DMCU의 매거진

리드 스코어링(Lead Scoring)을 위한 고객 데이터 활용 기본 가이드

DMCU

2019.04.23 03:41 조회수 1231
  • 1
  • 콘텐츠에 ‘좋아’해줘서 고마워요 -
    0
  • 나만의 큐레이션함 '서랍'에 영감이 추가되었습니다. 성장 +1 되었어요!

리드 스코어링(Lead Scoring)을 위한 고객 데이터 활용 기본 가이드

  • 1
  • 콘텐츠에 ‘좋아’해줘서 고마워요 -
    0
  • 나만의 큐레이션함 '서랍'에 영감이 추가되었습니다. 성장 +1 되었어요!

이 글은 Lead Scoring 101: How to Use Data to Calculate a Basic Lead Score를 번역한 글입니다.

 

대부분의 사람들은 인바운드 마케팅을 시작할 때, 마케팅 퍼널에서 새로운 리드를 많이 확보하는 것부터 생각합니다. 하지만 이렇게 확보한 많은 리드 중에서 과연 실제로 제품과 서비스 구매에 관심있고 구매 가능성이 있는 리드는 누구인지 확인하는 것이 매우 중요합니다. 이것이 보다 효율적이고 실제 매출을 일으키는 마케팅의 시작입니다. 

 

리드 스코어링(Lead Scoring)이란?

 

리드 스코어링(Lead Scoring)은 다양한 리드 제네레이션 활동을 통해 생성된 각 리드에 점수와 같은 ‘포인트(Points)’를 할당하는 일련의 프로세스입니다. 고객들이 제출한 정보와 그들이 웹사이트나 뉴스레터 등 브랜드와 인터렉션했던 다양한 속성들을 기반으로 각 리드에 점수를 줄 수 있습니다. 이 프로세스는 세일즈팀과 마케팅팀이 리드의 우선 순위를 정하고, 리드에 적절하게 반응하며, 리드가 구매 고객으로 전환되는 비율을 높이는데 도움을 줍니다.

 

 

기업들이 스코어링을 하기 위해 사용하는 스코어링 모델은 저마다 각기 다르지만, 가장 일반적인 방법 중 하나는 과거의 리드에서 얻은 데이터를 사용하여 스코어링 시스템을 구축하는 것입니다. 

 

그럼 어떻게 해야 할까요? 먼저 단순 리드에서 구매 고객이 된 이들이 가진 공통점들을 확인해보세요. 다음으로 구매 고객으로 전환되지 않은 리드들을 분석해보시기 바랍니다. 양쪽의 과거 데이터를 살펴본 후에, 리드들이 가진 속성 중 어떠한 점을 가중치를 많이 주어야 하는지 결정할 수 있을 것입니다. 

 

 

인터렉티브한 리드 계산기로 세일즈 및 마케팅 목표 조정

 

리드 스코어링은 쉬워 보일 수 있습니다. 비즈니스 모델 및 데이터 베이스의 리드에 따라 이 작업은 무척 복잡해질 수 있습니다. 이 과정을 보다 쉽게하기 위해 과연 어떤 데이터를 분석해야 하고,  가장 중요한 리드의 속성을 찾는 방법, 그리고 실제로 기본적인 리드 스코어링 시스템을 만드는 방법에 대해서 소개하도록 하겠습니다.

 

리드 스코어링 모델: 리드 스코어링 모델은 각 리드에 지정된 점수가 실제로 해당 제품 구매 가능성을 반영하는지 확인합니다. 많은 리드 스코어링은 0에서 100까지의 포인트 범위를 기반으로 하지만 모든 리드 스코어링 모델은 핵심 고객의 특정한 속성을 지원합니다.

 

다음은 리드에서 수집할 수 있는 데이터 유형에 따른 6가지 리드 스코어링 모델입니다. 

 

1. 인구통계학적 정보

어린 자녀를 둔 부모나 CIO(기업 최고정보책임자) 같이 타깃 고객이 매우 특정한 유형의 그룹이라면 랜딩 페이지의 제출 양식에서 인구통계학적인 데이터를 확인할 수 있는 질문을 요청하고 그 답변을 기반으로 해당 리드가 잠재 고객에 얼마나 적합한지 알 수 있습니다. 

