğitim satırları geçmiş adaylar, sütunlar yakalama anı özellikleri, etiketler kazanıldı veya kaybedildi.
- Satış sonrası alanlardan gelen özellik sızıntısı, işe yaramaz modeli çok isabetli gösterir.
- Gölge mod, yönlendirme modele bağlanmadan önce sıralamayı mevcut kurallarla karşılaştırır.
- Geçmiş temsilci davranışı etiketlere işlenir; ihmal edilen segment başarısız olarak öğrenilir.
- Test yanıtları, eğitimden önce çok az temizlik isteyen yapılandırılmış birinci taraf özelliklerdir.
Derinlemesine
Tahmine dayalı model, puanlamayı denetimli bir öğrenme problemi olarak ele alır. Her satırı geçmiş bir aday, sütunları yakalama anında bilinen özellikler ve etiketi o adayın müşteri olup olmadığı olan bir eğitim tablosu hazırlarsınız. Çoğunlukla lojistik regresyon ya da gradyan artırmalı ağaç olan bir algoritma, iki etiketi en iyi ayıran ağırlıkları bulur ve her yeni aday için sıfır ile bir arasında bir olasılık üretir. Puan, elle atanmış bir toplam değil, bu olasılıktır.
Başarı, etiketli sonuçların sayısına ve dengesine bağlı olarak artar; beş yüz adaydan yalnızca birinin dönüştüğü bir veri kümesi modele öğrenecek çok az şey bırakır. Özellik sızıntısı başarıyı yanıltıcı biçimde yükseltir: yalnızca anlaşma kapandıktan sonra dolan bir alanı dahil etmek, kusursuz görünen ama hiçbir şey öngörmeyen bir model üretir. Kurala dayalı puanlamaya karşı ödün verilen şey açıklanabilirliktir. Bir ağaç topluluğu adayları elle kurulmuş her tablodan iyi sıralayabilir ama temsilciye nedenini söyleyemez.
Devreye alma genelde gölge modda başlar: model gelen adayları puanlarken yönlendirme hâlâ eski kuralları izler ve iki sıralama tam bir satış döngüsü boyunca karşılaştırılır. Yeniden eğitim, yeni sonuçlar biriktikçe aylık veya üç aylık bir takvimle yürütülür. Test yanıtları alışılmadık ölçüde iyi özelliklerdir; yapılandırılmış, birinci taraf ve her katılımcı için aynıdır. Bu yüzden CRM sonuçlarıyla dışa aktarılan bir Pivix sonucu, eğitimden önce neredeyse hiç temizlik gerektirmez.
Model yalnızca geçmişi, hatalarıyla birlikte yeniden üretebilir. Temsilciler geçmişte küçük şirketlerden gelen adayları görmezden geldiyse bu adaylar hiç müşteri olmamıştır; model de küçük şirketlerin hiç dönüşmediğini öğrenir ve önyargı kendi kendini doğrular. Ani pazar değişimleri, yeni bir ürün hattı veya konumlandırma değişikliği eğitim verisini, yeniden eğitim takviminin fark edeceğinden hızlı geçersizleştirir. Ayrıca olasılık bir plan değildir: 0,4 puanlı bir adayın 0,4'ün ne anlama geldiğine karar verecek birine ihtiyacı vardır.
Pratikte örnek
Nasıl ölçülür
Önemli olan ölçüt ham isabet değil, sıralama kalitesidir. Adayları tahmin edilen olasılığa göre sıralayın, on eşit gruba bölün ve en üst grubun gerçek dönüşüm oranını en alttakiyle karşılaştırın. İşe yarayan bir model dilimler boyunca dik bir eğim gösterir. Dönüşüm seyrekken tek başına isabet yanıltır, çünkü "kimse dönüşmez" tahmini zaten çoğu zaman doğrudur.
İkinci okuma kalibrasyondur: 0,3 civarında puanlanan adayların kabaca onda üçünün gerçekten dönüşmesi beklenir. İyi sıralayan ama kötü kalibre edilmiş bir model önceliklendirmede kullanılabilir, ancak sayıları tahmin için kullanılamaz. Her yeniden eğitimde ikisini de izleyin ve doğrulama ile canlı performans arasındaki farkı, dünyanın değiştiğine dair erken uyarı olarak takip edin.
Sık yapılan hatalar
Ekipler sık sık CRM'deki her alanla eğitim yapar, o alanın ne zaman dolduğunu sormadan. Fırsat tutarı, son temas kaynağı ve müşteri sahibi çoğu kez nitelemeden sonra doldurulur; bu da modelin cevaba göz atmasını sağlar. Doğrulama skorları mükemmel görünür, canlı performans çöker. Özellik listesini yakalama anında gerçekten bilinen verinin anlık görüntüsünden kurun ve temsilcinin sonradan düzenlediği her alanı çıkarın.
