رفتن به محتوای اصلی
legion logomark logo
امتیازدهی لید

لیدهای مهم‌تر را زودتر پیدا کنید

به رفتار و ویژگی‌های مهم هر لید امتیاز بدهید تا تیم بداند کدام سرنخ‌ها در اولویت پیگیری هستند. امتیاز نهایی یک معیار کمکی برای ترتیب‌دادن کار تیم است.

  • امتیاز بر اساس رفتار
  • اولویت پیگیری
  • قواعد قابل تنظیم
نمای سگمنت‌بندی و تحلیل مشتریان در لژیون
پاسخ مستقیم

امتیازدهی لید چیست؟

امتیازدهی لید روشی برای اولویت‌بندی سرنخ‌هاست. به رفتارها و ویژگی‌های مهم امتیاز می‌دهید و مجموع امتیاز کمک می‌کند تیم فروش یا مارکتینگ بداند پیگیری را از کجا شروع کند.

  • امتیاز بر اساس رفتار
  • اولویت پیگیری
  • قواعد قابل تنظیم

برندهایی که از لژیون برای مدیریت رابطه با مشتری استفاده کرده‌اند

سینره
لیموهاست
کافه نون
رهنما
میس ویک
تیتانا
مکانیزم

امتیازدهی لید چطور کار می‌کند؟

ابتدا رفتارها و ویژگی‌های مهم را مشخص می‌کنید. برای هرکدام امتیاز یا وزن می‌گذارید. با ثبت داده جدید، امتیاز لید تغییر می‌کند و می‌تواند مبنای سگمنت یا پیگیری بعدی باشد.

نمای تغییر گروه‌بندی رفتاری مشتریان در لژیون
۱

تعریف نتیجه موردنظر

مشخص کنید امتیاز قرار است چه تصمیمی را پشتیبانی کند؛ برای نمونه اولویت تماس، ورود به یک سگمنت یا شروع سناریوی پرورش. بدون تصمیم مشخص، امتیاز به عددی بدون کاربرد تبدیل می‌شود.

۲

انتخاب نشانه‌های مناسب

ویژگی‌های پروفایل و رفتارهایی انتخاب می‌شوند که واقعاً با آمادگی یا تناسب سرنخ ارتباط دارند. هر داده باید منبع روشن داشته باشد و فقط به دلیل در دسترس بودن وارد مدل نشود.

۳

تعیین وزن مثبت و منفی

برای هر نشانه مقدار اثر تعریف می‌شود. رفتارهایی مانند تکمیل یک فرم یا بازگشت مجدد می‌توانند امتیاز مثبت و نشانه‌های نامرتبط یا قدیمی امتیاز منفی ایجاد کنند؛ مقدارها باید ساده و روشن باشند.

۴

تعریف آستانه‌های عملیاتی

امتیاز خام زمانی کاربردی می‌شود که مشخص باشد چه بازه‌ای برای هر گروه یا اقدام معنا دارد. آستانه‌ها باید ابتدا روی داده واقعی آزمایش شوند و به‌صورت دائمی ثابت فرض نشوند.

۵

بازبینی با نتیجه واقعی

پس از اجرا، ارتباط امتیاز با رفتار واقعی مانند پاسخ، خرید یا پیشروی در مسیر فروش بررسی می‌شود. قواعدی که ارزش توضیحی ندارند باید اصلاح یا حذف شوند تا مدل به مرور پیچیده و مبهم نشود.

۶

استفاده در سگمنت‌بندی و سناریو

امتیاز می‌تواند به‌عنوان یکی از ویژگی‌های پروفایل در سگمنت‌بندی استفاده شود. اگر زیرساخت اتومیشن و رویدادهای لازم فعال باشند، عبور از یک آستانه می‌تواند تریگر بررسی یا سناریوی بعدی باشد.

نتیجه

این قابلیت چه تغییری را باید قابل مشاهده کند؟

نتیجه زمانی قابل اتکاست که در رفتار واقعی مشتری دیده شود؛ نه فقط در تعداد استفاده از قابلیت. خروجی‌های تعریف‌شده صفحه را کنار خرید، مراجعه و سفر مشتری بررسی کنید.

اولویت‌بندی روشن‌تر سرنخ‌ها

تیم به‌جای اتکا به برداشت فردی، می‌تواند از یک قاعده مشترک برای تشخیص گروه‌های با اولویت بیشتر استفاده کند. نتیجه هر بازه امتیاز را با تبدیل و ارزش واقعی و نحوه اقدام تیم مقایسه کنید.

