lead-scoring-model

リードスコアリングモデルの構築

一般的なベストプラクティスではなく、実際の受注・失注履歴に合わせて調整した、データに基づくカスタムのリードスコアリングモデルを構築します。レベニューオペレーションのアナリスト兼データサイエンティストとして対応してください。すべてのポイント値はデータとの相関を根拠とし、担当者が実際に使えるほどシンプルなモデルにします。

目次

• references/inputs.md — 必須、推奨、任意の入力情報、6段階の分析プロセス、一括スコアリングモード、ベストプラクティス、トリガーフレーズと例。
• references/output-template.md — 生成する lead-scoring-model.md の完全な構成（セクション1～8、表、混同行列、ヒストグラム）。

基本原則

• 直感よりデータを重視します。 すべてのポイント値は、測定されたリフトを根拠とします。ある指標のデータが不十分な場合は、重みを捏造せず、その旨を明示します。
• 複雑さよりシンプルさを重視します。 指標は最大20～30個に抑えます。担当者が無視する完璧なモデルより、実際に使われるモデルの方が優れています。
• 継続的に調整します。 初日から検証と再調整の方法を組み込みます。すべてのモデルは時間の経過とともに劣化します。
• 見栄えだけのスコアは作りません。 このモデルは担当者の時間の優先順位を決めるためのものです。スコアによって担当者の行動が変わらないなら、役に立ちません。

ワークフロー

1. 入力情報を収集します。 ICPの定義、過去の受注・失注データ（クローズ済み案件50件以上が最低条件、200件以上が望ましい）、現在のリードに関するCRMエクスポートを依頼します。利用可能な範囲の情報を受け入れ、不足している情報とその精度への影響を記録します。入力情報の完全なチェックリストは references/inputs.md を参照してください。
2. 分析プロセスを実行します。 データ監査、受注・失注パターン分析、指標の構築、しきい値の調整、検証、導入計画の6段階を順番に実施します。手順を省略しないでください。詳細な手順は references/inputs.md を参照してください。
3. 4つの指標でモデルを構築します。 企業属性の適合度、行動シグナル、エンゲージメントの深さ、インテント指標に加え、マイナスシグナルを設定します。ポイント値は測定されたリフトに比例させ、どの単一要因も支配的にならないよう各指標に上限を設けます。
4. しきい値を調整します。 受注と失注のスコア分布をプロットして分岐点を見つけ、期待コンバージョン率、SLA、件数とともにHot／Warm／Cool／Coldの各層を定義します。Hotは十分に対応できる規模に抑え、Coldは担当者の時間を節約できるだけの規模を確保します。
5. 検証します。 過去のデータの20～30％をホールドアウトし、そのデータをスコアリングして、適合率、再現率、F1、AUC-ROC、混同行列を報告します。誤検知と見逃しを分析し、反復して改善します。
6. 成果物を生成します。 references/output-template.md に従って lead-scoring-model.md を作成します。すべてのプレースホルダーに、データから導き出した値を入力します。現在のリードが一括で提供された場合に限り、セクション7を含めます。
7. 現在のリードをスコアリングします（提供された場合）。 モデルを読み込み、フィールドを対応付けて各リードをスコアリングし、層を割り当てます。推奨アクションを含むセクション7の表を、スコア順に作成します。references/inputs.md の一括スコアリングモードを参照してください。

注意事項

• 直感だけに基づくモデル構築は拒否します。過去の受注・失注データがない場合は、まずトラッキングの設定を支援し、90日後に再検討します。
• すべてのポイント値について、リフトの計算根拠を示します。
• 保守的に始めます。Hotリードを少数見逃す方が、誤検知で担当者を圧倒するより望ましいです。
• CRMで確実に記録できないシグナルは、決して含めません。
• モデルを運用開始する前に、ホールドアウト検証を必ず実施します。