 

이 정보로 할 수 있는 한 가지는 세일즈팀에서 판매하지 않는 유형에 속하는 리드들은 그 점수를 빼서 더 이상 시스템에서 다루지 않는 것입니다. 예를 들어, 특정 지역에서만 판매하는 경우, 적절한 지역 주소를 벗어난 리드에게는 마이너스 점수를 줄 수 있습니다.

 

또한 제출 양식 중 일부가 선택 사항(예를 들어 전화번호)인 경우, 해당 옵션 정보를 모두 제공하는 리드에게는 추가적인 점수를 줄 수 있습니다. 


2. 회사 정보

B2B 기업인 경우, 특정한 규모, 유형 또는 업종의 고객 기업에만 많은 관심을 가질 수 밖에 없습니다. 랜딩 페이지에서도 관련된 질문을 하고 타깃 잠재 고객에 맞는 리드에 포인트를 부여하고, 반대로 타깃 잠재 고객과 맞지 않는 리드는 점수를 뺄 수 있습니다. 

 

3. 온라인 행동

리드가 브랜드의 웹사이트와 인터렉션하는 방식은, 해당 리드가 제품에 얼마나 관심이 있는지 알 수있습니다. 마지막에 구매 고객으로 전환되는 리드를 확인하세요. 어떤 제안을 다운로드하였나요? 어떤 쿠폰을 다운받았나요?

 

구매 고객으로 전환되기 전에 방문한 사이트의 페이지 수와 유형 모두 중요합니다. 높은 포인트를 가진 페이지(예를 들어 가격 페이지 혹은 장바구니)에 방문하거나 역시 높은 포인트를 가진 제출 양식(예를 들면 데모 요청 등)을 작성한 리드에게 더 높은 점수를 줄 수 있습니다. 마찬가지로 사이트에서 페이지 조회수가 30회인 리드와 고작 3회의 조회수를 가진 리드를 대조적으로 점수를 부여할 수 있을 것입니다. 

 

시간이 지남에 따라 행동이 변한 리드는 어떨까요? 중간에 웹사이트 방문이나 쿠폰 다운로드를 중단한 경우 그들은 더 이상 제품에 관심을 보이지 않을 것입니다. 일정 기간 후에 웹사이트 참여를 중단한 리드의 경우에는 마이너스 포인트를 줄 수 있을 것입니다. 10일, 30일, 90일 등 그 주기는 해당 브랜드 제품의 판매 주기에 따라 다를 것입니다. 

 

4. 이메일 참여

단순히 뉴스레터 구독만으로는 그 구독자가 제품 구매에 얼마나 관심이 있는지는 사실 확신하기 어렵습니다. 반면에 오픈 및 클릭율이 그 사람들의 관심 수준을 훨씬 더 잘 알 수 있습니다. 세일즈팀은 리드 육성(Lead Nurturing)에 관련된 모든 이메일을 열어본 사람이나 혹은 세일즈 프로모션 관련 이메일을 클릭한 사람들이 누구인지 알고 싶어 합니다. 그렇게 하면 구매 가능성이 높은 사람들에게만 집중할 수 있습니다. 데모 쿠폰과 같이 포인트가 높은 이메일을 클릭하면 리드에 더 많은 점수를 부여할 수 있습니다. 

 

5. 소셜 참여

소셜미디어에서 브랜드와 리드가 얼마나 연관되어 있는지 또한 그들이 얼마나 관심이 있는지에 대한 인사이트를 줄 수 있습니다. 브랜드의 트위터와 페이스북 게시물을 몇 번이나 클릭하였는지? 몇 번이나 공유하고 댓글을 달았는지? 타깃 잠재 고객들이 소셜미디어에서 활발하게 활동하는 경우 Klout scores 나 팔로워 수를 기반으로 포인트를 주는 것을 고려할 수 있습니다. 

 

6. 스팸 탐지

마지막으로 스팸성으로 확인되는 방식으로 랜딩 페이지의 제출 양식을 가득 채운 리드에게 마이너스 포인트를 주는 것도 고려할 수 있습니다. 예를 들어 이름이나 성, 회사 주소가 대문자로 써졌다거나, ‘QWERTY’ 와 같이 자판기 순서대로 키보드를 누르고 양식을 제출했을 수도 있습니다.

