编者注：本文摘译自Mattermark公司网站博客，译文有删改。内容不当之处请在Kuick微信公众号后台留言，获取更多优质SaaS内容请关注Kuick微信公众号。微信内搜索“Kuick”并点击关注即可查看更多，谢谢支持！
作为一位创业公司的销售主管（Marketing Executive，或称行销经理，编者注），我（指原文作者Dawn Poulos，下同）经常感觉到自己只掌握着有限的预算，却需要不断努力促进线索生成和营收增长。话虽如此，我最关心的销售指标却又不是MRR（月度经常性收入）。我更愿意关心的，是这个还没有被讨论很多的线索生成速率，简称LVR（Lead Velocity Rate）。
LVR是由Jason Lemkin提出并赋予其重要性的，对于这个销售指标，他曾说过：
“能看到MRR增长是一件很棒的事情，但那只是告诉你公司当前的业绩表现而已。如果你看到线索数量的增长速度居然比营收的增长速度更快，那你看到的就是公司未来的增长趋势了。作为CEO，要想了解公司未来的成长方向，可进行量化追踪的合格线索生成速率LVR这一指标就是你能遇到的最好的观察指标了。”
所以如果我想帮助公司扩大规模和提升业绩，只要看一眼LVR就能知道公司目前做的怎么样了。
简单来讲，LVR是一个用于衡量每月合格线索和渠道增长状况的指标（线索或渠道合格与否则有赖于合理的资格评定标准和流程，编者注）。Lemkin很希望在合格线索和渠道的资格评定上能有一个一贯的标准和流程，但他也明白资格评定也要视公司在产品/服务营销推广上的表现而定。于是在真正设立起资格评定标准和流程后，他们又逐渐感觉到了问题的存在。在2015年，80%的营销部门员工都在报告中指出他们线索生成工作上的努力仅仅只能换来很轻微的回报。同时，高达68%的人认为他们2016年的首要目标应该是设法加强线索质量。这里要指出的便是，即便某个公司在线索资格评定上能给出一致的标准和流程，这并不意味着这个标准和流程就一定是对的，或者一定就是完整的、完全不需要补充或修正的。
本文接下来就是要解释为什么在线索资格评定上会有这些问题（解决了这些问题便能得出准确的公司LVR，编者注）。线索资格评定会受到很多因素的影响，在此我主要想谈谈会对递交给销售的MQLs（即营销合格线索，全称为Marketing Qualified Leads，编者注）的准确性和流入速率产生不利影响的以下这两大因素。
一. 在线索资格评定上过于倚赖潜在客户行为
潜在客户在你的公司网站、邮件营销活动、其他营销资源和社交媒体账户上留下的浏览和互动信息都是极为重要的行为信息。然而，就像上文中营销部门的员工所反馈的那样，他们发现这些行为信息在协助他们判别谁是真正具有购买意向的客户时又有可能起到误导作用。
要解释这一现象，需要先从分析一般文章所提出的线索评分标准开始讲起。比如下面这张评分标准图：
这张图看上去好像还不错，但如果我们通过一个例子再看，就能发现它其实是有问题的。我们来假设有两个线索客户，他们分别是Sam和Nick。Sam对目标公司的产品热情比较高，他注册了产品线上分享会，阅读了两篇公司网站博文，并且仔细浏览了公司官网上的About Us（关于我们）一栏里的所有信息。而Nick似乎是属于只看不买的那群人，他只看了一个产品Demo而已。根据上图所示的线索评分标准来看，Sam有27分，明显属于一个MQL，而Nick只得8分，需要更多的线索培育才有可能成为MQL。
那么问题来了，如果再把线索客户所在公司的可用信息纳入考虑，那他们的评分应该怎么算呢？比如说Nick的公司在过去半年的员工人数增长了50%，那应该给Nick加多少分呢？
员工数量增长一般意味着公司的预算也增长了，也意味着公司更加需要新技术的支持来维持公司的高效运转。可大多数人提倡的线索评分模型却并没有把这些因素纳入考量。线索客户个人行为信息完全掩盖了公司员工的整体增长信息，Nick仍是一个不合格的线索。
由以上事例我们可以看到，线索客户的行为信息并不能帮助我们了解客户的全部内容，只有以客户所在公司的各项信息数据为行为背景，我们才可能得到更准确的合格线索评定标准。
二. 线索评定数据来的太慢，但却只能等数据积累达到要求工作才能继续
