리드 스코어링: 리드 스코어의 정의 및 계산 방법

많은 양의 리드를 생성하는 것과 고객으로 전환할 가능성이 가장 높은 잠재 고객을 식별하는 것은 별개입니다. 다르게 말하면 양보다 질입니다.

여기서 리드 스코어링이 필요합니다. 리드 스코어링이 무엇이며 어떻게 효과적으로 계산할 수 있는지 살펴보겠습니다.

리드 스코어링이란 무엇입니까?

간단히 말해서, 리드 스코어링은 어떤 리드가 추구할 가치가 있고 어떤 리드가 그렇지 않은지를 결정하기 위해 잠재 고객의 품질을 측정하는 것과 관련됩니다. 일반적으로 이 프로세스는 포인트 기반 시스템에서 작동합니다.

다양한 속성에 따라 잠재 고객 포인트를 할당합니다. 보다 구체적으로 암시적 및 명시적 데이터를 기반으로 리드 점수를 매길 수 있습니다.

명시적 정보는 리드가 전화 통화 또는 양식 작성을 통해 확인한 사실 데이터를 말합니다. 반면에 암시적 데이터는 구매 내역과 같이 이미 보유하고 있는 정보를 기반으로 합니다.

그런 다음 두 데이터 세트를 인구 통계 및 행동 데이터로 나눌 수 있습니다. 인구통계학적 데이터는 리드의 회사 규모, 지리적 정보 또는 산업을 나타내는 반면 행동 데이터는 양식 제출과 같이 리드가 취한 조치를 기반으로 한 정보에 중점을 둡니다.

리드 스코어링의 이점은 무엇입니까?

우선 리드 스코어링은 판매 프로세스를 보다 효율적으로 만듭니다. 자격이 있는 리드와 자격이 없는 리드를 식별하면 더 이상 비즈니스에 가치를 제공하지 않을 가능성이 있는 리드에 대해 콜드콜하거나 판매 이메일을 개인화하는 데 시간을 할애할 필요가 없습니다.

방정식에서 나쁜 리드를 제거하면 더 적은 수의 영업 담당자로 전환을 늘릴 수 있습니다.

결과적으로 리드 스코어링은 시간과 비용을 절약하는 데 도움이 됩니다. 또한 더 나은 결과를 위해 판매 노력을 가치가 높은 리드로 전환하는 데 도움이 됩니다.

또한 리드 스코어링 시스템은 마케팅 전략을 개선하는 데 도움이 됩니다. 가장 가치 있는 리드를 가져오는 마케팅 채널을 식별하여 투자할 가치가 있는 채널과 그렇지 않은 채널을 결정할 수 있습니다.

또한 잠재 고객이 판매 주기에서 어디에 위치하는지 정확히 파악할 수 있으므로 리드 스코어링은 육성 프로세스를 개선합니다.

해당 정보를 사용하여 각 판매 주기 단계에서 리드 전용 콘텐츠를 보낼 수 있습니다. 결과적으로 더 의미 있는 관계를 만들고 거래를 더 빨리 성사시킬 수 있습니다.

마지막으로 리드를 평가하면 영업 팀과 마케팅 팀이 같은 페이지에 도달하는 데 도움이 됩니다. 앞서 언급했듯이 리드 스코어링 시스템을 갖추려면 데이터가 필요합니다.

이 정보는 마케터가 어떤 유형의 잠재 고객이 전환할 가능성이 가장 높은지, 그리고 이들을 유치하기 위한 타겟 캠페인을 만드는 방법을 이해하는 데 도움이 됩니다. 그런 다음 마케팅 부서는 영업 준비가 된 리드를 영업 팀에 전달하고 더 많은 매출을 창출하도록 도울 수 있습니다.

수동으로 리드 점수를 매기는 방법

리드 투 고객 전환율

리드에서 고객으로의 전환율은 판매로 이어진 회사의 적격 리드의 비율을 나타냅니다. 이 메트릭을 계산하려면 전환을 생성한 적격 잠재 고객의 수를 적격 리드의 총 수로 나눕니다.

이 측정항목이 중요한 이유는 무엇입니까? 본질적으로 영업 팀의 벤치마크 역할을 합니다. 이를 통해 판매 깔때기의 성과를 평가하고 여러 마케팅 채널을 서로 쌓아 고품질 리드를 생성하는 데 가장 효과적인 채널을 식별할 수 있습니다.