 

또한 B2B 기업이라면 잠재 고객 기업의 이메일 주소를 기반으로, 일반적인 회사 이메일이 아닌 단순 개인 메일 주소의 경우에는 리드에 마이너스 포인트를 줄 수 있을 것입니다. 

 

-

무엇이 중요한지 어떻게 알 수 있을까요

 

수많은 데이터 중에서 어떤 것이 잡초이고, 어떤 것이 중요한지 알 수 있을까요? 세일즈팀에서 알아내야 할까요? 고객과 면담을 해야 할까요? 분석을 해서 몇 가지 레포트를 만들어야 할까요?

 

사실, 위 3가지 방법이 모두 필요합니다. 세일즈팀과, 고객, 그리고 분석 레포트를 통해 리드를 구매 고객으로 전환하는데 가장 중요한 콘텐츠를 모아서 특정한 쿠폰, 이메일 등에 적합한 포인트를 할당할 수 있습니다. 

 

세일즈팀과 상의하세요. 

세일즈 담당자는 고객으로 전환한 리드와 그렇지 않은 리드와 직접 커뮤니케이션하는 최일선의 현장에 있습니다. 마케팅 자료를 통해 전환을 유도할 수 있는 아이디어를 얻는데 도움을 받습니다.

 

세일즈 담당자가 어떤 블로그 게시물과 제안을 리드를 보내고 있다면, 그들에게 어떤 콘텐츠가 해당 리드를 구매 전환시키는 데 가장 도움이 되었는지 피드백을 받으세요. 매우 중요한 정보입니다. 그 컨텐츠들을 모으고 그에 따라 적절한 포인트를 할당하세요. 

 

고객과 대화하세요. 

세일즈팀이 특정 컨텐츠가 구매 고객으로 전환하는 데 도움이 되었다고 말하는 반면에, 또 다른 측면에서 실제 고객들은 그렇게 생각하지 않을 수도 있습니다. 

 

고객과의 인터뷰는 그들이 구매 결정 당시, 어떤 것이 영향을 주었는지 알 수 있게 합니다. 다양한 시각을 얻기 위해 판매 주기(sales cycle)가 긴 고객과 짧은 고객 모두 인터뷰 해야 한다는 것을 잊지 말아야 합니다. 

 

분석으로 돌아가세요. 

마케팅 분석을 통해 직접 모든 데이터를 분석해야 합니다.

 

기여도 보고서를 만들어 퍼널에서 전환으로 이어지는 모든 마케팅 효과를 파악합니다. 리드를 고객으로 전환하는 컨텐츠만 보는 것이 아니라 리드로 전환되기 전에 보는 콘텐츠도 무엇인지 살펴보세요. 사람들을 리드로 전환시킨 콘텐츠를 다운로드한 사람들에게 특정 포인트를 할당할 수 있으며, 역시 사람들을 고객으로 전환시킨 콘텐츠에는 더 많은 포인트를 할당할 수 있습니다. 

 

사이트에서 귀중한 콘텐츠를 함께 만드는 데 도움이 되는 또 다른 방법은 전체 잠재 고객 리스트(contacts report)를 만드는 것입니다. 이 보고서에는 특정 마케팅 활동으로 생성된 모든 리드의 수와 이를 통해 예상되는 잠재 수익이 표시됩니다. 마케팅 활동에는 쿠폰 다운로드, 이메일 캠페인 클릭 등이 포함될 수 있습니다. 어떤 활동이 첫 번째 터치 전환(first-touch conversions), 마지막 터치 전환(last-touch conversions) 등이 되는지 파악하고 이에 따라 포인트를 할당하시기 바랍니다. 

 

예시:

 


 

 

하나의 스코어링 항목으로 충분한가요?