如果你所在的公司已经融过A轮，目前正处于快速增长期，并且想在接下来四到六个季度的时间里达成一千万的ARR（年度经常性收入），那么基本上从这个节点开始，销售将会变得越来越难做。因此公司肯定希望营销部门的同事能及时做好准备，不能对业务完成难度的提高无动于衷，但在和业务完成量息息相关的线索评分处理上他们偏偏就是那么无动于衷。
正如上文提到的那样，当我们以客户所在的具体公司为背景去考量客户行为时，我们在线索资格评定上的准确度就能得到提高。对此营销人员在获取额外客户信息时最普遍使用的手段，当属主动客户定性（Progressive Profiling）了。下图就是一个基本的主动客户定性的例子，依据客户行为反应，通过三次初始交互来获取客户的不同信息：
这种方法其实也是有问题的，它的执行过程耗时相对较长，而且需要线索客户进行多次网站访问以及愿意填写多余的表单才行。或者更简单地说，要想和竞争对手去竞争客户，必须想办法降低这两个因素——时间拖延和交互摩擦对主动客户定性造成的不良影响。
主动客户定性在深入洞察买家购买历程上能起到很大作用，但是定性行动中的时间拖延和客户在与公司产生交互联系时体验到的阻碍对买家购买历程都是有害无益的。所以在要求快速实现业绩增长的压力面前，营销人员其实不应该成月甚至成季度的一直等下去，直到收集到足够多的客户背景信息让他们能准确挑选出合格线索为止。
到如今，新一波的营销技术供应商正在市场上高歌猛进，他们利用机器学习，网络数据挖掘以及自然语言加工等技术对许许多多重要的商业信息进行收集和归类，并通过API（即应用程序编程接口，其全称为Application Programming Interface，编者注）的形式将数据展示出来。这些商业信息数据包含了客户公司的很多方面，主要有：业绩增长评分（Growth Score）、消费者产品意识评分（Mindshare Score）、员工数量（Employee Count）、员工数量每月增幅（Employees Month Over Month Growth）、员工数量半年期增长率（Employees 6 Months Growth Rate）、独立访问量每月增幅（Monthly Uniques Month Over Month Growth）、公司成立时间（Founded）、融资进展（Stage）、融资总额（Total Funding）、最近融资时间（Last Funding）、上轮融资金额（Last Funding Amount）等等。
这是这些科技的不断涌现，营销和销售从业者们可以越来越方便的在尽量避免时间拖延和交互阻碍的情况下获得客户公司的各项背景信息，从而准确评定线索是否达到合格标准。在这些科技的助力之下，主动客户定性也变得不像以前那么激进，让客户反感，而是能更好地帮助自己的营销和销售团队为客户提供更具个性化的内容，尤其是在聚焦商业难题和客户痛点上能以更好的内容和客户进行接洽。
结语
为了让大家明白在营销上一点小小的改变就有可能对业绩造成很大的影响，这里有一个简明的案例陈词供大家参考：
1.某公司首先了解到，当目标客户公司的员工数量达到某个数量级时，后者对他们提供的软件服务会有更明显的需求。
2.所以他们在线索评分标准中加入了客户公司员工数量这一影响因子，设定当后者达到某个具体数量值时，该线索的评分将出现显著增长。
3.这种做法引起的效果就是陌生线索能更快达到合格标准，而且比只依靠线索客户的行为数据要快很多。
4.结果就是，该公司的营销合格线索MQLs可以更快转化为销售合格线索SQLs，并且转化率也创下新高，公司的业绩实现显著增长。同时由于公司在销售线索评定上的准确性也有了保障，公司可通过LVR指标分析来判别公司的成长趋势，从而不断以更高的目标来鞭策自己，保证可持续成功。
你也可以把获取客户公司各项背景信息的工作交给真正以此为目的进行技术开发的公司（或者已经在机器学习，网络数据挖掘以及自然语言加工等技术领域有所建树的相关公司），至于具体的客户公司信息在线索客户行为信息之外能占据多大的影响力，那就要看你公司的具体产品/服务性质了。
参考原文：https://mattermark.com/high-velocity-lead-scoring/
来源：Kuick微信公众号，转载请注明出处。
