ידע זה כוח: המדריך לניתוח לידים עסקיים

אנשי ה- SEO, הסושיאל מדיה והקמפיינים שיביאו לתנועת לידים יטענו שמדובר בתהליכים הוליסטיים ותשובות תיחשפנה רק לאחר ניסוי וטעיה. משמע, שהארגון ייפרד מסכומים מכובדים כדי ללמוד מה נכון ומניב עבורו.

מתעוררת השאלה האם הארגון אכן מבין מה הקמפיינים הנכונים עבורו? איך יודעים מה הכי יעיל? כיצד משמרים לידים שהתלבטו ולא הפכו ללקוחות? כיצד הארגון יכול ללמוד על הלקוחות הפוטנציאלים מעבר לקמפיין ממנו הם הגיעו ולייצר קבוצות רלוונטיות לצרכי שיווק ומכירות? זאת ועוד הן שאלות שלא באמת נענות, לא באמצעות הקמפיינרים ולא באמצעות מערכות ניהול הלידים. מלבד זאת, הארגון גם מתקשה לחבר בין התובנות של הקמפיינרים לבין המסקנות שעולות ממערכות ניהול הלידים ומאבד מידע וידע משמעותיים.

לצורך ההדגמה, נניח שהקמפיין באינסטגרם הניב לארגון כ- 100 לידים. בפועל רק 10 לידים הפכו ללקוחות. לעומת זאת, קמפיין זהה בפייסבוק הניב כ- 4 לידים וכולם הפכו ללקוחות. לכאורה הקמפיין באינסטגרם הוא הצלחה מסחררת. בפועל, המסקנה חלקית ביותר, כי עלינו לבחון מהו ממוצע הרכישה של הלידים.

נניח שעשרת הלידים שהגיעו מהאינסטגרם רכשו ב- 100 ₪ כל אחד, לעומתם ארבעת הלידים שהגיעו מהפייסבוק רכשו ב- 500 ₪ כל אחד. על פניו נראה כי הלידים שהגיעו מהפייסבוק רווחיים יותר, האמנם?

לא, כי יש לבחון את משך הזמן שהושקע בשלב המכירה. ייתכן כי הלידים שרכשו ב-2,000 ₪ גזלו זמן רב, קשב ותשומת לב ממערך המכירות, ויתכן שנתון זה מפחית מהרווחיות של הליד. אפילו בנקודה זו, לא תמה הבדיקה, יש לבחון את המוצרים שרכשו, שכן הכנסה גבוהה לא מעידה על רווחיות גבוהה בהכרח.

ישנם עוד נתונים רבים שניתן ללמוד מהם בשלבים אלה: מי מהמגדרים מהסס בעת הרכישה? באיזה מזג אוויר רוכשים יותר, האם מזג האוויר מעודד לרכוש מוצרים מסוימים, מהם הימים הפופולריים לרכישה, מי הם הנציגים המתמחים בסוג לידים כזה או אחר (שכן ניתן ללמוד זאת מפילוח הסטטוסים בתהליך המכירה). על סמך נתונים אלה ניתן לנבא מהם אחוזי ההצלחה למכור לליד מסוג מסוים ומתי חבל על השקעה.

הקמפיינרים או אנשי המכירות אינם יכולים להצליב בין הנתונים, לנתח, למדוד ולאמוד מבלי להסתמך על מערכות כאלה או אחרות, אך גם כאן על הארגון להיזהר. מערכות לניהול לידים כיום הן בסיס לניהול הליד, במקרה הטוב ותו לא. רובן אינן משלבות AI (בדגש על Machine Learning ו-Deep Learning), והן מספקות סינונים אלמנטריים אך נעדרות תובנות אופרטיביות. הסיבה לכך נעוצה בעובדה שהן מקבלות ליד יתום. לעיתים רחוקות מציינים מה המקור שלו, וברוב המקרים, הוא מגיח למערכת הניהול ללא נתונים, עבר או רקע שנאספו כדי להגיע אליו.

כך, מתחילים שוב לאסוף עליו נתונים לצורך המכירה הנקודתית. מביני עניין יטענו שניתן להוסיף מערכת AI שתתממשק למערכת ניהול הלידים לצורך התובנות הללו. למרבה הצער, ניסיון זה לא יצלח כי הנתונים שמספקת מערכת הניהול למערכות ה- AI מצומצמים מלכתחילה ומכאן שאין תובנות להסיק.

שולחן עבודה עסקי שפותח לאחרונה בישראל על ידי חברת CNWD erPL ופתרונות דומים אחרים עשויים לתת מענה לאתגר המורכב הזה על ידי הסדרה של שלל התהליכים בארגון, למידה שוטפת ממגמות בינלאומיות, נתונים ארציים, ומדדים שונים של פעילות הארגון, ניטור תנודות, והתייחסות לגורמים רבים המלווים את התהליך על מנת להצביע על תובנות אופרטיביות ולתת תשובות לסוגיות מורכבות שעד היום התמסמסו בגלל קשיי ביצוע.


רוני הרש הוא יועץ תקשורת ובעלים של "הרש תקשורת ואסטרטגיה".