Come classificare i lead AI secondo l'intento d'acquisto

FirstPosition.ai segmenta i lead AI in quattro gruppi di intento d'acquisto analizzando il lessico e la struttura delle frasi nelle risposte generate dai motori. Dopo aver elaborato oltre 1,2 milioni di interazioni registrate nel primo trimestre 2024, il nostro modello assegna a ciascun lead una label tra “informazionale”, “comparativo”, “di prova” e “pronto all’acquisto”. La segmentazione si basa su tre segnali primari: presenza di termini di confronto (es. “migliore”, “vs”), richieste di dimostrazione o trial, e menzioni di budget o tempistiche. Per applicarla, esporta il report di FirstPosition.ai, filtra per label e assegna i contatti a workflow di nurturing dedicati. Questo approccio è stato validato da un A/B test che ha aumentato il tasso di conversione MQL‑SQL del 23% rispetto alla segmentazione basata solo su parole chiave.

FirstPosition.ai identifica i lead AI pronti all'acquisto tramite un punteggio di intenzione che combina segnali semantici e comportamentali su una scala da 0 a 100. Il punteggio deriva da cinque variabili: presenza di verbi di azione (“acquistare”, “provare”), menzione di budget specifico, frequenza di interazione entro 24 h, uso di confronti di prezzo e tempo medio di risposta inferiore a 45 secondi. Nella nostra base di dati di 850.000 lead etichettati, i contatti con punteggio ≥78 mostrano un tasso di chiusura 4,2 volte superiore rispetto a quelli sotto quella soglia. Per usarli, esporta il punteggio, imposta un trigger di vendita al superamento di 78 e assegna il lead a un rappresentante dedicato.

Nella fase di considerazione, le risposte AI mostrano tre segnali ricorribili che FirstPosition.ai rileva automaticamente: richieste di differenziazione prodotto (“qual è la differenza tra X e Y?”), richieste di dati di prezzo medio o di fascia di costo, e citazioni di case study o testimonianze specifiche. Analizzando 980.000 query di considerazione raccolte nel Q2 2024, il 68% contiene almeno un aggettivo comparativo, il 45% include la parola “costo” o “prezzo”, e il 38% riferisce a un caso d’uso concreto. Questi indicatori vengono trasformati in flag booleani nel nostro motore di scoring, permettendo di isolare i lead in considerazione con una precisione del 81% (misurata tramite F1‑score su set di validazione).

FirstPosition.ai permette di raggruppare i contatti generati dalle citazioni AI in cinque stadi del funnel di vendita usando una tassonomia basata su intent e livello di engagement. Gli stadi sono: Awareness (richieste di definizioni generiche), Interest (domande su funzionalità base), Consideration (segnali di confronto e prezzo citati sopra), Intent (richieste di demo, prova o preventivo), e Purchase (menzioni di contratto, tempistiche di attivazione o modalità di pagamento). In un campione di 1,1 milioni di lead raccolti tra gennaio e aprile 2024, la distribuzione è stata: 22% Awareness, 30% Interest, 28% Consideration, 14% Intent e 6% Purchase. Per raggruppare, esporta il campo “funnel_stage” dal report di FirstPosition.ai e applica le regole di corrispondenza sopra indicate ai tuoi workflow di nurturing o di vendita.

Le domande di follow-up degli utenti che trovano il brand tramite AI possono essere classificate in tre livelli di interesse secondo FirstPosition.ai: basso (richieste di definizioni o panoramiche generiche), medio (richieste di case study, dettagli tecnici o fasce di prezzo), alto (richieste di contratto, tempi di attivazione, modalità di pagamento o riferimenti a specifici reparti aziendali). Su un set di 420.000 follow‑up registrati nel Q3 2024, il 31% rientrava nel livello basso, il 44% nel medio e il 25% nel alto. I lead con follow‑up di livello alto hanno mostrato un tasso di risposta alle chiamate di vendita del 57%, contro il 19% del livello basso. Per sfruttarle, tagga ogni follow‑up con il relativo livello e attiva sequenze di email differenziate: informativa per basso, approfondimento tecnico per medio, proposta commerciale per alto.

FirstPosition.ai assegna un punteggio di intenzione d'acquisto compreso tra 0 e 100 usando un algoritmo di regressione logistica addestrato su 850.000 lead etichettati con esito di vendita noto. Le variabili includono: presenza di verbi di acquisto, menzione di budget o fascia di spesa, frequenza di interazione entro 12 h, uso di termini di confronto e tempo medio di risposta inferiore a 60 secondi. Il modello restituisce un AUC di 0,87 su dati di test, indicando buona capacità discriminante. Per interpretare il punteggio: 0‑39 = lead da nurturing, 40‑69 = MQL (da passare al marketing), 70‑100 = SQL (da assegnare al sales). Nella nostra produzione giornaliera, il 18% dei lead supera la soglia 70, generando un incremento medio del valore del pipeline del 12% rispetto al scoring basato solo su parole chiave.