Розробка AI-системи скорингу лідів за ймовірністю покупки
Скоринг за ймовірністю покупки — точніше завдання, ніж кваліфікація по ICP. Модель передбачає можливість конкретної конверсії в покупку, враховуючи поведінкові сигнали та історичні патерни.
Модель передбачення
Архітектура: XGBoost / LightGBM gradient boosting для табличних ознак. За наявності послідовних даних (поведінка в динаміці) - додаємо компонент RNN/LSTM.
Ознаки (feature groups):
Демографічні: посада, сеньйорність, обсяг фірми, revenue, промисловість, географія.
Поведінкові: сторінки з pricing відвідані, case studies відкриті, demo scheduled (сильний сигнал), email open rate, response time.
Тимчасові: час з першого контакту, швидкість прогресії по етапам, сезонність.
Історичні: схожі профілі в минулому - з яким результатом.
Мінімальний датасет: 500+ закритих лідів (виграно + програно) з історією активності.
Модельна оцінка
Calibration plot - ключовий для передбачення ймовірностей: якщо модель говорить 70%, у 70% випадків має бути конверсія. Використовуємо Brier Score як основну метрику поряд із AUC-ROC.
Оновлення моделі
Щотижневе перенавчання на накопичуваних даних. Concept drift моніторинг (Population Stability Index) при зміні ринку модель деградує.