Là gì Lead Score Calculator?
▾
Chấm điểm khách hàng tiềm năng là một phương pháp xếp hạng khách hàng tiềm năng (khách hàng tiềm năng) dựa trên giá trị cảm nhận mà họ đại diện cho tổ chức và khả năng chuyển đổi thành khách hàng trả tiền của họ. Điểm khách hàng tiềm năng chỉ định các giá trị điểm bằng số cho các thuộc tính khách hàng tiềm năng (sự phù hợp về nhân khẩu học, đặc điểm công ty) và tín hiệu hành vi (mức độ tương tác với sản phẩm, mức tiêu thụ nội dung, tương tác email) để tạo điểm tổng hợp ưu tiên những khách hàng tiềm năng xứng đáng được bán hàng chú ý. Khách hàng tiềm năng có điểm cao sẽ được chuyển đến khâu bán hàng ngay lập tức; khách hàng tiềm năng có điểm thấp hơn được nuôi dưỡng thông qua tự động hóa tiếp thị cho đến khi họ thể hiện được ý định cao hơn. Việc chấm điểm khách hàng tiềm năng giải quyết một vấn đề cơ bản trong việc tạo ra nhu cầu: đội ngũ tiếp thị tạo ra nhiều khách hàng tiềm năng hơn mức đội ngũ bán hàng có thể làm việc hiệu quả và nếu không có sự ưu tiên, các đại diện sẽ lãng phí thời gian cho những khách hàng tiềm năng không phù hợp trong khi những khách hàng tiềm năng có giá trị cao lại không được phục vụ. Công thức tính điểm khách hàng tiềm năng kết hợp các thuộc tính rõ ràng (dữ liệu công ty như quy mô công ty, ngành, chức danh) với các tín hiệu hành vi tiềm ẩn (lượt truy cập trang web, lượt tải xuống nội dung, yêu cầu demo, hoạt động dùng thử sản phẩm). Điểm được chỉ định và trừ dựa trên mức độ phù hợp và hoạt động. Ví dụ: quy mô công ty trên 500 nhân viên +25 điểm, chức danh người ra quyết định +30 điểm, trang định giá đã truy cập +40 điểm, yêu cầu demo +80 điểm. Ngược lại: email sinh viên -50 điểm, tên miền đối thủ -100 điểm, sai ngành -40 điểm. Ngưỡng điểm khách hàng tiềm năng xác định ranh giới MQL (Khách hàng tiềm năng đủ tiêu chuẩn tiếp thị): thường đạt điểm trên 50 đến 100 sẽ kích hoạt trạng thái MQL và chuyển giao cho đại diện phát triển bán hàng (SDR). Ngưỡng này được hiệu chỉnh thông qua phân tích lịch sử: mức điểm nào dự đoán tốt nhất rằng khách hàng tiềm năng sẽ chuyển đổi trong khoảng thời gian tương tác của SDR? Tính năng chấm điểm khách hàng tiềm năng dự đoán (sử dụng máy học trên dữ liệu chuyển đổi lịch sử) ngày càng bổ sung hoặc thay thế việc tính điểm dựa trên quy tắc, đặc biệt là ở các công ty có lượng khách hàng tiềm năng lớn. Các công cụ như Salesforce Einstein, HubSpot và 6sense cung cấp các mô hình tính điểm được hỗ trợ bởi AI.
Calkulon makes complex calculations simple — built for students and everyday problem-solvers.
