TL;DR
- Dubbletter delar upp en köpares aktivitet över flera poster, så varje posts poäng speglar bara en del.
- En känd köpares nya registrering med en annan e-postadress kan bli en felaktig MQL.
- Om leadpoängen passerar gränsvärdet sent når en redo köpare säljarna sent.
- Slå ihop de uppenbara dubbletterna innan du finjusterar poängregler eller tränar en AI-modell för poängsättning.
- Dedupely hittar och slår ihop dubblettleads och kontakter, så att poängsättningen läser en post per köpare.
Leadscoring ska tala om för säljarna vem de ska ringa först. Marknadsföringen sätter poängen eller tränar en modell, säljarna litar på siffran, och gränsvärdet avgör när en lead blir en MQL.
Poängen är inte bättre än posten den bygger på. När en köpare finns i två eller tre poster innehåller var och en en del av historien, och poängen speglar bara den delen. Vissa redo köpare når aldrig försäljningen, och vissa poster når försäljningen trots att de inte borde.
I det här inlägget ser du hur dubbletter förvränger regelbaserad och AI-baserad poängsättning, och ansatsen som löser det. Det är ett sätt att tänka kring poängsättning och dubbletter, så det går inte igenom en poängsättningsinställning.
Vad lead scoring utgår från
Många poängmodeller tittar på två saker. Fit handlar om vem personen är: jobbtitel, företagsstorlek, bransch, land. Engagemang handlar om vad hen gör: formulärifyllnader, e-postklick, sidvisningar, möten.
Regelbaserad poängsättning
Med regelbaserad poängsättning bestämmer ditt team poängen. En begäran om demo kan ge 20 poäng, ett besök på prissidan 10 och en jobbtitel på din mållista ytterligare 15. När en post når tröskelvärdet blir den en MQL och skickas till försäljning.
AI eller prediktiv poängsättning
AI-poängsättning lär sig av tidigare poster. Den tittar på vilka leads som blev kunder och vilka som inte blev det, och poängsätter sedan nya leads efter hur mycket de liknar vinnarna.
Båda metoderna poängsätter poster. Ingen av dem vet att två poster tillhör samma person om inte något i datan kopplar dem.
Tre sätt dubbletter snedvrider poängen
Vikten varierar med era källor, er tröskel och hur teamet fördelar leads. Det här är mönstren att leta efter.
Engagemang uppdelat över flera poster
En köpare laddar ner en guide med en privat e-postadress och bokar sedan ett webbinarium med jobb-e-post. Varje post får en del av aktiviteten, och ingen av dem når tröskelvärdet. Köparen är redo, och ingen ringer.
Passform delas också upp: en post har jobbtiteln från ett formulär, den andra företagsstorleken från en import. Ingen av dem ser ut som en stark passform på egen hand. Leads är särskilt utsatta för detta, eftersom dubblettleads bildas snabbare än kontakter.
Felaktiga MQL:er
Dubbletter kan också driva poängen åt fel håll. En kund eller kontakt till en öppen affärsmöjlighet registrerar sig för ett webbseminarium med en ny e-postadress. CRM:et skapar en ny post, webbseminariet ger poäng och posten blir en MQL.
Säljet får nu ett "nytt" lead som redan pratar med en kundansvarig. Säljaren ringer, köparen blir förvirrad och säljet börjar tvivla på MQL:erna som följer.
Dubbletter blåser också upp MQL-antalet. En person som räknas två gånger får volymen att se högre ut och konverteringsgraden att se lägre ut än den är.
Routing som kommer för sent
Poäng avgör när en lead går till försäljning. När engagemanget är delat når posten som slutligen passerar tröskeln det dagar eller veckor senare än köparen gjorde.
Då kan ögonblicket som fick köparen att höra av sig ha passerat. Två poster kan också passera gränsvärdet var för sig och hamna hos två olika säljare.
Varför AI-poängsättning lär sig fel mönster
AI-poängsättning ger ett andra problem. Den lär sig av din historik, så dubbletter i gamla poster formar hur modellen uppfattar en bra lead.
En kund vars engagemang var uppdelat på två poster verkar mindre engagerad än den är. Den kvarglömda dubbletten som aldrig konverterade räknas som en förlorad lead. Modellen lär sig då att de signaler dina bästa köpare visade betyder mindre än de faktiskt gör.
Samma uppdelade data påverkar andra AI-verktyg i ditt CRM, vilket dubbletter kan gå sönder på liknande sätt. För poängsättning börjar åtgärden innan en modell tränas eller tränas om.
Metoden: rätta posterna innan du finjusterar modellen
När poängen verkar fel är första reaktionen ofta att ändra poängen eller tröskelvärdet. Om dubbletter är orsaken flyttar nya regler bara problemet. Börja med posterna.
Enas om vad som räknas som dubblett vid poängsättning
Vad som räknas som dubblett varierar från fall till fall, och det som ett team ser som dubblett kanske inte gör det för ett annat. En prospekt som återkommer ett år senare kan vara samma lead för marknadsföring och en ny affärsmöjlighet för försäljning.
Kom överens om fallen innan sammanslagning. Vanliga är en person med både privat och jobbmejl, en person som frågar om två produkter och en återkommande prospekt.
Slå ihop de uppenbara dubbletterna först
Börja med exakta matchningar på e-post. Dessa är oftast säkrast att slå ihop och ett snabbt första steg.
