ChatGPTClaudePerplexityGoogle
Ver como Markdown

TL;DR

  • Os duplicados dividem a atividade de um comprador por vários registros, pelo que a pontuação de cada registro reflete apenas uma parte.
  • Um novo registro de um comprador conhecido com outro e-mail pode tornar-se um MQL falso.
  • Uma pontuação de lead que ultrapassa o limiar tarde envia um comprador pronto para a equipe comercial também tarde.
  • Mescle primeiro os duplicados evidentes, antes de ajustar as regras de pontuação ou de treinar um modelo de pontuação com IA.
  • O Dedupely encontra e mescla leads e contatos duplicados, para que a pontuação leia um único registro por comprador.

A pontuação de leads deve dizer à equipe de vendas a quem ligar primeiro. O marketing define os pontos ou treina um modelo, a equipe de vendas confia no número, e o limiar decide quando um lead se torna um MQL.

A pontuação só vale o registro em que assenta. Quando um comprador vive em dois ou três registros, cada um guarda parte da história, e a pontuação reflete essa parte. Alguns compradores prontos nunca chegam às vendas, e alguns registros chegam às vendas quando não deviam.

Neste artigo, verá como os duplicados distorcem a pontuação baseada em regras e em IA, e a abordagem que o resolve. É uma forma de pensar sobre pontuação e duplicados, por isso não explica a configuração da pontuação.

O que lê a pontuação de leads

Muitos modelos de pontuação analisam duas coisas. O encaixe é quem é a pessoa: cargo, dimensão da empresa, setor, país. O envolvimento é o que faz: preenchimento de formulários, cliques em emails, visualizações de páginas, reuniões.

Pontuação baseada em regras

Com a pontuação baseada em regras, a sua equipe define os pontos. Um pedido de demonstração pode valer 20 pontos, uma visita à página de preços 10, e um cargo que consta na sua lista-alvo mais 15. Quando um registro atinge o limiar, passa a ser um MQL e segue para vendas.

Pontuação com IA ou preditiva

A pontuação com IA aprende com registros passados. Analisa que leads se tornaram clientes e quais não, e depois pontua os novos leads consoante a semelhança com os que venceram.

As duas abordagens pontuam registros. Nenhuma sabe que dois registros pertencem à mesma pessoa, a não ser que algo nos dados os vincule.

Três formas como os duplicados distorcem as pontuações

A importância de cada um depende das suas fontes, do seu limiar e de como a equipe encaminha os leads. Estes são os padrões a procurar.

Interação dividida por vários registros

Um comprador baixa um guia com um email pessoal e depois agenda um webinar com um email de trabalho. Cada registro recebe parte da atividade, e nenhum ultrapassa o limiar. O comprador está pronto, e ninguém liga.

A pontuação de adequação também se divide: um registro tem o cargo de um formulário, o outro a dimensão da empresa de uma importação. Nenhum parece um bom encaixe por si só. Os leads são especialmente propensos a isto, uma vez que os leads duplicados surgem mais depressa do que os contatos.

MQLs falsos

Os duplicados também podem distorcer as pontuações. Um cliente ou um contato de uma oportunidade aberta inscreve-se num webinar com um novo email. O CRM cria um novo registro, o webinar acrescenta pontos e o registro torna-se um MQL.

As vendas recebem agora um lead "novo" que já conversa com um gerente de contas. O representante liga, o comprador fica confuso, e as vendas começam a duvidar dos MQLs que vêm depois.

Os duplicados também inflacionam o número de MQL. Uma pessoa contada duas vezes faz o volume parecer maior e as taxas de conversão mais baixas do que são.

Encaminhamento que chega tarde demais

As pontuações decidem quando um lead vai para vendas. Quando o engajamento está dividido, o registro que finalmente atinge o limite faz isso dias ou semanas depois de o comprador ter feito.

Até lá, o momento que levou o comprador a contatar pode já ter passado. Dois registros também podem ultrapassar o limiar separadamente e ficar com dois comerciais diferentes.

Porque é que a pontuação com IA aprende os padrões errados

A pontuação com IA acrescenta um segundo problema. Aprende com o seu histórico, por isso os duplicados em registros antigos moldam a ideia que o modelo tem que um bom lead.

Um cliente cujo envolvimento estava dividido por dois registros parece menos envolvido do que estava. O duplicado restante que nunca converteu conta como lead perdido. O modelo aprende que os sinais que os seus melhores compradores mostraram têm menos peso do que realmente têm.

Os mesmos dados divididos afetam outras ferramentas de IA no seu CRM, o que registros duplicados podem falhar de formas semelhantes. Na pontuação, a correção começa antes de treinar ou retreinar um modelo.

A abordagem: corrija os registros antes de ajustar o modelo

Quando as pontuações parecem erradas, a primeira reação costuma ser alterar os pontos ou o limiar. Se a causa forem os duplicados, novas regras só deslocam o problema. Comece pelos registros.

Acorde o que conta como duplicado para a pontuação

O que conta como duplicado depende de cada caso, e o que uma equipe considera duplicado pode não o ser para outra. Um potencial cliente que regressa um ano depois pode ser o mesmo lead para o marketing e uma nova oportunidade para as vendas.

Defina os casos antes de mesclar. Os mais comuns são uma pessoa com email pessoal e profissional, uma pessoa que pergunta por dois produtos e um potencial cliente que regressa.