Công thức
▾
Điểm dẫn đầu = Tổng điểm Thuộc tính/Điểm hành vi tích cực - Tổng điểm tiêu cực bị loại
Trong đó mỗi biến đại diện cho một đại lượng cụ thể có thể đo lường được trong lĩnh vực kỹ thuật và điện. Thay thế các giá trị đã biết và giải quyết những điều chưa biết. Đối với các phép tính nhiều bước, trước tiên hãy đánh giá các biểu thức bên trong, sau đó kết hợp các kết quả bằng cách sử dụng thứ tự phép tính tiêu chuẩn.Chú giải biến
▾
| Ký hiệu | Tên | Đơn vị | Mô tả |
|---|---|---|---|
| Attribute Points | Điểm cố định được chỉ định | — | Một tham số đầu vào chính cho Tính toán Điểm khách hàng đại diện cho các điểm cố định được chỉ định trong công thức, ảnh hưởng trực tiếp đến kết quả tính toán thông qua vai trò toán học của nó |
| Behavioral Points | Dựa trên điểm động | — | Điểm động dựa trên hành động tương tác do khách hàng tiềm năng thực hiện |
| Negative Points | Khấu trừ điểm | — | Một tham số đầu vào quan trọng cho Tính toán Điểm Khách hàng tiềm năng thể hiện các khoản khấu trừ điểm trong công thức, ảnh hưởng trực tiếp đến kết quả tính toán thông qua vai trò toán học của nó |
| MQL Threshold | Yêu cầu điểm tối thiểu | — | Điểm tối thiểu cần thiết để đủ điều kiện trở thành Trưởng nhóm đủ tiêu chuẩn tiếp thị |
| Score Decay | Giảm điểm | — | Giảm điểm theo thời gian khi hoạt động của khách hàng tiềm năng trở nên cũ kỹ |
Cách Lead Score Calculator
▾
- 1Thu thập các giá trị đầu vào bắt buộc: Điểm cố định được chỉ định, Dựa trên điểm động, Trừ điểm, Yêu cầu điểm tối thiểu.
- 2Áp dụng công thức cốt lõi: Điểm khách hàng tiềm năng = Tổng điểm Thuộc tính/Điểm hành vi tích cực - Tổng điểm tiêu cực bị loại.
- 3Tính toán các giá trị trung gian như Điểm nhân khẩu học nếu có.
- 4Xác minh rằng tất cả các đơn vị đều nhất quán trước khi kết hợp các thuật ngữ.
- 5Tính toán kết quả cuối cùng và xem xét tính hợp lý.
- 6Kiểm tra xem có bất kỳ trường hợp đặc biệt hoặc điều kiện biên nào áp dụng cho đầu vào của bạn hay không.
- 7Giải thích kết quả theo ngữ cảnh và so sánh với các giá trị tham chiếu nếu có.
Ví dụ có lời giải
▾
Ví dụ này minh họa một ứng dụng điển hình của Tính toán điểm khách hàng tiềm năng, cho thấy cách xử lý các giá trị đầu vào thông qua công thức để tạo ra kết quả.
Ví dụ này minh họa một ứng dụng điển hình của Tính toán điểm khách hàng tiềm năng, cho thấy cách xử lý các giá trị đầu vào thông qua công thức để tạo ra kết quả.
Ví dụ này minh họa một ứng dụng điển hình của Tính toán điểm khách hàng tiềm năng, cho thấy cách xử lý các giá trị đầu vào thông qua công thức để tạo ra kết quả.
Ví dụ này minh họa một ứng dụng điển hình của Tính toán điểm khách hàng tiềm năng, cho thấy cách xử lý các giá trị đầu vào thông qua công thức để tạo ra kết quả.
Ứng dụng thực tế
▾
Các chuyên gia về kỹ thuật và điện sử dụng Lead Score Calc như một phần của quy trình phân tích tiêu chuẩn của họ để xác minh các phép tính, giảm lỗi số học và tạo ra kết quả nhất quán có thể được ghi lại, kiểm tra và chia sẻ với đồng nghiệp, khách hàng hoặc cơ quan quản lý vì mục đích tuân thủ.
Các giáo sư và giảng viên đại học kết hợp Lead Score Calc vào tài liệu khóa học, bài tập về nhà và tài nguyên luyện thi, cho phép sinh viên kiểm tra các phép tính thủ công, xây dựng trực giác về mối quan hệ đầu vào-đầu ra và tập trung vào hiểu biết về khái niệm thay vì số học.
Các chuyên gia tư vấn và cố vấn sử dụng Lead Score Calc để nhanh chóng lập mô hình các tình huống khác nhau trong các cuộc họp với khách hàng, cho phép khám phá theo thời gian thực các câu hỏi giả định mà lẽ ra sẽ phải quay lại văn phòng để phân tích và báo cáo chi tiết dựa trên bảng tính.
Người dùng cá nhân dựa vào Lead Score Calc để đưa ra các quyết định lập kế hoạch cá nhân — so sánh các tùy chọn, xác minh báo giá nhận được từ nhà cung cấp dịch vụ, kiểm tra tính toán của bên thứ ba và xây dựng niềm tin rằng các con số đằng sau một quyết định quan trọng đã được tính toán chính xác và nhất quán.
