สร้างระบบให้คะแนนลีดจากแชท LINE ด้วยเครื่องมือ No-Code แบบไม่ต้องมีทีมดาต้า

ลองสมมติร้านขายคอร์สออนไลน์ชื่อ ‘สกิลอัพ อคาเดมี’ มีลีดเข้ามาวันละ 50 คน แต่แอดมินมีแค่ 2 คน ถ้าต้องไล่ตอบทุกคนเท่า ๆ กัน คนที่พร้อมจ่ายเงินวันนี้อาจรอนานเกินไปจนเปลี่ยนใจ ในขณะที่คนที่แค่ถามเล่น ๆ กลับได้รับความสนใจเท่ากับคนที่ใกล้ปิดการขายที่สุด

นี่คือปัญหาคลาสสิกของธุรกิจที่โตเร็วกว่าจำนวนแอดมิน วิธีแก้ที่หลายเอเจนซี่ใหญ่ใช้คือระบบ Lead Scoring ซึ่งเดิมทีต้องมีทีมดาต้าคอยเขียนโมเดลคำนวณ แต่ทุกวันนี้ร้านเล็ก ๆ ก็ทำได้ด้วยเครื่องมือ No-Code โดยใช้สูตรคะแนนง่าย ๆ ที่ตั้งเองได้

หลักการคือให้คะแนนพฤติกรรมแต่ละอย่างในแชทตามน้ำหนักความสำคัญ แล้วบวกรวมกันเป็นคะแนนรวมของลีดคนนั้น ยิ่งคะแนนสูง ยิ่งควรได้รับความสนใจก่อน บทความนี้จะพาออกแบบสูตรนี้ทีละขั้นแบบที่ไม่ต้องใช้สถิติขั้นสูง

ทำไมต้องให้คะแนนลีด ไม่ใช่แค่แยกสนใจ/ไม่สนใจ

การแบ่งแค่ ‘สนใจ’ กับ ‘ไม่สนใจ’ หยาบเกินไปสำหรับธุรกิจที่มีลีดเยอะ เพราะในกลุ่ม ‘สนใจ’ เองก็มีคนที่พร้อมจ่ายเงินวันนี้ปนอยู่กับคนที่แค่อยากรู้ราคาไว้เผื่ออนาคต ถ้าปฏิบัติกับสองกลุ่มนี้เหมือนกัน จะเสียโอกาสจากคนแรกไปอย่างน่าเสียดาย

สมมติกรอบตัวอย่าง (เป็นตัวเลขสมมติเพื่ออธิบายแนวคิด ไม่ใช่สถิติจากการวิจัยจริง) ว่าร้านหนึ่งมีลีด 100 คนต่อสัปดาห์ ถ้าแยกตามคะแนนแล้วพบว่ากลุ่มคะแนนสูงสุด 20 คนปิดการขายได้ถึง 60% ของยอดขายทั้งหมด การรู้แบบนี้ช่วยให้จัดสรรเวลาแอดมินได้ตรงจุดกว่าการไล่ตอบเรียงคิวตามเวลาที่ทักเข้ามา

แปลงพฤติกรรมในแชทเป็นคะแนน

ขั้นแรกคือเลือกสัญญาณที่บ่งบอกความสนใจจริง แล้วให้น้ำหนักตามระดับความใกล้การตัดสินใจซื้อ ตารางนี้เป็นตัวอย่างสูตรเริ่มต้นที่ปรับใช้ได้กับหลายธุรกิจ

