Quando la pipeline rallenta, il modello di scoring è di solito l'ultima cosa che qualcuno verifica. I team rivedono le sequence, riconsiderano la definizione dell'ICP, testano nuovi messaggi. Il modello resta intatto perché sembra un'infrastruttura: costruito una volta, in funzione in silenzio, probabilmente a posto.
Quello che troviamo di continuo quando lavoriamo a fianco di un team è che il modello non è a posto, e il motivo riconduce quasi sempre a un unico punto: i dati di enrichment su cui è stato costruito e da cui continua ad attingere. La qualità dei dati nel lead scoring è il problema a monte che rende il modello sbagliato prima ancora che un rep veda un punteggio.
Perché la qualità dei dati nel lead scoring parte dall'enrichment
L'impostazione standard è questa: arriva un lead, uno strumento di enrichment aggiunge dei campi, il modello di scoring legge quei campi e assegna un numero. La logica di scoring di solito appare ragionevole. Fit firmografico, segnali di engagement, corrispondenza del ruolo con l'ICP. Ma i dati firmografici aggiunti dallo strumento? In molti casi, il 30-40% di quei valori è sbagliato, obsoleto o non corrispondente.
Non è una supposizione. È ciò che troviamo quando facciamo audit dei dati su un campione di account prima di costruire o ricostruire un modello di scoring. Fasce di numero di dipendenti sbagliate di un gradino. Tag di settore che non corrispondono all'attività reale dell'azienda. Ruoli associati a livelli di seniority che non riflettono la struttura dell'organizzazione. Lo strumento di enrichment ha abbinato un dominio e recuperato un record, ma quello sbagliato, oppure uno che era corretto due anni fa.
Nel bene o nel male, la maggior parte dei team se ne accorge solo quando gli SDR iniziano a lamentarsi che i lead con punteggio non corrispondono a ciò che trovano quando chiamano davvero. È un segnale tardivo per individuare un problema di fondo.
Il problema dell'eredità silenziosa
Ciò che mette in difficoltà i team è che il vostro modello di scoring non usa i dati errati una sola volta. Eredita i dati errati come schema. Se il vostro strumento di enrichment classifica sistematicamente come enterprise le aziende con 50-200 dipendenti, e il modello è stato addestrato su conversioni storiche che includevano la stessa etichettatura errata, il modello impara il segnale sbagliato come predittore.
Quindi i problemi di qualità dei dati nel lead scoring finiscono per corrompere sia il training set sia il flusso di inferenza in tempo reale. Correggete il feed di enrichment da qui in avanti, ma i pesi del modello riflettono ancora la vecchia classificazione errata. I buyer con cui parliamo lo descrivono spesso come una deriva lenta: "Il nostro scoring ha funzionato bene per i primi sei mesi, poi abbiamo iniziato a perdere occasioni." 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, è un problema di errore composto. Ogni campo errato non produce solo un punteggio sbagliato: è uno schema sbagliato incorporato in un modello che si attiva su ogni lead successivo. Il meccanismo conta perché non si può correggere la qualità dei dati nel lead scoring modificando i criteri di scoring. Bisogna correggere ciò che alimenta quei criteri.
Cosa richiede la qualità dei dati nel lead scoring
Gli audit sono due, collegati ma non identici.
Il primo è un audit dell'enrichment. Quali campi usa il vostro modello? Qual è l'accuratezza di quei campi su un campione? Estraete 100-200 account dal CRM, confrontate i valori arricchiti con fonti verificabili e misurate il tasso di errore per campo: numero di dipendenti, classificazione del settore, area geografica della sede, tech stack e seniority del contatto originale. Fatelo prima di costruire un modello di scoring, e senza dubbio prima di ricostruirne uno.
Il secondo è un audit del modello: quali campi predicono la conversione nei dati storici, rispetto a quelli che sembrano soltanto dover predire la conversione? Molti modelli di scoring nascono dall'istinto di qualcuno su come sia fatto un buon lead. Insieme, questi due audit vi danno una definizione operativa di qualità dei dati nel lead scoring: i campi giusti, con dati puliti in quei campi, verificati rispetto ai risultati che vi interessano.
Non esiste un fornitore che risolva tutto questo in automatico. Gli strumenti di enrichment, compresi quelli nativi AI, dichiarano i match rate, ma match rate e accuratezza dei campi sono numeri diversi. Uno strumento può abbinare il 90% dei record ed essere comunque sbagliato sul 40% dei valori che aggiunge. Una società di consulenza RevOps in modalità fractional dichiara miglioramenti dell'accuratezza del forecast intorno al 40% dopo un incarico di 90 giorni, e per il cliente giusto ci crederei. Ma quel miglioramento parte quasi sempre da ciò che alimenta il forecast, non dalla logica del forecast stesso.
Alcune realtà RevOps ormai pubblicano prezzi a scope fisso per la ricostruzione dei sistemi che comprende proprio questo tipo di revisione di dati e scoring, il che almeno aiuta i buyer a definire cosa comporta il lavoro.
Cosa facciamo quando lavoriamo a fianco del team su questo tema
Le prime due settimane non si svolgono quasi mai dentro il modello di scoring. Si svolgono nei dati: estrarre un campione, eseguire l'audit dell'enrichment, mappare quali campi legge il modello e che tasso di errore emerge da un controllo a campione.
Non ho una grande risposta da darvi sull'automazione del controllo continuo dell'accuratezza. L'accuratezza dell'enrichment peggiora man mano che le aziende cambiano e gli strumenti aggiornano le loro fonti, e nella maggior parte delle API di enrichment non c'è un segnale affidabile di accuratezza in tempo reale. La best practice che abbiamo trovato è una revisione trimestrale a campione sui campi con il peso maggiore, abbinata a un controllo di freschezza sui vostri account attivi con il punteggio più alto.
La seconda cosa è assicurarsi che il modello di scoring venga testato su un holdout set che usi i dati di enrichment prodotti dal vostro strumento, non dati ripuliti a mano. Se costruite un modello su dati firmografici verificati e poi lo applicate a dati aggiunti dallo strumento, avete costruito per una distribuzione di input diversa. Qualità dei dati nel lead scoring significa che i dati visti dal modello in training devono corrispondere a quelli visti in inferenza, errori compresi.
La maggior parte delle conversazioni del tipo "il nostro scoring non funziona" riconduce qui. La logica di scoring spesso va bene. È l'igiene dei dati del CRM sottostante a non andare. E correggere il livello dei dati, invece di accumulare altri criteri di scoring sulla stessa base difettosa, è dove il lavoro tende a concentrarsi.
Se state affrontando questo tema, le analisi e i framework che abbiamo pubblicato sui sistemi RevOps spiegano come impostiamo un audit di dati ed enrichment prima di qualsiasi ricostruzione dello scoring. La qualità dei dati nel lead scoring è, per la maggior parte dei team, il punto di partenza, ed è la parte che si salta più spesso.