هماهنگی بازاریابی و پیگیری

معیارهای امتیازدهی معیار مشترکی می‌سازند تا تیم‌ها بدانند چرا یک سرنخ در گروه مشخصی قرار گرفته و چه داده‌ای پشت تصمیم است.

کاهش پیگیری‌های نامرتبط

سرنخ‌هایی که هنوز نشانه کافی ندارند می‌توانند از پیگیری سنگین جدا شوند و مسیر متناسب‌تری دریافت کنند.

یادگیری از داده واقعی

با مقایسه امتیاز و نتیجه واقعی می‌توان قواعد کم‌اثر را حذف و معیارهای معنادارتر را تقویت کرد، بدون ادعای پیش‌بینی قطعی.

تنظیمات

قبل از فعال‌سازی چه تصمیم‌هایی باید روشن باشند؟

تنظیم قابلیت را به تصمیم‌های روشن درباره مخاطب، شرط، زمان، ارزش و محدودیت تبدیل کنید تا رفتار آن قابل بررسی و قابل تغییر بماند.

۰۱قاعده

منابع امتیاز

مشخص کنید امتیاز از کدام ویژگی‌ها یا رویدادها ساخته می‌شود و هر مورد در چه زمانی معتبر است. داده بدون منبع یا رویداد تکراری می‌تواند امتیاز را منحرف کند.

۰۲قاعده

وزن هر نشانه

برای نشانه‌های مهم وزن متناسب تعریف کنید. وزن‌ها باید به اندازه‌ای ساده باشند که مدیر بتواند دلیل امتیاز یک سرنخ را توضیح دهد.

۰۳قاعده

امتیاز منفی

برخی رفتارها یا شرایط می‌توانند اهمیت سرنخ را کاهش دهند. امتیاز منفی باید با منطق روشن استفاده شود و به تنبیه بی‌دلیل فعالیت طبیعی کاربر تبدیل نشود. قبل از عمومی‌کردن، اثر این تنظیم را روی گروه محدود بررسی کنید.

۰۴قاعده

آستانه‌های گروه‌بندی

بازه‌های امتیاز را به گروه‌های عملیاتی مانند نیازمند پرورش، مناسب برای بررسی یا با اولویت بیشتر تبدیل کنید و نام‌گذاری را با فرایند واقعی تیم هماهنگ نگه دارید. نتیجه هر بازه امتیاز را با تبدیل و ارزش واقعی و نحوه اقدام تیم مقایسه کنید.

۰۵قاعده

تاریخ و تازگی رفتار

رفتار قدیمی ممکن است ارزش امروز را نشان ندهد. اگر مدل از تازگی استفاده می‌کند، قاعده کاهش اثر باید روشن و قابل بازبینی باشد؛ در غیر این صورت از ادعای امتیاز پویا خودداری شود.

۰۶قاعده

بازبینی دوره‌ای

مدل امتیازدهی باید با نتیجه واقعی سنجیده شود. اگر قواعد به تبدیل یا کیفیت سرنخ ارتباطی ندارند، تغییر آن‌ها از افزودن معیارهای بیشتر مفیدتر است.

سناریوهای کاربردی

این قابلیت در چه موقعیت‌هایی استفاده می‌شود؟

مثال‌های صفحه نشان می‌دهند قاعده و رفتار مورد انتظار چگونه باید به یک موقعیت واقعی مشتری وصل شوند.

تکمیل فرم و بازگشت دوباره

سناریو: سرنخ فرم اولیه را تکمیل کرده و در روزهای بعد دوباره به یکی از نقاط تماس دیجیتال برمی‌گردد.

قاعده: تکمیل فرم و بازگشت ثبت‌شده هرکدام امتیاز مشخص می‌گیرند و در کنار ویژگی‌های پروفایل بررسی می‌شوند.

رفتار مورد انتظار: تشخیص سرنخ‌هایی که نشانه تعامل بیشتری نسبت به ثبت اولیه دارند.

تناسب با مخاطب هدف

سناریو: برخی ویژگی‌های کسب‌وکار یا نقش فرد برای محصول تناسب بیشتری دارند.

قاعده: ویژگی‌های تأییدشده پروفایل می‌توانند بخشی از امتیاز باشند، اما نباید اطلاعات حدسی یا حساس بدون مبنا وارد مدل شود.

رفتار مورد انتظار: جدا کردن تناسب ساختاری از فقط میزان تعامل.

عبور از آستانه بررسی

سناریو: تیم می‌خواهد سرنخ‌هایی که از حد مشخصی عبور کرده‌اند در یک گروه جدا دیده شوند.

