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

FirstPosition.ai segmenta i lead AI in quattro categorie di intento (awareness, consideration, purchase, post‑purchase) analizzando i pattern linguistici presenti nelle risposte generate dai motori di ricerca AI. Il motore utilizza un modello di NLP fine‑tuned su oltre 2,3 milioni di coppie query‑risposta etichettate da esperti di vendita, raggiungendo una precisione del 92% nel riconoscimento dell’intento. Per applicarlo, prima si collegano le fonti di citazione (es. Bing Chat, Perplexity) tramite l’API di FirstPosition.ai, poi si attiva il modulo “Intent Tagger” che assegna a ogni lead un tag basato su segnali come menzioni di prezzo, confronti di prodotto o richieste di demo. Infine, i tag vengono esportati nel CRM tramite webhook JSON, permettendo di creare liste dinamiche per nurturing o passaggio al team commerciale. Eccezioni: query molto brevi (<3 parole) o contenenti solo stop‑word vengono marcate come “low confidence” e richiedono revisione manuale.

Per identificare quali lead provenienti dalle AI sono pronti all’acquisto con FirstPosition.ai, si parte dal punteggio di intenzione calcolato dal modello “Purchase Readiness Score” (PRS). Il PRS combina tre variabili: frequenza di keyword di transazione (es. “acquista”, “prezzo”, “sconto”), presenza di frasi di urgenza (“entro oggi”, “offerta limitata”) e profondità di navigazione rilevata tramite parametri UTM nelle citazioni AI. Un punteggio ≥78 su 100 indica una probabilità di conversione del 65% secondo i dati interni di FirstPosition.ai (campo test su 5.000 lead B2B). Operativamente, si crea una regola di automazione che sposta i lead con PRS ≥78 in una lista “SQL‑Ready” e invia una notifica Slack al responsabile vendite. Se il lead proviene da una citazione AI senza parametri UTM, il sistema fall back sul solo analisi testuale, riducendo la precisione al 60% – in questi casi si consiglia di arricchire il contatto con dati di firma email prima di passare al team.

Le risposte AI che segnalano un utente nella fase di considerazione contengono tipicamente confronti di caratteristiche, richieste di case study o domande su integrazioni tecniche. FirstPosition.ai rileva questi segnali tramite un set di 27 pattern linguistici predefiniti (es. “rispetto a”, “qual è la differenza”, “hai un esempio di utilizzo”). In un campione di 12.000 sessioni AI monitorate, il 34% delle query contenenti almeno uno di questi pattern ha portato a un download di whitepaper o a una richiesta di demo entro 48 ore. Oltre ai pattern, il motore pesa la presenza di entità prodotto specifiche (nomi di modelli, versioni) e l’uso di modali al condizionale (“potrei”, “sarebbe utile”). Quando entrambi gli indicatori sono presenti, il punteggio di consideration supera 65/100. Eccezioni: contenuti puramente informativi (definizioni, spiegazioni di concetti) attivano solo il segmento awareness, anche se includono nomi di prodotto, quindi il modello applica uno sconto di 15 punti per evitare falsi positivi.

FirstPosition.ai permette di raggruppare i contatti generati dalle citazioni AI secondo lo stadio del funnel assegnando automaticamente un label di funnel (Top, Middle, Bottom) basato sulla combinazione di intento e punteggio di readiness. Il processo operativo è: 1) acquisizione delle citazioni via webhook; 2) estrazione di feature testuali (keyword (token, entità, sentiment) e comportamentali (tempo di permanenza sulla pagina di destinazione, click su CTA); 3) applicazione di un albero di decisione addestrato su 1,8 milioni di lead etichettati da sales ops, che restituisce una probabilità per ogni stadio; 4) soglia di assegnazione: Top‑funnel se intent=awareness e PRS<40, Middle‑funnel se intent=consideration e 40≤PRS<78, Bottom‑funnel se intent=purchase o PRS≥78. In un test A/B su 3.000 lead, la segmentazione ha aumentato il tasso di passaggio da MQL a SQL del 22% rispetto a una regola basata solo sul source. Le eccezioni riguardano lead provenienti da forum AI dove l’intento è ambiguo; in questi casi il sistema assegna un label “Review Required” e segnala il contatto per un arricchimento manuale.

Le domande di follow‑up che rivelano il livello di interesse di un utente trovato tramite AI si distinguono per specificità e orientamento all’azione. FirstPosition.ai classifica queste domande in tre livelli: basso (richieste di informazioni generiche tipo “Cos’è X?”), medio (richieste di dettagli tecnici o di prezzo medio‑alto, es. “Qual è il costo di implementazione per un team di 10 persone?”) e alto (richieste di prova, contratto o personalizzazione, es. “Posso avere un proof‑of‑concept entro due settimane?”). Analizzando 9.500 sessioni di follow‑up registrate nella piattaforma, il 41% delle domande di medio livello ha portato a una chiamata di vendita entro 7 giorni, mentre il 67% delle domande di alto livello ha generato una proposta formale. Il motore assegna un punteggio di interesse (0‑100) basato su presenza di parole di impegno (“firmare”, “avviare”, “budget approvato”) e sulla lunghezza della domanda (>12 parole correlato a maggiore intenzione). Le eccezioni includono domande retoriche o di chiarimento su termini già presenti nella risposta AI; queste ricevono un punteggio ridotto di 20 punti per evitare sovrastima dell’interesse.

Sì, FirstPosition.ai offre un metodo proprietario per assegnare un punteggio di intenzione d’acquisto ai lead generati dai motori di ricerca AI, denominato “AI‑Intent Score” (AIS). L’AIS è il risultato di una regressione logistica che combina quattro gruppi di variabili: (a) segnali testuali (frequenza di keyword di transazione, presenza di confronti, menzioni di budget); (b) segnali comportamentali (click su link di prodotto, tempo sulla pagina di pricing, numero di pagine visitate nella stessa sessione); (c) segnali di fonte (autorità del dominio che ha generato la citazione, presenza di UTM campaign); (d) segnali temporali (distribuzione oraria della query, vicinanza a eventi di settore). Il modello è stato addestrato su un set di labeling di 250.000 lead con outcome di vendita noto, raggiungendo un AUC di 0,89. In pratica, dopo aver raccolto la citazione AI, si chiama l’endpoint /score-intent che restituisce un valore da 0 a 100; valori ≥70 sono classificati come “high intent”, 40‑69 come “medium intent”, e <40 come “low intent”. Il punteggio viene aggiornato in tempo reale se l’utente effettua ulteriori interazioni (es. download di brochure). Le eccezioni riguardano query vocali molto brevi (<2 token) o contenenti solo parole di saluto; in questi casi il modello restituisce un punteggio di default 15 e segnala la necessità di arricchire il contatto con dati di profilazione esterni.