Разработка AI-системы скоринга лидов по вероятности покупки
Скоринг по вероятности покупки — более точная задача, чем просто квалификация по ICP. Модель предсказывает вероятность конкретной конверсии в покупку, учитывая поведенческие сигналы и исторические паттерны.
Модель предсказания
Архитектура: XGBoost / LightGBM gradient boosting для табличных признаков. При наличии последовательных данных (поведение в динамике) — добавляем RNN/LSTM компонент.
Признаки (feature groups):
Демографические: должность, сеньорность, размер компании, revenue, индустрия, география.
Поведенческие: страницы с pricing посещены, case studies открыты, demo scheduled (сильнейший сигнал), email open rate, response time.
Временные: время с момента первого контакта, скорость прогрессии по этапам, сезонность.
Исторические: похожие профили в прошлом — с каким исходом.
Минимальный датасет: 500+ закрытых лидов (выиграно + проиграно) с историей активности.
Модельная оценка
Calibration plot — ключевой для предсказания вероятностей: если модель говорит 70%, в 70% случаев должна быть конверсия. Используем Brier Score как основную метрику наряду с AUC-ROC.
Обновление модели
Еженедельное переобучение на накапливаемых данных. Concept drift мониторинг (Population Stability Index) — при изменении рынка модель деградирует.