 

현재 핵심 고객이 한 명이라면 하나의 스코어링 항목으로도 충분합니다. 그러나 회사의 규모가 클수록 새로운 잠재 고객에게 판매될 수도 있고 이는 새로운 제품 라인, 새로운 지역, 새로운 사람으로 확대될 수 있습니다. 새로운 고객을 찾기 보다는 기존 고객에게 상향 판매 및 교차 판매에 집중할 수 있습니다. 만약 잠재 고객 리스트가 하나의 스코어링 항목으로 스코어링 할 수 없다면, 전체 리드 스코어링 모델 역시 그래야 합니다. 

 

유명 마케팅 플랫폼을 사용하면 여러가지의 리드 스코어링 모델을 사용할 수 있기 때문에 다양한 집군의 잠재 고객 리스트를 검증할 수 있는 유연성을 가질 수 있습니다. 하나 이상의 스코어링 항목을 설정할 수 있는 방법에 대해서는 아래에서 소개해 드립니다.

 

적합성 vs. 관심사

예를 들어, 세일즈팀이 적합성(즉, 적합한 지역인지? 업계인지? 직무인지?)과 관심도(고객의 온라인 콘텐츠 이용 경험)에 대해서 고객을 평가하려 한다고 가정해봅시다. 두 속성 모두 우선 순위가 있는 경우, 적합성 점수와 관심도 점수를 모두 만들 수 있기 때문에 두 카테고리에서 두 카테고리 모두에서 가치가 높은 리드에게 우선적으로 집중할 수 있을 것입니다.

 

다양한 페르소나

여러 세일즈팀을 통해 두 가지 유형의 소프트웨어를 다양한 유형의 구매자들에게 판매하는 소프트웨어라고 가정해 보세요. 구매자의 적합성과 각 툴에 대한 관심도에 따라 리드 스코어링을 만들 수 있을 것입니다. 마케터는 이 스코어링을 통해 리드를 적합한 세일즈팀에 연결할 수 있습니다. 

 

신규 비즈니스 & 업 셀링(Up-sell)

비즈니스가 성장에 따라, 새로운 비즈니스처럼 상향 판매(up-sell)나 교차 판매(cross-sell)에 집중할 수 있습니다. 그러나 새로운 잠재 고객 및 기존 고객의 품질을 나타내는 신호는 다를 때가 많습니다. 

 

잠재 고객의 경우, 인구 통계 및 웹사이트 참여를 볼 수 있지만 기존 고객의 경우 제출한 고객 지원 티켓의 수, 온 보딩(onboarding) 컨설턴트와의 관계 및 현재 브랜드의 제품과 얼마나 활발하게 활동하고 있는지 확인할 수 있습니다. 이러한 구매 신호가 판매 유형별로 다른 경우, 여러 리드 스코어링을 만드는 것을 고려해보세요. 

 

-

기본적인 리드 스코어링 계산 방법

 

리드 스코어 계산 방법에는 여러가지 방법이 있는데요, 가장 간단한 방법은 아래와 같습니다. 


수동적인 리드 스코어링(Manual Lead Scoring)

 

1. 모든 리드에 대해 리드-고객으로 전환되는 비율을 계산하십시오.

리드 – 고객의 전환율은 획득한 신규 고객의 수를 생성한 리드의 수를 나눈 값과 같습니다. 이 전환율을 벤치마크로 사용하세요.

 

2. 품질이 우수한 리드라고 생각되는 여러 속성을 선택하세요. 

속성(attributes)은 무료 평가판을 요청한 고객 혹은 금융 업계의 고객이거나 10-20명의 직원이 있는 고객이 될 수도 있습니다. 

 

모델에 포함될 속성을 선택하는 데에는 특정 종류의 기술이 있습니다. 세일즈 팀과의 대화, 분석 등을 토대로 속성을 선택하지만 결국 중요한 것은 마케터의 판단입니다. 다섯 명의 사람들이 똑같은 운동을 할 수 있고 다섯 가지 모델을 생각해 낼 수 있습니다. 하지만 이전에 언급한 데이터를 기반으로 점수를 받으면 괜찮습니다. \

 

3. 각 속성의 개별 최종 구매율(close rates)을 계산해보세요. 

사용자가 웹사이트에서 취하는 각 유형의 행동의 구매 전환율 혹은 해당 행동을 취하는 사람들의 유형을 계산하는 것은 응답으로 취할 조치를 결정하기 때문에 중요합니다.

