Leadkwalificatie automatiseren

Aanvragen komen binnen via een formulier, een mailbox, een WhatsApp-nummer en af en toe een telefoontje dat iemand op een blocnote heeft gekrabbeld. Iemand leest het allemaal. De serieuze aanvraag van negen uur 's ochtends staat in de rij achter vier leveranciers die SEO aanbieden en een student die vraagt naar een stageplek.

Die rij is het probleem, en harder werken lost hem zelden op. Hij wordt opgelost door per aanvraag te bepalen wat er daarna moet gebeuren, en dat is wat kwalificeren eigenlijk betekent.

Kwalificeren is een besluit, geen cijfer

De meeste scoringsprojecten leveren een getal op waar niemand iets mee doet. Begin aan de andere kant: er zijn maar drie uitkomsten die het bouwen waard zijn.

Nu doorgeven aan een mens. Twee vragen stellen en op antwoord wachten. Of netjes afwijzen, zodat de afzender niet blijft wachten en uw team het nooit meer ziet.

Ontwerp het systeem zo dat er één van die drie uitkomt, en het cijfer wordt een detail. Een systeem dat een getal tussen 0 en 100 produceert zonder gekoppelde regel, produceert vergaderingen.

De pijplijn, stap voor stap

1. Eén plek voor alles. Formulieren, de gedeelde mailbox, WhatsApp en een notitieveld voor telefoontjes, allemaal in dezelfde tabel met de bron erbij. Die bron legt u bij binnenkomst vast, want achteraf reconstrueren is gokken.
2. Verrijk met bedrijfsgegevens, niet met persoonsgegevens. Neem het e-maildomein en zoek op wat het bedrijf doet en ongeveer hoe groot het is. Gebruik waar mogelijk het bedrijf als eenheid: dat is stabieler, bruikbaarder en houdt u weg bij het opbouwen van profielen van personen. Zijn er wel persoonsgegevens bij betrokken, dan is verrijken een verwerking als elke andere, en daarover gaat de basis van de AVG.
3. Herken de intentie uit de tekst. Dit is het deel waar een model regels echt verslaat. Offerteaanvraag, supportvraag van een bestaande klant, sollicitatie, verkooppitch, samenwerkingsvoorstel, spam. Vraag om een vaste set categorieën plus een zekerheid, en stuur alles wat twijfelachtig is naar een mens in plaats van te gokken.
4. Scoor passendheid op bewijs, niet op mening. Haal uw gesloten deals van de afgelopen twee jaar erbij en kijk wat ze gemeen hadden: sector, omvang, het probleem waarmee ze binnenkwamen, via welk kanaal. Bouw de definitie daarop. Een scoringsmodel dat is gebouwd op wat het salesteam gelooft over goede klanten, legt dat geloof vast en niet die klanten.
5. Routeer met regels die leesbaar zijn. Hoge passendheid en duidelijke intentie gaan direct naar een mens, met de aanvraag samengevat en de verrijking erbij. De middenmoot krijgt meteen een bruikbaar antwoord met de twee vragen die u toch altijd stelt. Wat buiten scope valt, krijgt een kort en eerlijk nee.
6. Schrijf de reden terug, niet alleen het getal. In het CRM hoort in één regel te staan waarom iets zo is gerouteerd, leesbaar voor een verkoper. Dat maakt het systeem corrigeerbaar, en het laat u later ontdekken dat het fout zat.
7. Toets maandelijks aan de uitkomst. Neem de leads die het systeem laag scoorde en zoek uit hoeveel daarvan alsnog klant werden. Dat getal is de enige eerlijke maat of de scoring werkt, en het is het getal waar niemand naar kijkt.

De scorefout die haar eigen schade verbergt

Een scoringssysteem dat leert van welke leads uw team heeft gesloten, leert net zo goed de gewoonten van uw team als de kenmerken van uw klanten. Hebben verkopers aanvragen van gratis e-mailadressen, van bedrijven met een buitenlandse naam of uit een onbekende sector historisch links laten liggen, dan leert het model die laag te scoren.

