Lead scoring biedt een andere benadering van klantenwerving. Deze methode detecteert de nabijheid van de prospects van een merk met betrekking tot de daadwerkelijke aankoop. Bovendien richt het zich op de “beste” potentiële consumenten: deze classificatie vergemakkelijkt aanzienlijk het lead management. Op basis van erkende wetenschappelijke bronnen geven wij hier een duidelijke definitie van lead scoring. Wij lichten ook de 4 redenen toe waarom dit concept uw verkoopcijfers doet toenemen.
Neem contact met ons op voor uw B2B-marktonderzoek
Inhoud
Wat is lead scoring?
Lead scoring classificeert de leads van een merk op basis van hun winstgevendheid. Benhaddou & Leray, 2017 (Engelse site) geeft aan dat dit proces deel uitmaakt van customer relationship management. In het algemeen wordt deze score berekend aan de hand van twee intrinsieke criteria van de lead:
- de kenmerken: activiteitensector, verantwoordelijkheid binnen het bedrijf, omvang van de structuur, enz.
- en het gedrag: klanttraject, contactgeschiedenis, interesse in een aanbieding, enz.
Uiteindelijk weerspiegelt lead scoring het “potentieel” van de prospect, d.w.z. de kans om klant te worden. Hierdoor zijn merken in staat om:
- hun prioritaire targeting te kiezen
- bevoorrechte contacten te leggen
- maar ook om hun marketingstrategieën te personaliseren.
Duncan & Elkan, 2015 (Engelse site) gaan nog verder. Het zou inderdaad een van de meest effectieve methoden zijn om prospects te kwalificeren op lead management-systemen. Om eerlijk te zijn hangt het allemaal af van het model dat wordt gebruikt om de lead scoring uit te voeren. En niet voor niets leveren de meest voorspellende systemen waardevolle gegevens voor het vinden van hooggekwalificeerde prospects. Ten slotte zou een goed lead scoring-model een aanzienlijk voordeel zijn voor het verbeteren van de interne samenwerking (Wu et al, 2023, Engelse site).
De onlosmakelijke verbanden tussen lead scoring en marketing automation
Hier bekijken we de positieve bijdrage van marketing automation aan lead scoring. In dit geval analyseren Nygård & Mezei, 2020 de verbanden tussen machine learning en lead scoring. Het doel van het onderzoek is het evalueren van de waarschijnlijkheid tot aankoop door een lead. De auteurs vergeleken daarom 4 erkende machine learning-benaderingen om dit scoren te automatiseren. Hun conclusie is duidelijk: random forests (beslisbomen) (Engelse site) zijn het efficiëntst om twee redenen:
- hun algemene prestatiescore is hoger dan de andere 3 onderzochte systemen
- en hun interpretatiegemak.
Zoals vermeld in de inleiding vergemakkelijkt lead scoring ook het contact tussen marketing- en verkoopteams binnen dezelfde structuur. De automatisering van lead scoring is dan zinvol: het scheidt prospects volgens de behoeften van het merk. Met andere woorden, sommige worden overgeheveld naar de verkoopafdeling, terwijl andere in de databases van de marketingmanagers blijven (Järvinen, J. & Taiminen, H., 2015, Engelse site).
4 voordelen van lead scoring voor de verkoopcijfers
Zoals beloofd aan het begin van dit artikel, bekijken we in dit deel de voordelen van deze marketingtactiek. Volgens de resultaten uit een studie van februari 2023 (Engelse site) zijn er vier voordelen:
- meer klantconversies
- minder inspanningen voor klantenwerving
- stijging van de inkomsten uit merken
- identificatie van de beste leads
Lead scoring is ideaal om het conversiepercentage te verhogen
Dit marketingproces maakt de stroom van leads in de marketingtrechter vloeiender. Daardoor neemt het aantal klantconversies toe. Het voorspellende model van Kazemi et al, 2015 (Engelse site) geeft hier enig inzicht in. Dit onderzoek maakt gebruik van lead scoring om te bepalen welke prospects het meest waarschijnlijk tot een aankoop zullen overgaan. Met deze methode zijn de auteurs in staat de klanttevredenheid te verhogen.
IntoTheMinds meet uw klanttevredenheid
Toegepast op een meubelfabrikant bleek het model in verschillende opzichten effectief:
- Administratieve kosten: 8% daling over het jaar
- Winst: 15% hoger dan vorig jaar
- Verkoop: meer klanten door verhoogde conversie
Verder tonen Meire et al, 2017 (Engelse site) de kosteneffectiviteit en efficiëntie van lead scoring-systemen aan op het vlak van klantenwerving. Hun beslissingsondersteunend model integreert verschillende gegevensbronnen: sociale netwerken en financiële winsten. Een casestudy bij Coca-Cola laat zeer bemoedigende resultaten zien. Het systeem verhoogt de respons van de prospects: +4,75% tijdens de duur van het experiment. Zonder extra kosten voor marketinginspanningen profiteert het merk dus van een financiële winst van 11 miljoen dollar!