Trường hợp đặc biệt
▾
ABM (Tiếp thị dựa trên tài khoản): điểm ở cấp tài khoản (tổng điểm liên hệ
ABM (Tiếp thị dựa trên tài khoản): điểm ở cấp tài khoản (tổng điểm liên hệ được tính theo vai trò/chức danh) thay vì cấp liên hệ cá nhân. Trong thực tế, trường hợp đặc biệt này cần được xem xét cẩn thận vì các giả định tiêu chuẩn có thể không đúng. Khi gặp tình huống này trong tính toán điểm khách hàng tiềm năng, người thực hành nên xác minh các điều kiện biên, kiểm tra rủi ro chia cho 0 và xem xét liệu các giả định của mô hình có còn hiệu lực trong các điều kiện khắc nghiệt này hay không.
Khách hàng tiềm năng PLG: ưu tiên tín hiệu sử dụng trong sản phẩm hơn là tương tác tiếp thị
Khách hàng tiềm năng của PLG: ưu tiên các tín hiệu sử dụng trong sản phẩm hơn các tín hiệu tương tác tiếp thị; tạo điểm PQL riêng biệt với điểm MQL truyền thống. Trong thực tế, trường hợp đặc biệt này cần được xem xét cẩn thận vì các giả định tiêu chuẩn có thể không đúng. Khi gặp tình huống này trong tính toán điểm khách hàng tiềm năng, người thực hành nên xác minh các điều kiện biên, kiểm tra rủi ro chia cho 0 và xem xét liệu các giả định của mô hình có còn hiệu lực trong các điều kiện khắc nghiệt này hay không.
Khách hàng tiềm năng theo kênh/đối tác: khách hàng tiềm năng từ đối tác có thể ghi điểm khác nhau — điều chỉnh
Khách hàng tiềm năng kênh/đối tác: khách hàng tiềm năng từ đối tác có thể ghi điểm khác nhau — điều chỉnh ngưỡng dựa trên dữ liệu chất lượng khách hàng tiềm năng trước đây của đối tác Trong thực tế, trường hợp đặc biệt này cần được xem xét cẩn thận vì các giả định tiêu chuẩn có thể không đúng. Khi gặp tình huống này trong tính toán điểm khách hàng tiềm năng, người thực hành nên xác minh các điều kiện biên, kiểm tra rủi ro chia cho 0 và xem xét liệu các giả định của mô hình có còn hiệu lực trong các điều kiện khắc nghiệt này hay không.
Dữ liệu tham chiếu Calc Điểm Khách hàng tiềm năng
▾
| Hành động/Thuộc tính chính | Điểm tiêu biểu | Cơ sở lý luận |
|---|---|---|
| Yêu cầu demo/dùng thử | +75 đến +100 | Tín hiệu có ý định chuyển đổi cao nhất |
| Truy cập trang giá | +40 đến +60 | Đánh giá mua tích cực |
| Mẫu liên hệ/RFP | +50 đến +80 | Mục đích bán hàng trực tiếp |
| Tải xuống nội dung | +10 đến +25 | Tham gia giai đoạn nghiên cứu |
| Chức danh C-Suite / Phó chủ tịch | +30 đến +50 | Tín hiệu của cơ quan quản lý ngân sách |
| Công ty có hơn 500 nhân viên | +20 đến +35 | Kích thước ICP phù hợp |
| Tên miền email của đối thủ cạnh tranh | -50 đến -100 | Nghiên cứu cạnh tranh có thể xảy ra |
| Email sinh viên/miễn phí | -30 đến -60 | Ý định mua hàng thấp |
Câu hỏi thường gặp
▾
Trong bối cảnh Tính điểm khách hàng tiềm năng, điều này phụ thuộc vào thông tin đầu vào, giả định và mục tiêu cụ thể của người dùng. Công thức cơ bản cung cấp mối quan hệ xác định giữa đầu vào và đầu ra, nhưng ứng dụng trong thế giới thực đòi hỏi phải diễn giải kết quả trong bối cảnh rộng hơn của thực hành kỹ thuật và điện. Các chuyên gia thường tham khảo chéo kết quả của máy tính với các điểm chuẩn của ngành, dữ liệu lịch sử và các yêu cầu quy định. Để có kết quả đáng tin cậy nhất, hãy đảm bảo dữ liệu đầu vào được lấy từ dữ liệu đã được xác minh, hiểu những giả định mà công thức đưa ra và cân nhắc việc chạy nhiều kịch bản để sắp xếp phạm vi các kết quả có thể xảy ra.