 

따라서 그들이 취하는 행동이나 핵심 고객과 관련하여 누가 얼마나 많은 사람들이 품질 높은 리드(궁극적으로는 구매 고객)가 되는지 확인하십시오. 이러한 구매 전환율을 기반으로 하여 스코어링를 할 수 있을 것입니다. 

 

4. 각 속성의 구매 전환율을 전체 구매 전환율과 비교해보고, 그에 따라 포인트를 할당하세요. 

전체 구매 전환율보다 더 높은 전환율을 가진 속성을 찾으십시오. 그런 다음 포인트를 할당할 속성을 선택하고 얼마나 포인트를 할당할지 결정하세요. 각 속성의 포인트값을 각 개별 구매율을 기준으로 할당하면 됩니다.

 

실제 포인트값은 다소 임의적이지만 최대한 일관성있게 설정하세요. 예를 들어 전체 구매 전환율이 1%이고 ‘데모 요청’한 경우에 구매 전환율이 20%라면, ‘데모 요청’ 속성의 구매 전환율은 전체 비율의 약 20배인 것입니다. 그렇다면 이러한 속성을 가진 리드에게 20포인트를 줄 수 있을 것입니다. 

 

-

로지스틱 회귀 리드 스코어링(Logistic Regression Lead Scoring)

 

위의 간단한 방법으로 리드 스코어를 계산하는 것이 가장 쉽습니다. 그러나 수학적으로 가장 완전한 방법은 로지스틱 회귀(logistic regression)와 같은 데이터 마이닝 기법을 사용하는 방법입니다.

 

데이터 마이닝은 더욱 복잡하고 결과적으로 실제 구매 전환율에 더 직관적인 경우가 많습니다. 로직스틱 회귀는 엑셀에서 공식을 작성하여 리드가 구매 고객으로 가까워지는 확률을 산출하는 방법입니다. 업계, 회사 규모, 그리고 누가 평가판을 요청했는지 여부와 같은 모든 고객 속성이 서로 인터렉션하는 방식까지 모두 고려하는 전체론적 방법이기 때문에 위에서 설명한 방법보다 정확합니다.

 

엑셀에서 로지스틱 회귀 분석을 시작하려면 이 자료를 확인하세요. 

 

예측 리드 스코어링(Predictive Lead Scoring)

 

리드 스코어를 작성하면 리드 전환율을 높이고 세일즈 생산성을 향상시키는 등 비즈니스에 큰 도움을 줍니다. 그러나 위에서 본 바와 같이 스코어링 시스템을 마련하는 것은 수동으로 구축할 때 시간소모적인 작업이 될 수 있습니다.

 

또한 스코어링 기준을 마련하는 것은 정확성을 유지하기 위해 지속적으로 피드백을 받고 정기적으로 조정해야 합니다. 그러나 이러한 작업을 수동으로 계속 해야한다면 과연 조직이 고객과의 관계를 구축하는 데 더 많은 시간을 할애할 수 있을까요?

 

이것이 바로 예측 스코어링이 필요한 이유입니다. 예측 스코어링은 머신 러닝을 활용하여 수 천개의 데이터 포인트를 분석하여 최고의 리드를 식별하기 때문에 따로 수동적으로 할 필요가 없습니다. 예측 스코어링은 구매 고객이 공통적으로 가지고 있는 정보와 구매로 전환되지 않은 리드가 공통적으로 가지고 있는 정보를 확인하고 구매 고객이 될 가능성에 따라 중요도별로 리드를 정렬하는 공식을 제안합니다. 이것은 마케팅팀과 세일즈팀이 가능성 낮은 리드에 시간 낭비하는 것을 막고 보다 중요한 리드들에 집중할 수 있도록 해줍니다. 

 

예측 스코어링의 가장 좋은 장점은 머신 러닝 기반이기 때문에 시간이 흐르고 데이터가 쌓이면 쌓일 수록 예측 스코어링의 정확도가 높아지고 리드 스코어링 전략이 점차 최적화된다는 것입니다.

 

*번역본 출처 : DMCU

*원본출처 :  hubspot

  • #DMCU

유사 카테고리의 인기 콘텐츠