모델에 적합한 속성 선택

속성은 리드 스코어링 모델의 중추입니다. 영업 준비가 된 잠재 고객의 특성을 정의 및 식별하고 리드 품질을 개선하는 방법에 대한 아이디어를 제공합니다.

여기서 앞서 언급한 데이터가 필요합니다. 먼저 비즈니스에 가장 큰 가치를 가져다 줄 잠재 고객을 식별하십시오.

둘째, 암시적 및 명시적 데이터 세트를 사용하고 인구 통계 및 행동 데이터를 조사하여 고가치 리드 간의 유사성을 찾습니다. 데이터를 검토할 때 고품질 잠재 고객을 정의하는 특성을 식별하고 그에 따라 속성을 할당합니다.

모든 속성에 대한 마감 비율 결정

다음으로 어떤 속성이 다른 속성보다 더 가치가 있는지 결정할 때입니다. 이를 수행하려면 먼저 각 속성에 대한 마감 비율을 계산해야 합니다. 보다 구체적으로, 행동이나 인구 통계에 따라 얼마나 많은 잠재 고객이 고객으로 전환되는지 식별합니다.

예를 들어 뉴스레터에 가입한 사람들의 마감 비율을 계산하거나 소셜 미디어에서 팔로우하거나 다양한 지역 또는 틈새 시장 내에서 잠재 고객의 마감 비율을 결정할 수 있습니다.

포인트 값 할당

각 속성에 대한 마감 비율을 결정할 때 이를 비교하고 우선 순위를 지정해야 합니다.

예를 들어, 최근 Instagram 통계에 따르면 마케터는 인플루언서 마케팅을 가장 빠르게 확장되는 고객 확보 채널로 평가합니다. 따라서 뉴스레터에 가입한 잠재 고객보다 인플루언서 캠페인의 잠재 고객이 고객으로 전환되는 경우가 더 많다는 것을 알 수 있습니다.

이 경우 전자의 속성이 더 가치가 있습니다. 리드 품질을 정확하게 반영하는 특성을 정의하기 위해 각 특정 속성에 대해 프로세스를 반복합니다.

또한 속성의 마감 비율을 전체 마감 비율과 비교하십시오. 이것은 속성에 대한 점수를 할당할 때 기준점 역할을 합니다.

예를 들어, 뉴스레터 가입의 마감 비율이 15%이고 전체 마감 비율이 1%인 경우 뉴스레터에 등록하는 각 리드를 15포인트로 지정할 수 있습니다.

또한 자격을 갖춘 잠재 고객과 자격이 없는 잠재 고객을 쉽게 구분할 수 있도록 최소 점수 임계값을 설정하는 것이 좋습니다. 예를 들어 점수가 50/100점 미만인 리드는 추적할 가치가 없을 수 있습니다.

다른 유형의 리드 스코어링

수동 접근 방식 외에도 리드 점수를 매기는 다른 방법이 있습니다. 보다 구체적으로, 예측 및 물류 회귀 리드 스코어링.

시간을 절약하려는 경우 예측 리드 스코어링이 최선의 선택이 될 수 있습니다. 이 방법은 기계 학습을 사용하여 잠재 고객 데이터를 살펴보고 전환 가능성이 있는 잠재 고객과 전환하지 않는 잠재 고객 간의 공통점을 찾고 전환 가능성에 따라 각 잠재 고객의 순위를 지정합니다.

예측 리드 스코어링은 귀중한 속성을 식별하고 인적 오류의 위험을 최소화하기 위해 데이터를 수동으로 선별할 필요가 없습니다.

또한 예측 리드 스코어링 시스템은 기계 학습 기술을 사용하므로 후속 전략을 수동으로 최적화할 필요가 없습니다.

반면에 로지스틱 회귀 리드 스코어링 시스템의 주요 강점은 모든 고객 속성이 서로 상호 작용하는 방식을 고려하기 때문에 정확성에 있습니다.

이것은 Microsoft Excel을 사용하는 데이터 마이닝 기술입니다. 잠재 고객을 고객으로 전환할 확률을 나타내는 스프레드시트에 공식을 작성하여 작동합니다.

결론

전반적으로 리드 점수는 가치가 높은 잠재 고객을 식별하고 리드당 비용을 낮추는 방법에 대한 통찰력을 제공하는 데 중요합니다.

리드-투-전환을 늦게 결정하는 것부터 시작하십시오. 그런 다음 고객 정보에 따라 올바른 속성을 선택하고 각 속성의 마감 비율을 계산하고 중요도에 따라 정렬합니다.