Daarna sluit de lus zich. Laag gescoorde leads worden nooit gebeld, dus worden ze nooit klant, dus bevestigt de volgende ronde dat ze inderdaad zwak waren. Volgens zijn eigen maatstaf klopt het systeem, en die maatstaf is het probleem. Erger nog: bij werving of kredietverlening is dit patroon niet alleen commercieel schadelijk, maar precies het soort indirect onderscheid waar toezichthouders op letten.

Twee verdedigingen, allebei goedkoop. Bemonster altijd: stuur een klein willekeurig deel van de laag gescoorde aanvragen toch naar een mens en vergelijk. En kijk waar de score werkelijk op aanslaat door twintig laag gescoorde voorbeelden te lezen. Dat kost een uur en zegt meer dan welk dashboard ook.

De andere manier waarop het misgaat

Snelheid. Een kwalificatiesysteem dat twee minuten verwerking toevoegt voordat er iets bij een mens komt, heeft uw reactietijd verlengd, en reactietijd is het onderdeel van binnenkomende aanvragen waar het voordeel onbetwist is. Ontwerp zo dat het snelle pad snel blijft: bevestig direct, classificeer op de achtergrond, en laat nooit een wachtrij ontstaan achter een stap die stil kan falen.

De variant die wij het vaakst zien, verwerkt in batches. Hij draait elk kwartier, en dat gaat goed tot de aanvraag van vrijdag 16.58 uur om 17.13 uur wordt verwerkt en niemand meer naar die wachtrij kijkt.

Wanneer scoring niet het juiste gereedschap is

Krijgt u een stuk of twaalf aanvragen per maand, lees ze dan. De tijd om een scoringssysteem te bouwen, af te stellen en te bewaken, verdient zich bij dat volume nooit terug, en de algemene toets daarvoor geldt onverkort.

Is uw probleem dat het meeste wat binnenkomt rommel is, dan ligt de oplossing stroomopwaarts. Veel rommel betekent meestal dat de advertenties, de doelgroep of het formulier de verkeerde mensen aantrekt, en een beter filter bestrijdt het symptoom terwijl u voor dat verkeer blijft betalen.

En is de werkelijke klacht dat antwoorden lang duren, dan heeft u misschien helemaal geen scoring nodig. Een directe ontvangstbevestiging, een link waarmee iemand een moment inplant, en routering op intentie lossen meer op dan een model. Dat is een week werk in plaats van een project, en het is vaak het eerlijke advies.

Wat hier het automatiseren waard is, is doorgaans het saaie midden: alles op één plek vastleggen, samenvatten en snel bij een mens krijgen. Zo ziet het merendeel van ons automatiseringswerk eruit, en de overige artikelen over workflow-automatisering behandelen aangrenzende processen op dezelfde manier.

Veelgestelde vragen

Mag een model leads zelfstandig afwijzen?

Alleen bij categorieën waar een vergissing goedkoop en omkeerbaar is, zoals evidente verkooppitches. Bij alles wat een klant zou kunnen zijn, laat u het model routeren en een mens beslissen, want een onterecht afgewezen aanvraag geeft geen enkel signaal: niemand klaagt, ze kopen elders.

Welke gegevens hebben we nodig voordat we kunnen scoren?

Twee jaar aan gesloten deals, of zoveel historie als u heeft, met de uitkomst erbij. Zonder uitkomsten legt u meningen vast. Bestaat die historie niet, begin dan met een kwartaal registreren terwijl u routeert op eenvoudige intentieregels.

Mag u leads onder de AVG verrijken met openbare gegevens?

Bedrijfsinformatie verrijken is doorgaans eenvoudig. Profielen opbouwen van personen is een verwerking van persoonsgegevens en heeft een grondslag, een registerregel en transparantie nodig zoals alles. Verrijk bij voorkeur op bedrijfsniveau en stel niet stilletjes dossiers samen over personen met naam en toenaam.

Hoe weten we dat de scoring geen goede klanten wegfiltert?

Stuur een willekeurige steekproef van laag gescoorde aanvragen toch naar een verkoper en volg wat ermee gebeurt. Wordt een noemenswaardig deel daarvan klant, dan klopt uw scoring niet, en geen enkel vertrouwen in het model weegt zwaarder dan die uitkomst.