İkinci hata, eğitecek sonuç yokken tahmine dayalı puanlama satın almaktır. İki yüz adayı ve on bir müşterisi olan genç bir ürün model taşıyamaz; sağlayıcı yine de bir model kurar ve bu model neredeyse rastgele sıralar. Hat birkaç kohort boyunca yeterli kazanılmış ve kaybedilmiş kayıt üretene kadar açık kurallarla çalışın ve bu süreyi sonuçların tutarlı kaydedilmesini sağlamak için kullanın.
Sıkça sorulan sorular
Tahmine dayalı puanlama kural tabanlıdan nasıl farklıdır?
Kural tabanlı puanlama, bir insanın her özelliğe atadığı puanlara dayanır; tahmine dayalı puanlama ise ağırlıkları geçmiş dönüşüm verisinden otomatik öğrenir. Tahmine dayalı modeller zamanla uyum sağlar ve gözden kaçan örüntüleri yakalar ama bol miktarda temiz veri gerektirir.
Tahmine dayalı puanlama ne kadar veri ister?
Evrensel bir alt sınır yoktur ama genellikle sonuçları bilinen binlerce geçmiş adaya ve dönüşümlerle dönüşmeyenler arasında makul bir dengeye ihtiyaç duyarsınız. Zayıf veya çarpık veride, şeffaf kural tabanlı bir model genellikle daha güvenlidir.
Tahmine dayalı puanlama önyargılı olabilir mi?
Evet, çünkü bir model eğitim verisindeki önyargıları devralır ve onları büyütebilir. Korunan özelliklerin vekillerine karşı özellikleri denetleyin ve belirli segmentleri sistematik olarak yanlış değerlendirmediğinden emin olmak için sonuçları izleyin.
Tahmine dayalı puanlama için kaç adaya ihtiyacım var?
Toplam aday yerine dönüşen aday sayısını düşünün, çünkü sinyali pozitif örnekler taşır. En az bir yıllık kohortlara yayılmış birkaç yüz sonuçlanmış kazanım, basit bir model için makul bir alt sınırdır; karmaşık modeller daha fazlasını ister. Aynı ölçüde önemlisi kayıpların da kaydedilmesidir; yalnızca kazanımlarla eğitilen bir modelin karşılaştıracağı hiçbir şey olmaz.
Tahmine dayalı puanlama bir adayın neden yüksek puan aldığını açıklayabilir mi?
Kısmen. Doğrusal modeller katsayılarını doğrudan gösterir, böylece puanı yukarı iten özellikleri listeleyebilirsiniz. Ağaç toplulukları için, tek bir tahminde her özelliğin katkısını tahmin eden bir atıf yöntemi gerekir. Her iki durumda da elde ettiğiniz şey nedensel bir açıklama değil, katkı veren etkenlerin listesidir. Temsilcilere en güçlü üçünü bağlam olarak verin ve bunları korelasyon diye etiketleyin.
Tahmine dayalı model ne sıklıkla yeniden eğitilmeli?
Ritmi satış döngünüze bağlayın: kabaca bir döngü kadar yeni sonuç biriktiğinde yeniden eğitin; çoğu B2B ekip için bu aylık veya üç aylık demektir. Kimin satın aldığını değiştiren her değişiklikten sonra, örneğin yeni fiyatlandırma veya yeni bir segment, hemen yeniden eğitin. Aralarda canlı dilim eğimini izleyin; eğrinin düzleşmesi erken eğitim sinyalidir.
Tahmine dayalı puanlama kural tabanlıdan daha mı iyi?
Sıralamada daha iyi, açıklamada daha zayıf ve geçmiş veri olmadan işe yaramaz. Kurallar yeni funnel'lar, küçük hacimler ve bir denetçinin ya da satış ekibinin inceleyebilmesi gereken her şey için doğru seçimdir. Tahmin, elle ayarın yetişemediği ve küçük sıralama kazanımlarının biriktiği yüksek hacimde yerini kazanır. Birçok ekip ikisini birlikte kullanır: kurallar taban, model katman içi sıralama.
Modele hangi özellikler girmeli?
Yakalama anında güvenilir biçimde bilinen ve zaman içinde kararlı olan her şey: firma verileri, trafik kaynağı, cihaz, sitede geçen süre, form veya test yanıtları ve gönderim öncesi izlenen eylem sayıları. Bilinçli işlemiyorsanız serbest metni, temsilcinin nitelemeden sonra düzenlediği alanları ve korumalı özellikleri dışarıda bırakın. Kısa ve temiz bir liste, uzun ve gürültülü olanı genelde geçer.
Tahmine dayalı model bazı adaylara karşı önyargılı olabilir mi?
Evet ve nedeni genelde algoritma değil etikettir. Satışın nadiren ilgilendiği bir segment nadiren dönüşür; model onu düşük puanlar ve temsilciler daha da az ilgilenir. Devreye almadan önce ve sonra segment bazında dönüşüm oranlarını denetleyin, düşük puanların küçük bir rastgele bölümünü insan incelemesine ayırın ve korumalı özellikleri ya da onların yakın vekillerini modele hiç vermeyin.