ตั้งสูตรนี้ในเครื่องมือ No-Code ทีละขั้น

1. รวบรวมคำสำคัญที่บ่งบอกแต่ละพฤติกรรมในตาราง เช่น กลุ่มคำที่เกี่ยวกับการจ่ายเงิน (โอน, พร้อมเพย์, บัตรเครดิต)
2. ตั้งกฎในเครื่องมือ No-Code ให้ตรวจจับคำเหล่านี้ในข้อความ แล้วบวกคะแนนเข้าไปในช่องข้อมูลของลีดคนนั้น (เก็บไว้ในสเปรดชีตหรือ CRM)
3. ตั้งเงื่อนไขลบคะแนนสำหรับความเงียบ เช่น ถ้าไม่มีข้อความใหม่เกิน 3 วันหลังคะแนนเริ่มสะสม ให้ลบคะแนนอัตโนมัติทุกวันที่ผ่านไป
4. สร้างตัวกรองที่ดึงรายชื่อคะแนนสูงสุดขึ้นมาแสดงบนสุดของรายการ ให้แอดมินเปิดดูได้ทันทีว่าควรคุยกับใครก่อน
5. ทดสอบกับลีดจริงสัก 2 สัปดาห์ แล้วเทียบว่ากลุ่มคะแนนสูงปิดการขายได้จริงมากกว่ากลุ่มคะแนนต่ำหรือไม่ ถ้าไม่ต่างกันชัดเจน ควรปรับน้ำหนักคะแนนใหม่

ความเสี่ยงที่คะแนนสูงไม่ได้แปลว่าใกล้ปิด

• ลูกค้าที่ถามละเอียดมากบางครั้งคือคนที่ชอบเปรียบเทียบไปเรื่อย ๆ ไม่ได้ตั้งใจซื้อในเร็ว ๆ นี้ คะแนนสูงแต่ไม่ปิด ควรมีจุดสังเกตเพิ่มเติมนอกเหนือจากคะแนนอย่างเดียว
• คนที่พิมพ์สั้น ห้วน อาจดูเหมือนคะแนนต่ำเพราะไม่ค่อยถาม แต่จริง ๆ อาจเป็นคนที่ตัดสินใจเร็วและพร้อมซื้อทันทีถ้าได้คำตอบที่ใช่ สูตรคะแนนควรใช้เป็นตัวช่วยจัดลำดับ ไม่ใช่กฎตายตัวที่แทนที่การอ่านสถานการณ์ของแอดมิน
• หากอยากเข้าใจภาพรวมพฤติกรรมลูกค้าที่ลึกกว่านี้ การดูกรอบวิเคราะห์ RFMประกอบกับคะแนนลีดจะช่วยให้เห็นภาพทั้งฝั่งลูกค้าใหม่และลูกค้าเก่าไปพร้อมกัน

ทบทวนสูตรอยู่เสมอ อย่าตั้งแล้วปล่อยผ่าน

สูตรคะแนนที่ตั้งไว้ตอนแรกไม่ได้ถูกต้องตลอดไป พฤติกรรมลูกค้าเปลี่ยนตามฤดูกาล โปรโมชัน หรือแม้แต่เทรนด์การใช้คำในแชท ควรกลับมาเช็กทุกเดือนว่าคะแนนที่ให้ยังสัมพันธ์กับอัตราการปิดการขายจริงอยู่หรือไม่

ถ้าพบว่ากลุ่มคะแนนสูงเริ่มปิดการขายได้น้อยลง อาจเป็นสัญญาณว่าลูกค้าเปลี่ยนพฤติกรรมการค้นหา เช่น เริ่มมีคำค้นหาความตั้งใจซื้อแบบใหม่ที่สูตรเดิมยังจับไม่ได้ ควรเพิ่มคำสำคัญใหม่เข้าไปในกฎ

สรุป

ระบบ Lead Scoring ที่ดีไม่ได้ซับซ้อนอย่างที่คิด หัวใจสำคัญคือการสังเกตพฤติกรรมจริงในแชท แล้วแปลงเป็นน้ำหนักคะแนนที่ปรับได้เรื่อย ๆ ไม่ใช่สูตรตายตัวที่ตั้งครั้งเดียวแล้วเชื่อตลอดไป

เครื่องมือ No-Code ทำให้ร้านเล็กเข้าถึงระบบที่เคยเป็นของทีมใหญ่เท่านั้นได้ แต่สิ่งที่ยังต้องใช้คนคือการอ่านสถานการณ์ที่ตัวเลขคะแนนอย่างเดียวบอกไม่หมด

• ให้คะแนนพฤติกรรมในแชทตามความใกล้การตัดสินใจซื้อ ไม่ใช่แค่จำนวนข้อความ
• ตั้งเงื่อนไขลบคะแนนเมื่อลูกค้าเงียบไป เพื่อสะท้อนความสนใจที่เย็นลง
• ทบทวนสูตรทุกเดือนและเทียบกับอัตราการปิดการขายจริงเสมอ

คำถามที่พบบ่อย