Logo DMSales
Unia Europejska

Jak działa algorytm Lead Score?

W jaki sposób obniżyć kosztu kampanii e-mail marketingowej? Jak skutecznie wykorzystać lejek sprzedażowy i zbudować go bazie informacji? W jaki sposób określić, które kontakty w bazie danych są wartościowe, a które tylko generują koszty? Odpowiedzią na te pytania może okazać się opracowany w DBMS Lead Score.

Dlaczego Lead Score?

Koncepcja stojąca za powstaniem Lead Score’a wywodzi się wprost z lejka zakupowego oraz ogromu wiedzy, jaką zgromadziliśmy podczas prowadzenia kampanii marketingowych. Każdy człowiek posiada określone preferencje zakupowe, dla każdego coś innego ma wartość. Na szczęście zakres tematyczny kampanii prowadzonych przez DBMS jest tak szeroki, że pokrywa się z dużą ilością zainteresowań ich adresatów. Dzięki temu możemy wykorzystać zgromadzone dane do modelowania zachowań i wyciągania praktycznych wniosków.

Proces budowania Lead Score’a

Patrząc na Lead Score przez pryzmat jego tworzenia łatwo zauważyć, jest to dość złożony ekosystem, bazującym  na zastosowaniu różnych punktów widzenia odnośnie zachowań adresatów różnych kampanii. Najważniejszym elementem koncepcji Lead Score’a pozostaje usystematyzowanie setek słów kluczowych, charakteryzujących poszczególne kampanie e-mail prowadzone przez DBMS. Drugim równie ważnym dla działania Lead Score’a elementem, jest reakcja adresata na określoną kreację marketingową. Może nią być otwarcie, otwarcie połączone z przejściem na stronę Zleceniodawcy, ale także całkowity brak reakcji na daną reklamę.

Jak łatwo zauważyć, już za tymi podstawowymi informacjami stoi ogromna wiedza. A to dopiero początek! Stosując uczenie nienadzorowane jesteśmy w stanie powiązać naszych Użytkowników w grupy charakteryzujące się podobnymi zachowaniami.

Na bazie uczenia nadzorowanego jesteśmy w stanie ocenić, czy dana osoba posiada dziecko, samochód albo czy mieszka w bloku lub w domu jednorodzinnym. Chyba nikogo nie trzeba przekonywać, że w zależności od tematyki kampanii, taka wiedza staje się kluczowa dla ograniczenia kosztów i uzyskania odpowiednio wysokich współczynników otwarć i kliknięć.

Mechanizm działania

Jak zatem interpretować Lead Score’a? Liczba wymiarów, które mamy do dyspozycji w jego ramach jest naprawdę duża i wszystko zależy od celu, jaki nam przyświeca. Na przykład mamy możliwość wykluczenia z kampanii e-mail tych adresatów, którzy w ostatnim miesiącu nie wykazali żadnej aktywności. Mamy też możliwość ograniczenia wysyłek do osób, które nie są zainteresowane daną tematyką. Warto zauważyć, że tylko podstawowa możliwość Lead Score’a znacząco przyczyniają się do ograniczenia kosztów w Państwa firmie!

Dodatkowo, dzięki mechanizmowi Lead Score, możemy weryfikować, czy dany kontakt jest botem. Automatyczne otwarcie i kliknięcia w e-mail marketingu mogą stanowić i nierzadko stanowią poważny problem. Dzięki tej wiedzy statystyki kampanii są jeszcze bardziej dokładne, a wykliczenie automatycznych zliczeń otwarć i kliknięć w poczet wyników kampanii nie zaburza jej wyniku.

Jego cechą szczególną pozostaje pogrupowanie słów kluczowych opisujących adresatów kampanii w pięć jasnych grup: 

  • hot – osoby szczególnie mocno zainteresowane daną kategorią
  • warm – osoby, które również są zainteresowane daną kategorią ale w nieco mniejszym stopniu
  • cold – osoby, które wykonały pojedyncze interakcje z reklama w danym temacie
  • dead – osoby, które nie weszły w interakcję z daną tematyką 
  • kot Schrödingera – osoby, które nie odebrały komunikatu i nie jesteśmy w stanie stwierdzić, czy byłyby nim zainteresowane

W ramach Lead Score’a zbieramy informacje na temat tego, w którym kraju Użytkownik wykonał interakcję z kreacją, ile sumarycznie otrzymał kampanii i jak na nie zareagował. Połączenie tych informacji z pozostałymi danymi również pomaga naszym analitykom precyzyjniej budować bazy dla kolejnych kampanii.

Jeśli interesuje Państwa techniczna strona budowania Lead Score’a, to niektóre tajniki kuchni z nim związane możemy nieco przybliżyć. 

Tajniki funkcji Lead Score’a

Pierwszym wyzwaniem pozostają dane wejściowe, którym daleko do formy umożliwiającej klasyfikację i obliczenia. Aby więc uzyskać odpowiedni format, musimy przetworzyć konkretne zdarzenia w odpowiednie dane liczbowe. Następnie musimy połączyć je ze szczegółowymi informacjami z konkretnych kampanii i zbudować na ich podstawie matrycę, którą możemy przetwarzać przy pomocy naukowych pakietów Pythona. 

W zależności od potrzeb, danych wejściowych oraz założonych współczynników precyzji i pełności, korzystamy z różnych klas pakietu scikit-learn. Dlatego korzystamy zarówno z prostej regresji liniowej, regresji wielomianowej, klasyfikatorów Bayesa, losowych lasów albo stochastycznego spadku wzdłuż gradientu. Tak naprawdę Lead Score’a nie jest prostą, pojedynczą wartością ale całą strukturą danych.

Reasumując, dzięki koncepcji Lead Score’a oraz naszym bogatym zasobom danych zgromadzonych w DBMS mamy szereg możliwości. Jesteśmy w stanie zbudować idealne bazy danych dla Państwa kampanii e-marketingowych. Jednocześnie także możemy obniżyć Państwa koszty działań w zakresie e-mail marketingu, zwiększając przy okazji faktyczne współczynniki otwarć i kliknięć. 

Zaktualizowano 8 kwietnia 2021
Małgorzata Rajca
Autor artykułu
Pomoc techniczna
Pełni funkcję wsparcia technicznego. Pomaga nowym użytkownikom zrozumieć działanie platformy DMSales oraz systemu wysyłkowego DMSender. Rozwiązuje efektywnie wszystkie problemy jakie napotykają po drodze użytkownicy.

Powiązane artykuły.