Mescle primeiro os duplicados evidentes

Comece por correspondências exatas por email. São normalmente as mais seguras de mesclar e um primeiro passo rápido.

Depois, analise as pessoas com dois e-mails. Faça a correspondência pelo primeiro e último nome, mais o telefone ou o nome da empresa, e escolher os campos para a correspondência a partir do que os seus registros contêm. Revise esses casos antes de mesclar, já que duas pessoas podem ter o mesmo nome.

Decida o que o registro mesclado mantém

A pontuação depende mais de alguns campos do que de outros. Defina que valor prevalece na fase do ciclo de vida, no estado do lead, no responsável e na data de MQL antes de mesclar.

Verifique como a sua pontuação trata uma mesclagem. Pode recalcular a partir do histórico combinado ou manter a pontuação de um registro até surgir nova atividade.

Compare as pontuações e as contagens de MQL após a mesclagem

Analise a sua lista de MQL antes e depois de uma limpeza. Conte quantos registros ultrapassaram o limiar depois de combinado o seu histórico, e quantos MQL falsos desapareceram.

Essa comparação diz a você se as suas regras de pontuação estavam erradas ou se os registros estavam. Ajuste os pontos e o limiar só depois disso.

Detecte novos duplicados antes de atingirem o limite

Formulários, importações e integrações continuam adicionando registros. Verificar novos duplicados numa agenda regular evita que as pontuações voltem a se desviar. Mesclar os novos duplicados antes de o roteamento rodar garante que o registro que chega às vendas tem todo o histórico.

Resumo: duplicados e pontuação de leads

O que acontece Efeito na pontuação O que fazer
Envolvimento e adequação repartidos por registros Pontuações demasiado baixas; compradores prontos não atingem o limite Mescle primeiro as correspondências exatas de email e depois analise as de nome
Um comprador conhecido registra-se com um novo email MQL falso enviado às vendas Faça a correspondência por nome e telefone ou empresa para apanhar segundos e-mails
Registros divididos atingem o limiar tarde O encaminhamento chega com dias ou semanas de atraso Mescle os novos duplicados antes de rodar o roteamento
Duplicados em registros antigos A pontuação por IA aprende os sinais errados Limpe o histórico antes de treinar ou voltar a treinar
Uma pessoa contada duas vezes Contagens de MQL infladas, taxas de conversão demasiado baixas Compare as contagens de MQL antes e depois da mesclagem

Como a Dedupely reúne o envolvimento de cada comprador num só registro

Com o Dedupely, busque possíveis leads ou contatos duplicados, confirme a identidade e escolha os valores que sobrevivem. Revise as atividades suportadas pelo seu conector e visualize a prévia de cada mesclagem. Depois, verifique o comportamento de recálculo e roteamento da ferramenta de pontuação antes de ativar a mesclagem automática para uma regra testada.

Encontre os duplicados que estão dividindo as suas pontuações de lead

Pontuações fiáveis começam com um registro por comprador

A pontuação de leads funciona sobre os registros, por isso os duplicados alteram o que ela vê. O envolvimento dividido oculta compradores prontos, e os novos registros de compradores conhecidos tornam-se MQL falsos. Pontuações tardias enviam leads para vendas depois de o momento ter passado, e a pontuação por IA aprende com o mesmo histórico dividido.

A solução é definir o que conta como duplicado, mesclar os óbvios e voltar a verificar as pontuações. Quando cada comprador tiver um único registro, poderá perceber se as suas regras de pontuação precisam de ajuste ou se o problema estava nos dados.

Perguntas frequentes

Os contatos duplicados afetam a pontuação de leads?

Sim: a pontuação de leads acrescenta pontos a um registro, por isso, quando um comprador tem dois registros, cada um guarda parte da sua atividade e adequação. Ambos os registros podem ficar abaixo do limiar enquanto o comprador está pronto. Os duplicados também podem criar MQL falsos e inflacionar as contagens de MQL.

Porque é que as minhas pontuações de lead são demasiado baixas?

Uma possível razão é o envolvimento dividido por registros duplicados. Um comprador que usa e-mails pessoais e profissionais pode ter atividade em ambos. Confirme a correspondência, faça a mesclagem com as regras de campo certas e verifique como a sua ferramenta de pontuação recalcula. Uma mesclagem não soma necessariamente as duas pontuações nem aumenta o resultado.

Devo limpar o meu CRM antes de configurar a pontuação de leads com IA?

Sim, idealmente: a pontuação por IA aprende com registros anteriores, então os duplicados podem levá-la a achar que compradores engajados estavam menos engajados do que realmente estavam. Mesclar os duplicados óbvios antes de treinar ou retreinar dá ao modelo um histórico mais limpo. Continue verificando novos duplicados depois, já que formulários e importações seguem adicionando registros.

Como é que os duplicados criam MQLs falsos?

Um comprador conhecido, como um cliente ou alguém que já fala com a equipe comercial, registra-se com um novo email. O CRM cria um novo registro, a atividade soma pontos e o registro torna-se um MQL. A equipe comercial recebe então um lead "novo" que já está em conversa com a equipe.

O que acontece à pontuação de um lead quando dois registros são mesclados?

Depende da ferramenta de pontuação. Algumas podem recalcular a pontuação a partir da atividade combinada, enquanto outras podem manter o valor de um dos registros até surgir nova atividade. Verifique como a sua se comporta e decida antecipadamente que fase do ciclo de vida, estado do lead, responsável e data de MQL o registro mesclado deve manter.