最初から精度の高いスコアルールを設計するには、キャンペーンごとの商談化・成約率の把握や、商談化あるいは成約したリードの属性や行動履歴の分析と傾向の探索が近道です。今回は一例として、シャノンが実際に自社データを活用して試したスコアルール設計手法を紹介します。
設計手順と要件定義
スコアルール設計にはさまざまな手法があると思いますが、今回は、シャノンが実際に自社データを活用して試した手法を一例として紹介します。
まず、スコアルール設計の手順を確認しましょう。
- 要件定義（本章で説明）
- スコアリングの目的やスコープ、絞り込み要件と設定ルールなどを決定します。
- 分析用データの準備（次章で説明）
- 目的やスコープに必要な分析用データを準備します。
- スコアリングの有用性評価（第3回で説明）
- 商談談受注率、リードタイム、受注金額など、スコアリングにもとづく最終コンバージョンとスコアリングの相関性を調査します。調査結果をふまえ、設定したスコープの妥当性を確認します。
- スコアリングシミュレーション（第3回、第4回で説明）
- ディシジョンツリーによるキャンペーンの影響度確認と、ニューラルネットワークモデルによるスコア値の算出、スコア値の検証を行います。
では要件定義から見ていきましょう。
スコアリングの目的やスコープ、絞り込み要件と設定ルールなどを決定します。ここでいくつかスコープの例を挙げてみます。
【スコープA】受注金額の高くなりそうなリードを抽出する
【スコープB】すぐ受注しそうなリードを抽出する
【スコープC】商談につながりやすいリードを抽出する
たとえば営業対応するリードを絞り込みたい場合はスコープAやBを、商談になりそうなリードを掘り起こしたい場合はCがスコープとして考えられます。
次に、目的やスコープに沿って要件を決定していきます。自社におけるリード評価軸の優先順位によって、要件が異なります。
| リード評価軸 | 評価要素例 |
|---|---|
| 製品・サービス | アンケート回答内容（興味関心分野など） |
| 閲覧したWEBページ | |
| 時間軸 | 直近アクセス日時 |
| 初回接触からの経過時間 | |
| ターゲット属性 | 業種・業界 |
| 企業規模 | |
| 役職レベル | |
| 本気度 | メールURLクリック |
| WEBアクセス回数 | |
| 各種キャンペーン申込履歴 | |
| アンケート回答内容（導入予定時期など） |
商材が単独の場合は、ターゲット属性や本気度の比重が高くなることが考えられます。商材・サービスが複数の場合は、アンケート回答内容や閲覧した製品ページなどによってリードを絞り込むことが必要です。また、目的によっても要件が異なってきます。以下に例をあげてみましょう。
- 大量のリードから営業対応するリードを絞り込む場合は、対象となるターゲットの業種や企業規模、アンケート回答履歴を活用、また成約率・成約金額の高いキャンペーンなどを要件に盛り込む。
- 商談につながりやすそうなリードを掘り起こす場合は、商談化したリードが多く閲覧したWEBページなどを要件に盛り込み、さらに初回や最新接点の日付でリードを絞り込む。
この場合、資料請求や問い合わせなどの商談発生率が高いキャンペーンへ申し込んだリードは、既にフォロー済みという可能性が高いため、ルールから除外した方がよいかもしれません。
上記のような要件を満たすスコアルールを設計するためには、日頃から施策毎の商談発生率や受注率、フォローのフロー全体を把握しておく必要があります。だいたいの要件が見えてきたら、細かいスコア値設定のためのデータ分析を進めます。
スコープに合致した分析用データの準備
スコープが決定したら、必要なデータを準備します。
準備すべきデータの期間ですが、古すぎるデータはあまり有益とは言えませんが、季節性などをとらえるためには1年以上の期間のデータを準備することをお勧めします。本資料では、2年半分のデータを使用しています。
前章でご紹介した各スコープについて、分析に必要だと思われるデータをまとめます。
企業属性データを保有していない場合は、企業情報を購入し、リード情報とマッチングすることも可能です。スコープCの場合は、商談につながらなかったリードの傾向も必要であるため、自社で保有している全リードの各履歴データが必要です。
| スコープ | データ |
|---|---|
| 【スコープA】受注金額の高くなりそうなリードを抽出 | 成約したリードの属性データ（役職や業種、企業規模など） |
| 成約したリードのキャンペーン申込履歴データ | |
| 成約したリードのWEB閲覧履歴データ | |
| 案件データ（商談作成日、受注日、受注金額など） | |
| 【スコープB】すぐ受注しそうなリードを抽出 | 商談化したリードの属性データ（役職や業種、企業規模など） |
| 商談化したリードのキャンペーン申込履歴データ | |
| 商談化したリードのWEB閲覧履歴データ | |
| 案件データ（商談作成日、受注日、受注金額など） | |
| 【スコープC】商談につながりやすそうなリードを抽出 | 自社で保有する全キャンペーン申込履歴データ |
| 自社で保有する全WEB閲覧履歴データ | |
| キャンペーン履歴もしくはWEB閲覧履歴が紐づくリードの属性データ（役職や業種、企業規模など） |
次に、用意したデータを、場合分けや分析がしやすいように変換・ラベル化を行います。
WEB閲覧履歴や業種、企業規模などにおいて、大まかな傾向をつかむためにラベル化を行います。たとえば、膨大なWEB閲覧履歴はWEBサイトのページタイトルやディレクトリ単位などで大まかに分類します。企業規模も、従業員数や年商を5段階程度に分類することで、傾向がつかみやすくなります。
作業イメージ例は以下の通りです。
【WEB閲覧履歴データ】
- 製品ページについては細かく傾向を見るため、機能や価格といった階層単位でラベル化
- 企業情報ページについてはそれ以下の階層単位での傾向の把握は不要なので、企業情報ページ全体でまとめてラベル化
【企業属性情報】
- 自社のフォームで業種を獲得している場合、その選択肢を日本産業分類の大分類で分類・変換
- 従業員300人以上を大企業、それ以下を中堅・中小企業としてラベル化
- 売上1000億円以上を大企業、それ以下を中堅・中小企業としてラベル化
【キャンペーン申込履歴】
- ホワイトペーパー、セミナーなどのキャンペーンカテゴリでラベル化
- セミナーを「有料」「無料」で分類し、さらに製品カテゴリでラベル化
ラベル化を行う際、明らかにマーケティング活動とは関係ないページ（たとえば採用情報ページなど）やキャンペーンがあればスコア対象外とし、データから削除しておきます。
上記データを、スコープA、Bの場合は商談ごとに、スコープCの場合はリードごとに各キャンペーン申込数や各ラベルごとのWEB閲覧履歴件数を集計しておきます。
分析用データが準備できた段階で、分析作業の7割は終了しています。ラベル化のルールによって分析結果が変わることもあるので、あとで調整できるよう明文化しておくことが重要です。