Відділ продажів витрачає 80% часу на обдзвін лідів, які ніколи не куплять. CRM показує лише «гарячі» статуси, але реальна ймовірність конверсії залишається загадкою. За даними дослідження MarketingSherpa, компанії втрачають до 79% потенційних угод через відсутність пріоритезації. Менеджери діють наосліп, а бюджет на лідогенерацію йде на вітер. Ми вирішуємо цю проблему за допомогою ML-моделі, яка передбачає точну ймовірність покупки для кожного ліда. Модель враховує демографію, поведінку на сайті, історію взаємодій та тисячі інших сигналів. У результаті — фокус на тих, хто дійсно готовий купити, і зростання конверсії на 30–50% при скороченні часу на неперспективні контакти. Один із наших клієнтів збільшив конверсію в угоду з 12% до 34% за квартал після впровадження скорингу. Економія на зусиллях продажів склала $120,000 на рік, а середній чек угоди виріс до $50,000.
Отримайте консультацію — просто напишіть нам, надішлемо кейси та запропонуємо пілот.
Чому ручна кваліфікація не працює?
Традиційна кваліфікація за ICP (ідеальний портрет клієнта) ділить лідів на «гарячих» та «холодних». Але в реальності ймовірність конверсії — континуум від 0 до 1. ICP не враховує поведінку: лід, який зайшов на pricing і залишив контакти, може бути теплішим, ніж той, хто просто завантажив вайтпейпер. AI-скоринг присвоює кожному ліду числовий score від 0 до 1, заснований на історичних даних. Це в 3–5 разів точніше суб'єктивної оцінки менеджера — ми називаємо це точним прогнозуванням конверсії.
Як побудувати модель скорингу лідів?
Крок 1: Збір та підготовка даних — розробка AI системи
Мінімальний датасет — 500+ закритих лідів (виграно + програно) з історією активності. Дані очищаються, усувається дисбаланс класів: якщо виграних лідів менше 10%, застосовуємо зважування класів або oversampling. Строго розділяємо дані за часом, щоб уникнути витоку майбутніх сигналів. Використовуємо ансамблеві методи з градієнтним бустингом для нелінійного моделювання залежностей.
Крок 2: Feature engineering
| Група ознак | Приклади |
|---|---|
| Демографічні | Посада, сеньйорність, розмір компанії, revenue, індустрія |
| Поведінкові | Відвідування pricing, відкриття case studies, запит demo, email open rate |
| Часові | Час з першого контакту, швидкість прогресії, сезонність |
| Історичні | Профілі схожих лідів та їхній результат |
Приклад feature engineering
Для відвідування pricing ми обчислюємо не просто факт, а кількість візитів за останні 7 днів, глибину перегляду та час на сторінці. Ці ознаки підсилюють передбачувальну здатність у 1.5–2 рази порівняно з бінарним прапорцем.Крок 3: Вибір архітектури та навчання
Використовуємо XGBoost / LightGBM gradient boosting для табличних ознак. За наявності послідовних даних (поведінка в динаміці) — додаємо RNN/LSTM компонент. Оптимізуємо гіперпараметри через Bayesian optimisation, контролюємо FLOPS та latency p99 для production.
Крок 4: Калібрування та валідація
Calibration plot — ключовий для передбачення ймовірностей: якщо модель каже 70%, у 70% випадків має бути конверсія. Використовуємо Brier Score як основну метрику разом з AUC-ROC. Цільовий Brier Score — менше 0.1.
Крок 5: Інтеграція та моніторинг
Модель пакується в Docker-контейнер і розгортається як REST API. Інтегрується з CRM (Bitrix24, Salesforce) через API. Кожен новий лід отримує score від 0 до 1. Налаштовується дашборд моніторингу: відстежуємо Brier Score, Population Stability Index (PSI), розподіл scores. При зміні ринку або продукту модель може деградувати — ми вчасно це помітимо.
Типові помилки та їх вирішення
Найчастіша помилка — дисбаланс класів: виграних лідів менше 10%. Тоді модель передбачає «не купить» для всіх. Ми вирішуємо це зважуванням класів або oversampling.
Друга проблема — витік даних: в ознаки потрапили post-factum сигнали (наприклад, «виставлено рахунок»). Наш пайплайн строго розділяє дані за часом, щоб модель навчалася тільки на тому, що відомо до моменту передбачення.
Порівняння: ML-скоринг vs. ручна кваліфікація
| Критерій | Ручна кваліфікація | ML-скоринг |
|---|---|---|
| Об'єктивність | Суб'єктивна, залежить від досвіду | Об'єктивна, заснована на даних |
| Швидкість обробки | Хвилини на ліда | Секунди на всю базу — в десятки разів швидше |
| Масштабованість | Вимагає найму людей | Модель обробляє мільйони лідів |
| Точність передбачення конверсії | 20–40% | 70–90% — в 3–5 разів точніше |
| Адаптація до змін | Повільна | Швидка (щотижневе перенавчання) |
ML-скоринг в 3–5 разів точніший і в десятки разів швидший за ручну кваліфікацію. Це дозволяє менеджерам зосередитися на топ-20% лідів, які приносять 80% виручки.
Що входить в роботу (deliverables)
- Модель скорингу в production-ready вигляді (Docker-контейнер або API).
- Документація: опис фіч, метрик, інструкція з оновлення.
- Інтеграція з вашою CRM (REST API або готовий конектор).
- Дашборд моніторингу якості (Brier Score, PSI, розподіл scores).
- Навчання команди: як інтерпретувати score та приймати рішення.
Строки та результат
Строки: 4–8 тижнів залежно від обсягу даних і складності інтеграції. Вартість розраховується індивідуально — ми оцінимо ваш проект безкоштовно. Після впровадження ви побачите зростання конверсії та скорочення часу на неперспективні ліди. Наприклад, один із клієнтів заощадив $120,000 на рік за рахунок оптимізації зусиль продажів, а середній чек угоди виріс до $50,000.
Ми займаємося ML-скорингом понад 5 років, реалізували проекти для B2B-компаній з оборотом від $10 млн. Понад 20 успішних впроваджень. Наші інженери — автори model cards та open-source контриб'ютори. Гарантуємо: після впровадження ваші менеджери побачать зростання конверсії та скоротять час на неперспективні ліди. AI в продажах — це новий стандарт.
Замовте пілотний проект — оцініть результат на своїх даних вже через 2 тижні.