Trong bối cảnh Tính điểm khách hàng tiềm năng, điều này phụ thuộc vào thông tin đầu vào, giả định và mục tiêu cụ thể của người dùng. Công thức cơ bản cung cấp mối quan hệ xác định giữa đầu vào và đầu ra, nhưng ứng dụng trong thế giới thực đòi hỏi phải diễn giải kết quả trong bối cảnh rộng hơn của thực hành kỹ thuật và điện. Các chuyên gia thường tham khảo chéo kết quả của máy tính với các điểm chuẩn của ngành, dữ liệu lịch sử và các yêu cầu quy định. Để có kết quả đáng tin cậy nhất, hãy đảm bảo dữ liệu đầu vào được lấy từ dữ liệu đã được xác minh, hiểu những giả định mà công thức đưa ra và cân nhắc việc chạy nhiều kịch bản để sắp xếp phạm vi các kết quả có thể xảy ra.
Trong bối cảnh Tính điểm khách hàng tiềm năng, điều này phụ thuộc vào thông tin đầu vào, giả định và mục tiêu cụ thể của người dùng. Công thức cơ bản cung cấp mối quan hệ xác định giữa đầu vào và đầu ra, nhưng ứng dụng trong thế giới thực đòi hỏi phải diễn giải kết quả trong bối cảnh rộng hơn của thực hành kỹ thuật và điện. Các chuyên gia thường tham khảo chéo kết quả của máy tính với các điểm chuẩn của ngành, dữ liệu lịch sử và các yêu cầu quy định. Để có kết quả đáng tin cậy nhất, hãy đảm bảo dữ liệu đầu vào được lấy từ dữ liệu đã được xác minh, hiểu những giả định mà công thức đưa ra và cân nhắc việc chạy nhiều kịch bản để sắp xếp phạm vi các kết quả có thể xảy ra.
Trong bối cảnh Tính điểm khách hàng tiềm năng, điều này phụ thuộc vào thông tin đầu vào, giả định và mục tiêu cụ thể của người dùng. Công thức cơ bản cung cấp mối quan hệ xác định giữa đầu vào và đầu ra, nhưng ứng dụng trong thế giới thực đòi hỏi phải diễn giải kết quả trong bối cảnh rộng hơn của thực hành kỹ thuật và điện. Các chuyên gia thường tham khảo chéo kết quả của máy tính với các điểm chuẩn của ngành, dữ liệu lịch sử và các yêu cầu quy định. Để có kết quả đáng tin cậy nhất, hãy đảm bảo dữ liệu đầu vào được lấy từ dữ liệu đã được xác minh, hiểu những giả định mà công thức đưa ra và cân nhắc việc chạy nhiều kịch bản để sắp xếp phạm vi các kết quả có thể xảy ra.
Trong bối cảnh Tính điểm khách hàng tiềm năng, điều này phụ thuộc vào thông tin đầu vào, giả định và mục tiêu cụ thể của người dùng. Công thức cơ bản cung cấp mối quan hệ xác định giữa đầu vào và đầu ra, nhưng ứng dụng trong thế giới thực đòi hỏi phải diễn giải kết quả trong bối cảnh rộng hơn của thực hành kỹ thuật và điện. Các chuyên gia thường tham khảo chéo kết quả của máy tính với các điểm chuẩn của ngành, dữ liệu lịch sử và các yêu cầu quy định. Để có kết quả đáng tin cậy nhất, hãy đảm bảo dữ liệu đầu vào được lấy từ dữ liệu đã được xác minh, hiểu những giả định mà công thức đưa ra và cân nhắc việc chạy nhiều kịch bản để sắp xếp phạm vi các kết quả có thể xảy ra.
