Il modello di scoring è di solito l'ultima cosa che viene verificata quando la pipeline rallenta. I team rivedono le proprie sequenze, riconsiderano la definizione dell'ICP, testano nuovi messaggi. Il modello rimane intatto perché sembra un'infrastruttura: costruito una volta, in esecuzione silenziosa, probabilmente funzionante.
Ciò che continuiamo a scoprire quando ci integriamo in un team è che il modello non è corretto, e la ragione risale quasi sempre a un unico punto: i dati di enrichment su cui è stato costruito e da cui continua ad attingere. Lead scoring data quality è il problema a monte che rende il modello errato prima ancora che un rappresentante veda un punteggio.
Perché la qualità dei dati per il lead scoring inizia con l'enrichment
La configurazione standard funziona così: arriva un lead, uno strumento di enrichment aggiunge campi, il modello di scoring legge quei campi e assegna un punteggio. La logica di scoring di solito sembra ragionevole: corrispondenza firmografica, segnali di engagement, corrispondenza del titolo con un ICP. Ma i dati firmografici aggiunti dallo strumento? In molti casi, il 30-40% di quei valori è errato, obsoleto o non corrispondente.
Non è speculazione. È ciò che troviamo quando eseguiamo audit dei dati su un campione di account prima di costruire o ricostruire un modello di scoring. I range del numero di dipendenti sfasati di una fascia. Tag di settore che non corrispondono al business reale dell'azienda. Titoli mappati a livelli di seniority che non riflettono la struttura dell'organizzazione. Lo strumento di enrichment ha trovato corrispondenza con un dominio e ha estratto un record, ma ha estratto quello sbagliato, o uno accurato due anni fa.
Nel bene o nel male, la maggior parte dei team lo scopre solo quando gli SDR iniziano a lamentarsi che i lead con punteggio non corrispondono a ciò che trovano quando effettivamente chiamano. È un segnale tardivo per individuare un problema fondamentale.
Il problema dell'ereditarietà silenziosa
Ciò che mette in difficoltà i team è che il modello di scoring non utilizza i dati errati una sola volta. Li eredita come pattern. Se il suo strumento di enrichment classifica sistematicamente le aziende con 50-200 dipendenti come enterprise, e il suo modello è stato addestrato su conversioni storiche che includevano la stessa categorizzazione errata, il modello impara il segnale sbagliato come predittore.
Si finisce così con problemi di lead scoring data quality che corrompono sia il set di addestramento sia il flusso di inferenza live. Si corregge il feed di enrichment per il futuro, ma i pesi del modello riflettono ancora la vecchia classificazione errata. Gli acquirenti con cui parliamo descrivono spesso questo come una deriva lenta: "Il nostro scoring ha funzionato bene per i primi sei mesi, poi abbiamo iniziato a perdere cose." Spesso non si tratta di un cambiamento nel comportamento del mercato. È l'errore di enrichment accumulato che si manifesta su larga scala.
A mio avviso, si tratta di un problema di errori composti. Ogni campo errato non è solo un punteggio sbagliato: è un pattern errato incorporato in un modello che si attiva su ogni lead successivo. Il meccanismo è importante perché non è possibile correggere il lead scoring data quality modificando i criteri di scoring. Bisogna correggere ciò che alimenta i criteri.
Cosa richiede la qualità dei dati per il lead scoring
In questo caso sono necessari due audit, correlati ma non identici come lavoro.
Il primo è un audit dell'enrichment. Su quali campi si basa il suo modello? Qual è l'accuratezza di quei campi su un campione? Si estraggono 100-200 account dal CRM, si verificano i valori arricchiti rispetto a fonti verificabili e si misura il tasso di errore per campo: numero di dipendenti, classificazione del settore, geografia della sede centrale, tech stack e seniority del contatto originale. Questo va fatto prima di costruire un modello di scoring, e assolutamente prima di ricostruirne uno.
Il secondo è un audit del modello: quali campi predicono la conversione nei dati storici, rispetto a quali campi sembrano semplicemente dover farlo? Molti modelli di scoring sono costruiti sull'intuizione di qualcuno riguardo all'aspetto di un buon lead. Insieme, quei due audit forniscono una definizione operativa di lead scoring data quality: i campi giusti, con dati puliti in quei campi, verificati rispetto ai risultati che interessano.
Non esiste un fornitore che risolva questo automaticamente. Gli strumenti di enrichment, inclusi quelli nativi per l'IA, citano tassi di corrispondenza, ma tasso di corrispondenza e accuratezza dei campi sono numeri diversi. Uno strumento può trovare corrispondenza nel 90% dei record ed essere comunque errato nel 40% dei valori che aggiunge. Una società di consulenza RevOps in modalità fractional pubblica un miglioramento del 40% nell'accuratezza delle previsioni dopo un engagement di 90 giorni, e ci crederei per il cliente giusto. Ma quel miglioramento inizia quasi sempre da ciò che alimenta la previsione, non dalla logica della previsione stessa.
Alcune agenzie RevOps pubblicano ora prezzi a scope fisso per la ricostruzione dei sistemi che includono esattamente questo tipo di revisione completa dei dati e dello scoring, il che rende almeno più facile per gli acquirenti definire l'entità del lavoro coinvolto.
Cosa facciamo quando ci integriamo su questo
Le prime due settimane quasi mai avvengono all'interno del modello di scoring. Avvengono nei dati: estrarre un campione, eseguire l'audit dell'enrichment, mappare quali campi legge il modello e come appare il tasso di errore in un controllo a campione.
Non ho una risposta ottimale riguardo all'automazione del controllo continuo dell'accuratezza. L'accuratezza dell'enrichment si deteriora man mano che le aziende cambiano e gli strumenti aggiornano le proprie fonti, e non esiste un segnale affidabile di accuratezza in tempo reale integrato nella maggior parte delle API di enrichment. La best practice che abbiamo trovato è una revisione trimestrale del campione sui campi con peso maggiore, abbinata a un controllo di freschezza sugli account attivi con punteggio più alto.
Il secondo aspetto è assicurarsi che il modello di scoring venga testato rispetto a un holdout set che utilizza i dati di enrichment prodotti dal suo strumento, non dati puliti manualmente. Se costruisce un modello su dati firmografici verificati e poi lo distribuisce su dati aggiunti, ha costruito per una distribuzione di input diversa. Lead scoring data quality significa che i dati che il modello vede durante l'addestramento dovrebbero corrispondere a quelli che vede durante l'inferenza, inclusi gli errori.
La maggior parte delle conversazioni del tipo "il nostro scoring non funziona" che abbiamo risale qui. La logica di scoring è spesso corretta. L'igiene dei dati CRM sottostante non lo è. E correggere il livello dati, piuttosto che aggiungere altri criteri di scoring sopra la stessa base compromessa, è il punto in cui tende a ricadere il lavoro.
Se sta lavorando su questo, le analisi e i framework che abbiamo pubblicato sui sistemi RevOps descrivono come affrontiamo un audit dei dati e dell'enrichment prima di qualsiasi ricostruzione dello scoring. Lead scoring data quality è, per la maggior parte dei team, il punto di partenza, ed è la parte che viene saltata più spesso.