قاعده: امتیاز کل به‌عنوان ویژگی پروفایل در سگمنت‌بندی استفاده می‌شود و گروه «نیازمند بررسی» بر اساس آستانه روشن ساخته می‌شود.

رفتار مورد انتظار: ساخت فهرست اولویت بدون استخراج دستی و تفسیر متفاوت افراد.

کاهش اثر فعالیت قدیمی

سناریو: سرنخی ماه‌ها قبل فعال بوده اما در دوره اخیر هیچ رفتار جدیدی ثبت نکرده است.

قاعده: اگر قابلیت کاهش اثر زمانی در مدل پروژه تعریف شده باشد، وزن رفتار قدیمی به‌تدریج کمتر می‌شود؛ در غیر این صورت معیار تازگی جداگانه استفاده می‌شود.

رفتار مورد انتظار: جلوگیری از بالا ماندن مصنوعی اولویت فقط به دلیل فعالیت قدیمی.

ورود به سناریوی پرورش

سناریو: سرنخ هنوز برای پیگیری مستقیم آماده نیست اما تعامل معناداری دارد.

قاعده: گروه میانی امتیاز می‌تواند مخاطب یک مسیر محتوایی یا ارتباطی سبک‌تر باشد، مشروط به اینکه کانال و رضایت لازم وجود داشته باشد.

رفتار مورد انتظار: تناسب بیشتر شدت ارتباط با وضعیت واقعی سرنخ.

یکپارچه‌سازی

این قابلیت به چه داده و سیستم‌هایی وابسته است؟

منبع داده و مسئولیت هر سیستم باید روشن باشد تا خرید، رویداد یا مزیت به هویت درست مشتری متصل شود.

پلتفرم داده مشتری

ویژگی‌ها و رفتارهای سرنخ در پروفایل یکپارچه ذخیره می‌شوند تا امتیاز از داده قابل پیگیری ساخته شود.

وابستگی: شناسه و پروفایل معتبر

فرم و رویداد

ثبت فرم، تعامل یا رویدادهای تعریف‌شده می‌توانند به‌عنوان نشانه رفتاری در مدل استفاده شوند.

وابستگی: رویداد پایدار و بدون ثبت تکراری

سگمنت‌بندی مشتریان

امتیاز می‌تواند یکی از معیارهای ورود به گروه‌های عملیاتی باشد و در کنار سایر ویژگی‌ها استفاده شود.

وابستگی: تعریف آستانه و قاعده گروه‌بندی

اتومیشن بازاریابی

در صورت وجود رویداد و مجوز لازم، تغییر امتیاز یا ورود به گروه می‌تواند بخشی از منطق یک سناریوی بعدی باشد.

وابستگی: تریگر و اقدام تأییدشده

راهنمای انتخاب

قبل از انتخاب، این تفاوت‌ها را ببینید

این قابلیت برای زمانی مناسب است که تیم داده‌های رفتاری یا پروفایل کافی دارد و می‌خواهد اولویت پیگیری را با قواعد مشترک و روشن مشخص کند. اگر حجم سرنخ کم است یا داده قابل اعتماد وجود ندارد، فرایند ساده دستی می‌تواند مناسب‌تر باشد.

وضعیت

سرنخ زیاد و رفتار قابل ثبت

۱
روش مناسب

امتیازدهی قاعده‌محور

دلیل

اولویت‌بندی مشترک و روشن به تیم کمک می‌کند.

وضعیت

سرنخ کم و شناخت مستقیم تیم

۲
روش مناسب

فرایند ساده بدون امتیاز پیچیده

دلیل

هزینه نگهداری مدل ممکن است از ارزش آن بیشتر باشد.

وضعیت

داده پراکنده یا هویت نامطمئن

۳
روش مناسب

ابتدا یکپارچه‌سازی داده

دلیل

امتیاز روی داده ناقص یا تکراری قابل اعتماد نیست.

وضعیت

نیاز به پیش‌بینی احتمالی خرید

۴
روش مناسب

مدل تحلیلی جداگانه پس از آماده شدن داده

دلیل

امتیاز قاعده‌محور نباید به‌عنوان پیش‌بینی قطعی معرفی شود.

استقرار

این قابلیت چگونه از طراحی به اجرای قابل بررسی می‌رسد؟

فعال‌سازی با تعریف رفتار و قواعد شروع می‌شود، سپس داده متصل و اجرا روی دامنه محدود بررسی می‌شود.

  1. ۱

    تعریف رفتار هدف

    مشخص کنید این قابلیت باید کدام رفتار مشتری را تغییر دهد و چه شاخصی برای بررسی نتیجه استفاده می‌شود.