Trong bối cảnh Tính điểm khách hàng tiềm năng, điều này phụ thuộc vào thông tin đầu vào, giả định và mục tiêu cụ thể của người dùng. Công thức cơ bản cung cấp mối quan hệ xác định giữa đầu vào và đầu ra, nhưng ứng dụng trong thế giới thực đòi hỏi phải diễn giải kết quả trong bối cảnh rộng hơn của thực hành kỹ thuật và điện. Các chuyên gia thường tham khảo chéo kết quả của máy tính với các điểm chuẩn của ngành, dữ liệu lịch sử và các yêu cầu quy định. Để có kết quả đáng tin cậy nhất, hãy đảm bảo dữ liệu đầu vào được lấy từ dữ liệu đã được xác minh, hiểu những giả định mà công thức đưa ra và cân nhắc việc chạy nhiều kịch bản để sắp xếp phạm vi các kết quả có thể xảy ra.
Trong bối cảnh Tính điểm khách hàng tiềm năng, điều này phụ thuộc vào thông tin đầu vào, giả định và mục tiêu cụ thể của người dùng. Công thức cơ bản cung cấp mối quan hệ xác định giữa đầu vào và đầu ra, nhưng ứng dụng trong thế giới thực đòi hỏi phải diễn giải kết quả trong bối cảnh rộng hơn của thực hành kỹ thuật và điện. Các chuyên gia thường tham khảo chéo kết quả của máy tính với các điểm chuẩn của ngành, dữ liệu lịch sử và các yêu cầu quy định. Để có kết quả đáng tin cậy nhất, hãy đảm bảo dữ liệu đầu vào được lấy từ dữ liệu đã được xác minh, hiểu những giả định mà công thức đưa ra và cân nhắc việc chạy nhiều kịch bản để sắp xếp phạm vi các kết quả có thể xảy ra.
Lỗi thường gặp cần tránh
▾
- !Gán giá trị điểm dựa trên trực giác thay vì dữ liệu tương quan chuyển đổi lịch sử
- !Không bao gồm điểm tiêu cực/không đủ tiêu chuẩn - cho phép khách hàng tiềm năng kém phù hợp đạt được điểm cao thông qua tương tác hành vi
- !Sử dụng cùng một mô hình tính điểm cho tất cả các sản phẩm, phân khúc hoặc khu vực địa lý — việc chấm điểm phải được ICP tùy chỉnh
- !Không bao giờ hiệu chỉnh lại mô hình - mô hình tĩnh trôi dạt khi ICP và điều kiện thị trường thay đổi
- !Coi điểm khách hàng tiềm năng là tiêu chí định tuyến duy nhất - điểm phải được xem xét cùng với các tín hiệu về mục đích rõ ràng và lần truy cập gần đây
- !Không thực hiện giảm điểm — điểm cao cũ từ khách hàng tiềm năng không còn tồn tại vô thời hạn
Mẹo Chuyên Nghiệp
Xác thực mô hình tính điểm của bạn hàng tháng bằng cách so sánh điểm khách hàng tiềm năng trung bình của cơ hội 'thắng' với cơ hội 'mất' và không có quyết định. Các giao dịch chiến thắng sẽ có điểm số cao nhất trong lịch sử cao hơn đáng kể. Nếu khoảng cách nhỏ thì mô hình của bạn không có tính dự đoán - hãy xây dựng lại bằng các tín hiệu hành vi tốt hơn.
Bạn có biết?
Phân tích của HubSpot trên 30.000 công ty cho thấy các doanh nghiệp sử dụng tính năng ghi điểm khách hàng tiềm năng có ROI tạo ra khách hàng tiềm năng cao hơn 77% so với những doanh nghiệp không sử dụng tính năng tính điểm, chủ yếu là do đại diện bán hàng đã dành thời gian cho 20% khách hàng tiềm năng tạo ra 80% doanh thu thay vì đối xử bình đẳng với tất cả khách hàng tiềm năng.
Regional Guides
▾
Global▾
Tài liệu tham khảo
- ›Marketo — Hướng dẫn chính xác để ghi điểm khách hàng tiềm năng
- ›HubSpot — Các phương pháp hay nhất về tính điểm khách hàng tiềm năng
- ›Salesforce — Chấm điểm và chấm điểm khách hàng tiềm năng
- ›MadKudu — Nghiên cứu tính điểm khách hàng tiềm năng dự đoán
Nhận Mẹo Toán Hàng Tuần
Tham gia cùng 12.000+ người đăng ký để nhận mẹo về máy tính mỗi tuần.