Het verlaagt de kosten van leadconversie
Zoals we zojuist hebben gezien met het voorbeeld van Coca-Cola, verhoogt lead scoring niet alleen het conversiepercentage. Het leidt ook tot een aanzienlijke verlaging van de kosten van klantenconversie. Wei et al, 2016 (Engelse site) tonen dat de Customer Lifetime Value consistent is in het verhogen van de bedrijfsprestaties.
In een andere studie slaagden Soroush et al, 2012 (Engelse site) erin de kosten voor het berekenen van de aankoopkans bij verzekeringsmaatschappijen te verlagen. Uiteindelijk maakt deze originele benadering van lead scoring het mogelijk om tegen lage kosten de beste prospects te vinden. De gescreende bedrijven hebben het aantal variabelen bij het zoeken naar leads met 50% verminderd. De complexiteit van het scoringsproces wordt verminderd en klantconversies volgen!
Inkomsten verhogen door lead scoring
Ten tweede leidt de toename van klantconversies dankzij lead scoring tot hogere inkomsten voor merken. Thorleuchter et al, 2012 (Engelse site) tonen de positieve invloeden aan tussen:
- snelheid van verwerving van gekwalificeerde leads
- aantal verkopen
- en lagere kosten voor de aankoop en het onderhoud van prospectiebestanden.
De resultaten zijn duidelijk: prospectieve databanken zijn relevanter dankzij de methode van de auteurs. Bij de onderzochte bedrijven stijgt de dichtheid van serieuze prospects van 5% naar 18%, dus bijna 4 keer meer interessante leads!
Klantenwerving kan tijdrovend en duur zijn. Daarom identificeert lead scoring bij voorkeur het kwartiel van uw beste prospects.
Het focust zich op de beste leads
Tot slot blijft het identificeren van de meest productieve leads de duidelijkste bijdrage van lead scoring. Dit is immers wat het onderscheidt van andere CRM-technieken. Het volstaat echter niet om dit segment van uw klantenbestand te identificeren. U moet ook rekening houden met de tijdsvariabele. De beste marketingteams besteden aandacht aan de beste vooruitzichten van vandaag, maar ook die van morgen!
Daardoor heeft voorspellende lead scoring een grotere impact op de verkoop dan zijn traditionele tegenhanger (Wu et al, 2023). Bovendien kan traditionele lead scoring tijdrovend zijn om de beste prospects te identificeren. Hierdoor worden marketinginspanningen niet goed beloond en is het spel niet langer de moeite waard. Duncan & Elkan, 2015 vertelt ons het volgende:
Het gemiddelde conversiepercentage bedraagt slechts 5% met traditionele modellen, bij voorspellende systemen is dit 15%.
Bronnen
- Youssef Benhaddou, Philippe Leray. Customer relationship management and small data – application of bayesian network elicitation techniques for building a lead scoring model. 14th ACS/IEEE International Conference on Computer Systems and Applications (AICCSA 2017), Oct 2017, Hammamet, Tunisia. pp.251-255, ⟨1109/AICCSA.2017.51⟩. ⟨hal-01619307⟩
- KDD ’15: Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data MiningAugust 2015 Pages 1751–1758 https://doi.org/10.1145/2783258.2788578
- Harnessing marketing automation for B2B content marketing. Joel Järvinen, Heini Taiminen. https://doi.org/10.1016/j.indmarman.2015.07.002
- A data mining approach for turning potential customers into real ones in basket purchase analysis. Abolfazl Kazemi, Mohammad Esmaeil Babaei and Mahsa Oroojeni Mohammad Javad. https://doi.org/10.1504/IJBIS.2015.069427
- The added value of social media data in B2B customer acquisition systems: A real-life experiment. Matthijs Meire, Michel Ballings, Dirk Van den Poel. https://doi.org/10.1016/j.dss.2017.09.010
- Nygård, Robert & Mezei, József. (2020). Automating Lead Scoring with Machine Learning: An Experimental Study. https://doi.org/10.24251/HICSS.2020.177.
- A Hybrid Customer Prediction System Based on Multiple Forward Stepwise Logistic Regression Model. Soroush et al. 2012. http://dx.doi.org/10.3233/IDA-2012-0523
- Analyzing existing customers’ websites to improve the customer acquisition process as well as the profitability prediction in B-to-B marketing. Dirk Thorleuchter, Dirk Van den Poel, Anita Prinzie. 2012. https://doi.org/10.1016/j.eswa.2011.08.115
- Applying Data Mining and RFM Model to Analyze Customers’ Values of a Veterinary Hospital. Wei et al. 2016. http://dx.doi.org/10.1109/IS3C.2016.126
- Wu, M., Andreev, P. & Benyoucef, M. The state of lead scoring models and their impact on sales performance. Inf Technol Manag (2023). https://doi.org/10.1007/s10799-023-00388-w
- Toepassing van Data Mining en het RFM-model om de waarden van klanten van een dierenziekenhuis te analyseren. Wei et al. 2016. http://dx.doi.org/10.1109/IS3C.2016.126
- Wu, M., Andreev, P. & Benyoucef, M. De staat van lead scoring modellen en hun impact op verkoopprestaties. Inf Technol Manag (2023). https://doi.org/10.1007/s10799-023-00388-w
Geplaatst in Strategie.