Prädiktives Lead-Scoring
Prädiktives Lead-Scoring nutzt auf historischen Konversionsdaten trainiertes maschinelles Lernen, um die Kaufwahrscheinlichkeit jedes Leads zu schätzen, statt Punkteregeln von Hand zu setzen.
Im Detail
Statt dass ein Mensch Attributen Gewichte zuweist, lernt ein prädiktives Modell Muster aus früheren Leads, die konvertiert sind und die nicht, und bewertet neue Leads danach, wie sehr sie den Gewinnern ähneln. Es kann nicht offensichtliche Zusammenhänge aufdecken, etwa eine Kombination aus Branche und Zeitpunkt des Engagements, die Menschen übersehen würden, und es aktualisiert sich mit neuen Ergebnisdaten. Das macht es stark für umfangreiche Pipelines, in denen manuelles Regel-Tuning nicht Schritt halten kann.
Der große Stolperstein ist die Datenabhängigkeit: Prädiktives Scoring braucht einen großen, sauberen und einigermaßen ausgewogenen Datensatz vergangener Konversionen und passt daher schlecht zu neuen Produkten oder dünnen Pipelines. Schlechte oder verzerrte Historie erzeugt selbstbewusst falsche Werte. In einem Quiz-Funnel lässt sich prädiktives Scoring über eine Scorecard legen, sobald genügend Ergebnisse vorliegen, indem Quizantworten und nachgelagerte Konversionsdaten als Trainingsmerkmale dienen, um zu schärfen, welche Antwortmuster wirklich Umsatz vorhersagen.
Beispiel aus der Praxis
Häufig gestellte Fragen
Wie unterscheidet sich prädiktives von regelbasiertem Scoring?
Regelbasiertes Scoring beruht auf Punkten, die ein Mensch je Attribut setzt, während prädiktives Scoring Gewichte automatisch aus historischen Konversionsdaten lernt. Prädiktive Modelle passen sich an und erkennen übersehene Muster, brauchen aber viele saubere Daten.
Wie viele Daten braucht prädiktives Lead-Scoring?
Es gibt kein universelles Minimum, aber in der Regel sollten Tausende vergangener Leads mit bekanntem Ausgang und ein vernünftiges Verhältnis von Konversionen zu Nicht-Konversionen vorliegen. Bei dünnen oder verzerrten Daten ist ein transparentes regelbasiertes Modell meist sicherer.
Kann prädiktives Scoring verzerrt oder unfair sein?
Ja, denn ein Modell übernimmt die Verzerrungen seiner Trainingsdaten und kann sie verstärken. Prüfen Sie Merkmale auf Stellvertreter geschützter Attribute und überwachen Sie die Ergebnisse, damit bestimmte Segmente nicht systematisch falsch bewertet werden.