Automatyczny scoring sezonowy leadów: od 42% do 69% trafnego pokrycia bazy

Wyzwanie

Firma usługowa SEO/WWW z aktywną bazą około 9 400 klientów biznesowych nie miała systematycznego sposobu na wskazanie Customer Care, do kogo i kiedy zadzwonić z konkretnym powodem - jedynym punktem odniesienia był generyczny kontakt „sprawdź jak leci”. W efekcie potencjał sprzedaży sezonowej (święta, Black Friday, koniec roku) i upsellu pozostawał niewykorzystany, bo nikt systematycznie nie wiedział, która branża ma akurat sezonowy szczyt ani który klient jest danego dnia najbardziej wart telefonu.

Co zrobiliśmy

• Zaprojektowanie pipeline'u ustalającego branżę klienta z trzech niezależnych, tańszych niż praca ręczna źródeł: crawl strony WWW i klasyfikacja słów kluczowych, dane kategorii z Google Business Profile, oraz rozumowanie AI nad treścią strony tam, gdzie dwa pierwsze źródła zawiodły
• Dopasowanie sezonowości branży do rzeczywistych danych wyszukiwań zamiast zgadywania
• Generowanie gotowego, przypisanego do klienta powodu kontaktu i priorytetu, zamiast pustej rekomendacji
• Diagnoza i naprawa rozjazdu danych: aplikacja frontendowa liczyła sezonowość na żywo, a backend API czytał starą, nieodświeżoną migawkę tych samych danych - dwa różne wyniki dla tego samego klienta w zależności od kanału
• Podniesienie pokrycia bazy (branża + trafna sezonowość) z 41,8% do 69,4% w ciągu jednej sesji roboczej, wyłącznie lepszym wykorzystaniem już zebranych danych, bez nowych płatnych zapytań API
• Wykrycie i naprawa konkretnych błędów jakości danych (m.in. firma sprzątająca błędnie klasyfikowana jako biuro nieruchomości, mimo że dane z Google Places dawały wysoką pewność na właściwą kategorię)
• Konsolidacja logiki eksportu w jeden, wspólny moduł używany identycznie przez interfejs i przez API, eliminujący dwie rozjeżdżające się wersje prawdy
• Przygotowanie eksportu z trzema widokami: lista gotowa do dzwonienia posortowana wg priorytetu i wartości klienta, lista do ręcznej weryfikacji, oraz podsumowanie dla managera per opiekun i per branża

Efekt

• Pokrycie bazy trafną klasyfikacją branży i sezonowości wzrosło z 41,8% do 69,4% bez dodatkowych kosztów danych
• Wyeliminowany rozjazd wyników między interfejsem a API - jedna, spójna wersja danych dla każdego klienta
• Konkretny, przypisany do klienta powód kontaktu zamiast generycznej rekomendacji
• Gotowy, trójwarstwowy eksport (lista priorytetowa, lista do weryfikacji, podsumowanie managerskie) bez ręcznej pracy analityka

O projekcie

Firma usługowa SEO/WWW dla MŚP z aktywną bazą około 9 400 klientów biznesowych nie miała systematycznego sposobu na wskazanie Customer Care, do kogo i kiedy warto zadzwonić z konkretnym powodem - kontakt opierał się na generycznym „sprawdź jak leci”, przez co potencjał sprzedaży sezonowej i upsellu pozostawał w dużej mierze niewykorzystany. Zbudowany pipeline danych ustala dla każdego klienta branżę z trzech niezależnych źródeł (crawl strony WWW, kategoria z Google Business Profile, a tam gdzie oba zawiodą - rozumowanie AI nad treścią strony), dopasowuje jej realną sezonowość do danych wyszukiwań, i generuje gotowy, priorytetyzowany powód kontaktu przypisany do konkretnego klienta. W toku wdrożenia zdiagnozowano i naprawiono realny rozjazd danych - interfejs liczył sezonowość na żywo, a backend API czytał starą migawkę tych samych danych, dając dwa różne wyniki dla tego samego klienta w zależności od kanału - oraz skonsolidowano logikę eksportu w jeden wspólny moduł. Samym lepszym wykorzystaniem już zebranych i opłaconych danych pokrycie bazy trafną klasyfikacją wzrosło z 41,8% do 69,4% w ciągu jednej sesji roboczej. To typowy wzorzec dobrego wdrożenia AI/automatyzacji: dane najczęściej już istnieją, tylko nikt ich wcześniej nie połączył i nie zweryfikował pod kątem jakości - a wielowarstwowy pipeline, w którym AI weryfikuje i dopowiada tam, gdzie zawodzą twardsze źródła, zamiast zgadywać od zera, jest łatwy do wytłumaczenia nietechnicznemu odbiorcy.