A vállalkozások egyik legnagyobb kihívása, hogy a rengeteg beérkező érdeklődő (lead) közül előre meg tudják mondani, melyek a valódi, nagy eséllyel konvertáló ügyfelek. Egy tapasztalt értékesítő sokszor megérzi, hogy egy érdeklődőből „lesz-e valami” – de ez szubjektív, időigényes és sok hiba forrása.
A prediktív lead scoring ezt váltja ki: neurális háló segítségével automatikusan becsüli meg, hogy az adott érdeklődő mekkora eséllyel válik fizető ügyféllé. Ez adatalapú, következetes és gyors.
Mi az a prediktív lead scoring?
A prediktív lead scoring olyan gépi tanulási modell – gyakran neurális háló –, amely egy érdeklődő adatai, viselkedése és aktivitása alapján valószínűséget ad arra, hogy konverzió történik-e.
A modell a korábbi ügyféladatokból tanul:
- mely érdeklődők vásároltak végül,
- melyek nem,
- milyen mintázatok jellemzőek a sikeres leadekre.
Ezután képes előre jelezni, hogy egy új érdeklődő melyik kategóriába tartozik.
Gyakorlati példa: ingatlan érdeklődők konverziójának előrejelzése
Tegyük fel, hogy egy ingatlanközvetítő cégnél évente több ezer érdeklődő érkezik:
- telefonhívások,
- űrlapkitöltések,
- emailes megkeresések,
- ingatlanportálok leadjei.
Minden érdeklődőről számos adat gyűlik össze:
- milyen ingatlan iránt érdeklődik,
- mennyi idő alatt reagált az értékesítő,
- hányszor beszéltek vele,
- milyen kérdéseket tett fel,
- stb.
A múltbeli adatokból ismert, hogy végül melyikből lett vevő. Ez alapján a neurális háló megtanulja felismerni a konverzió „nyomait”.
Példa változók
- Reagálási idő (perc)
- Beszélgetések száma
- Érdeklődött-e több ingatlan iránt
- Megtekintések száma
- Érdeklődő demográfiai adatai
- Ingatlan értéktartománya
A neurális háló kimenete:
„72% valószínűséggel konvertál.”
Ezt akár 0–100 pontos skálára is átalakíthatjuk, és lead scoringként használható.
Miért jobb a neurális háló, mint a kézi értékelés?
- Objektív – mindenkit ugyanazzal a logikával értékel.
- Gyors – azonnal ad eredményt.
- Mélységi összefüggéseket ismer fel – amit az ember észre sem vesz.
- Folyamatosan tanul – az új adatokkal javul a pontosság.
- Növeli a hatékonyságot – az értékesítők a valódi, ígéretes érdeklődőkre fókuszálnak.
A modell működésének lépései
1. Adatgyűjtés
Minden leadről gyűjteni kell:
- viselkedési adatokat,
- kapcsolati eseményeket,
- demográfiai adatokat,
- ingatlan paramétereket (ha releváns),
- értékesítői aktivitást.
2. Adattisztítás
Az adatok zajosak. Hiányzó értékek, duplikált leadek, nem releváns mezők mind akadályozzák a tanulást.
3. Feature engineering
Ez az egyik legkritikusabb lépés. Például:
- átlagos válaszidő kiszámítása,
- megtekintések tempója,
- átlagár–keresett ingatlan ára közti különbség.
Ezek sokszor jobban jelzik a konverziós esélyt, mint a nyers adatok.
4. Modell betanítása
A neurális háló tipikusan 2–5 rejtett rétegből áll, és klasszifikációs feladatként tanul:
- 0 = nem lett ügyfél
- 1 = ügyfél lett
5. Értékelés
Pontosság (accuracy), F1-score, ROC-görbe alapján vizsgáljuk a minőséget.
6. Üzembe helyezés
A fenti modell egy API-n keresztül bármikor lefuttatható:
„Add meg az új érdeklődő adatait, visszaadom a konverziós valószínűséget.”
Milyen pontosság érhető el?
A megfelelő adattípusok és mennyiség esetén 70–85%-os konverzió-előrejelzési pontosság elérhető, ami óriási versenyelőnyt jelent.
A legnagyobb előny: az erős leadekre kevesebb idő alatt több erőforrás jut.
Hibalehetőségek – hol csúszhat el a neurális háló?
- Túl kevés adat – legalább 5.000 – 20.000 lead kell a stabil mintázatokhoz.
- Rosszul strukturált CRM – hiányos, pontatlan vagy összevissza mezők.
- Értékesítői inkonzisztencia – ha valaki nem rögzíti az adatokat, a modell sem tanulja meg a mintákat.
- Időbeli torzulás – régi leadek viselkedése eltérhet a maiaktól.
- Nem megfelelő feature engineering – gyakran ez a legfontosabb része.
Mitől lesz gyors a modell?
A sebesség leginkább az alábbiaktól függ:
- rétegek száma,
- neuronszám,
- modellméret optimalizáció,
- GPU használat tanításkor.
Mi lassítja? Mit érdemes elhagyni?
- túl sok irreleváns input mező,
- túl komplex architektúra (felesleges),
- nem optimalizált adatelőkészítés,
- régi rekordok bevonása, amelyek már nem reprezentatívak.
Mivel real-time lead scoringot kell adni, ezért a legjobb egy kicsi, gyors, szolgáltatásként futó MLP modell.
Összegzés – miért éri meg prediktív lead scoringot használni?
- Hatékonyabb értékesítői munka
- Nagyobb arányú konverzió
- Gyorsabb leadkezelés
- Kevesebb elveszített jó érdeklődő
- Objektív, skálázható döntéshozatal
- Adatalapú vezetői riportok
A neurális hálóval végzett lead scoring teljesen új szintre emeli a vállalkozás sales-folyamatát: megmutatja, kire érdemes időt szánni, és milyen valószínűséggel lesz belőle vevő.