  2. ۲

    تعیین قواعد و محدودیت‌ها

    نرخ، سقف، شرط، دوره و استثناها را با اقتصاد کسب‌وکار و تجربه مشتری هماهنگ کنید.

  3. ۳

    اتصال داده لازم

    رویداد، خرید، بخش مشتریان یا ویژگی موردنیاز را از منبع معتبر متصل و کیفیت هویت مشتری را بررسی کنید.

  4. ۴

    اجرای محدود و بازبینی

    سناریو را ابتدا روی دامنه مشخص اجرا کنید و بعد از مشاهده رفتار واقعی، دامنه را توسعه دهید.

پرسش‌های پرتکرار

سوالات پرتکرار

پاسخ کوتاه به پرسش‌هایی که معمولاً هنگام بررسی این راهکار، نیازهای فنی و مسیر راه‌اندازی مطرح می‌شوند.

امتیازدهی سرنخ چه تفاوتی با سگمنت‌بندی مشتریان دارد؟

امتیازدهی یک مقدار عددی یا رتبه روشن از مجموعه‌ای از نشانه‌ها می‌سازد، در حالی که سگمنت‌بندی، مشتریان را بر اساس شرط‌ها در گروه‌های مشخص قرار می‌دهد. این دو می‌توانند مکمل باشند؛ برای مثال امتیاز سرنخ به‌عنوان یکی از ویژگی‌های پروفایل استفاده شود و یک سگمنت شامل افرادی ساخته شود که از آستانه مشخصی عبور کرده‌اند و سایر شرایط لازم را نیز دارند.

پاسخ سؤال ۱
آیا امتیازدهی سرنخ در لژیون مبتنی بر هوش مصنوعی است؟

امتیازدهی سرنخ در لژیون بر یک مدل قاعده‌محور و روشن است؛ کسب‌وکار مشخص می‌کند کدام داده‌ها و رفتارها چه اثری بر امتیاز دارند. مدل پیش‌بینی‌کننده یا یادگیری ماشین در این قابلیت فرض نشده است.

پاسخ سؤال ۲
چه داده‌هایی برای امتیازدهی مناسب‌اند؟

ویژگی‌های پروفایل، منبع جذب، نوع کسب‌وکار، نقش مخاطب و رفتارهای ثبت‌شده می‌توانند در صورت مرتبط بودن استفاده شوند. انتخاب باید از سؤال عملیاتی شروع شود، نه از تعداد فیلدهای موجود.

پاسخ سؤال ۳
آیا امتیاز بالا به معنی آماده بودن قطعی برای خرید است؟

خیر. امتیاز سرنخ ابزار اولویت‌بندی است، نه تضمین خرید.

پاسخ سؤال ۴
چطور از امتیازهای قدیمی یا غیرواقعی جلوگیری کنیم؟

قواعد باید به‌صورت دوره‌ای بازبینی شوند و معیارهای زمانی در طراحی مدل دیده شوند. اگر رفتار قدیمی نباید وزن امروز را حفظ کند، می‌توان از تازگی تعامل به‌عنوان معیار جدا یا در صورت پشتیبانی پروژه از قاعده کاهش اثر زمانی استفاده کرد.

پاسخ سؤال ۵
آیا عبور از یک آستانه می‌تواند اتومیشن را شروع کند؟

اگر امتیاز در پروفایل یا سگمنت‌بندی قابل استفاده باشد و رویدادها و اتومیشن لازم در پروژه فعال باشند، عبور از آستانه می‌تواند بخشی از منطق یک سناریوی بعدی باشد. با این حال، نوع اقدام، کانال ارتباطی، رضایت مخاطب و سطح دسترسی باید جداگانه کنترل شوند.

پاسخ سؤال ۶
مدل امتیازدهی هر چند وقت یک بار باید بازبینی شود؟

بازه ثابت و یکسانی برای همه کسب‌وکارها وجود ندارد. زمان بازبینی باید با حجم سرنخ، سرعت تغییر کانال‌های جذب و تعداد نتایج ثبت‌شده هماهنگ باشد.

پاسخ سؤال ۷

لژیون را برای کسب‌وکارتان بررسی کنید

در دمو، یک مدل ساده امتیازدهی را با رفتارهای واقعی لید مرور می‌کنیم.

امکاناتباشگاه مشتریانپلتفرم داده مشتریسگمنت‌بندی مشتریاناتومیشن بازاریابیدمو

امتیازدهی لید؛ اولویت‌بندی سرنخ‌ها برای پیگیری | لژیون