Titta sedan på personer med två e-postadresser. Matcha på förnamn och efternamn samt telefon eller företagsnamn, och välj vilka fält som ska matchas utifrån vad dina poster innehåller. Granska dessa innan du slår ihop, eftersom två personer kan dela namn.
Avgör vad den sammanslagna posten behåller
Poängsättningen beror på några fält mer än andra. Bestäm vilket värde som vinner för livscykelstadium, leadstatus, ägare och MQL-datum innan du slår ihop.
Kontrollera hur din poängsättning hanterar en sammanslagning. Den kan räkna om från den sammanslagna historiken, eller behålla en posts poäng tills ny aktivitet kommer.
Jämför poäng och MQL-antal efter sammanslagning
Titta på din MQL-lista före och efter en städning. Räkna hur många poster som passerade tröskeln när deras historik slagits ihop, och hur många falska MQL:er som försvann.
Jämförelsen visar om dina poängregler var fel eller om posterna var det. Justera poängen och tröskeln först efter det.
Fånga nya dubletter innan de når tröskelvärdet
Formulär, importer och integrationer fortsätter att skapa poster. Att kontrollera nya dubbletter enligt schema hindrar poängen från att glida iväg igen. Att slå ihop nya dubbletter innan routing körs innebär att posten som når säljet har hela historiken.
Sammanfattning: dubbletter och leadpoängsättning
| Vad som händer | Effekt på poängsättning | Vad du ska göra |
|---|---|---|
| Engagemang och passform delas upp över flera poster | Poängen för låg; redo köpare missar tröskeln | Slå ihop exakta e-postmatchningar först, granska sedan namnmatchningar |
| En känd köpare registrerar sig med en ny e-postadress | Felaktig MQL skickad till säljteamet | Matcha på namn plus telefon eller företag för att fånga andra e-postadresser |
| Delade poster passerar tröskelvärdet sent | Routning kommer dagar eller veckor för sent | Slå ihop nya dubbletter innan routing körs |
| Dubletter i äldre poster | AI-scoring lär sig fel signaler | Rensad historik före utbildning eller omträning |
| En person räknad två gånger | MQL-antal uppblåsta, konverteringsgraden för låg | Jämför MQL-antal före och efter sammanslagning |
Så samlar Dedupely varje köpares engagemang på en post
Med Dedupely söker du efter möjliga dubbletter av leads eller kontakter, bekräftar identiteten och väljer vilka värden som ska bestå. Granska aktiviteterna som din koppling stödjer och förhandsgranska varje sammanslagning. Kontrollera sedan poängverktygets omberäkning och routing innan du aktiverar automatisk sammanslagning för en testad regel.
Poäng du kan lita på börjar med en post per köpare
Leadscoring arbetar på poster, så dubbletter ändrar vad den ser. Delat engagemang döljer redo köpare, och nya registreringar från kända köpare blir falska MQL:er. Sena poäng skickar leads till försäljningen när tillfället passerat, och AI-scoring lär sig av samma delade historik.
Lösningen är att enas om vad som räknas som dubblett, slå samman de uppenbara och kontrollera poängen igen. När varje köpare har en post kan du avgöra om era poängregler behöver ses över eller om det är datan som behöver det.
Vanliga frågor
Påverkar dubblettkontakter leadpoängsättningen?
Ja: leadscoring lägger till poäng på en post, så när en köpare har två poster innehåller var och en en del av deras aktivitet och passform. Båda posterna kan ligga under tröskelvärdet trots att köparen är redo. Dubbletter kan även skapa falska MQL:er och blåsa upp antalet MQL:er.
Varför är mina leadpoäng för låga?
En möjlig orsak är att engagemanget är uppdelat över dubbletter. En köpare som använder privat och jobbrelaterad e-post kan ha aktivitet på båda. Bekräfta matchningen, slå ihop med rätt fältregler och kontrollera hur ditt poängverktyg räknar om. En sammanslagning lägger inte nödvändigtvis ihop de två poängen eller höjer resultatet.
Ska jag städa mitt CRM innan jag sätter upp AI-baserad leadscoring?
Ja, helst: AI-poängsättning lär sig av tidigare poster, så dubbletter kan lära den att engagerade köpare var mindre engagerade än de faktiskt var. Att slå ihop de uppenbara dubbletterna före träning eller omträning ger modellen en renare historik. Fortsätt kontrollera efter nya dubbletter, eftersom formulär och importer hela tiden lägger till poster.
Hur skapar dubbletter falska MQL:er?
En känd köpare, till exempel en kund eller någon som redan för samtal med säljavdelningen, registrerar sig med en ny e-postadress. CRM:et skapar en ny post, aktiviteten ger poäng och posten blir en MQL. Säljteamet får då en ”ny” lead som redan är i dialog med teamet.
Vad händer med ett leadpoäng när två poster slås ihop?
Det beror på poängverktyget. Vissa räknar om poängen från den sammanslagna aktiviteten, medan andra kan behålla en posts värde tills ny aktivitet kommer. Kontrollera hur ditt beter sig och bestäm i förväg vilket livscykelsteg, leadstatus, ägare och MQL-datum den sammanslagna posten ska behålla.
Eller registrera dig med Google
Salesforce AppExchange 
