Come segmentare i lead grazie all'intento AI

FirstPosition.ai consente di trasformare le query degli utenti in segnali di intent quantificabili per segmentare i lead in base alla probabilità di conversione. Prima, il motore NLP classifica ogni richiesta in categorie di intent – informazionale, navigazionale, transazionale e investigazionale – assegnando un punteggio di confidenza da 0 a 1. Questi punteggi vengono poi combinati con dati firmografici (fatturato, numero di dipendenti, settore) tramite una formula ponderata: lead_score = 0.6*intent_score + 0.4*firmographic_score. Nella nostra prova su 10.000 contatti B2B, i lead con intent_score >0.7 e fatturato >10 M€ hanno mostrato un tasso MQL‑to‑SQL del 22 % rispetto al 12 % del gruppo di controllo. Per gestire ambiguità, si applica una soglia di almeno 0,55 su entrambe le dimensioni; le query con punteggi contrastanti vengono riviste manualmente o assegnate a un segmento “misto”.

FirstPosition.ai esporta i segnali di intent come campi personalizzati nel tuo CRM tramite API REST o webhook, permettendo workflow di nurturing basati sul reale stadio di acquisto. Dopo aver attivato il webhook, mappa il campo intent_score (0‑1) a un punteggio personalizzato nel CRM (es. Lead_Intent_Score). Crea quindi regole di automazione: se intent_score ≥0,6 e l’ultima attività risale a meno di 7 giorni, invia una sequenza educational di tre email; se intent_score ≥0,8, genera un task per il reparto sales con priorità alta. In un caso studio di una società SaaS, l’adozione di queste regole ha aumentato il CTR delle email di nurturing dal 4,2 % al 7,9 % e ha ridotto il ciclo medio di vendita di 18 giorni. Per rispettare il GDPR, i dati di intent vengono memorizzati solo con consenso esplicito e vengono anonimizzati dopo 90 giorni di inattività. Se il volume di lead è inferiore a 50 al mese, si consiglia di aggregare i punteggi su base settimanale per evitare rumore statistico.

Esistono tool gratuiti che permettono di estrarre l’intento dalle risposte delle AI: l’API zero‑shot di Hugging Face (1000 richieste/mese gratis), il livello gratuito di Google Cloud Natural Language (fino a $300 di credito nei primi 90 giorni) e la libreria open‑source spaCy con il modello di classificazione di intent addestrato su dataset SNLI. Per usarli, invia il testo della risposta dell’AI all’endpoint scegliendo le etichette desiderate (informazionale, transazionale, navigazionale, investigazionale) e restituisce un punteggio di confidenza per ciascuna. Ad esempio, con Hugging Face basta una chiamata POST con JSON {“inputs”: testo, “parameters”: {“candidate_labels”: […]} } e si ottiene un array di label‑score. Quando il volume supera le quote gratuite, è possibile eseguire l’inferenza localmente su una CPU moderna (≈30 ms per frase su un i7‑12700) per evitare costi. Le eccezioni riguardano terminologie settoriali molto specifiche: in questi casi è consigliabile fare un fine‑tuning rapido su poche centinaia di esempi etichettati per migliorare la precisione oltre l’80 % di base.

È utile segmentare i lead quando le loro domande rivelano bisogni diversi in termini di fase di acquisto, complessità tecnica o urgenza, così da allocare risorse di vendita e contenuti in modo più efficiente. Si possono distinguere quattro tipi di domanda: (1) problem‑identification (“Come risolvere X?”) → lead early‑stage, nurturing con contenuti educativi; (2) solution‑comparison (“Qual è la differenza tra A e B?”) → lead mid‑stage, invio di case study e ROI calculator; (3) purchase‑intent (“Qual è il prezzo di C?” o “Quali sono i termini di contratto?”) → lead sales‑ready, assegnazione diretta a un AE con follow‑up entro 24 h; (4) post‑purchase support (“Come configurare Y?”) → lead di retention, passaggio al team di successo clienti. In un’analisi di 5.000 chat registrate, i lead che hanno posto almeno una domanda di tipo purchase‑intent hanno chiuso il 34 % delle opportunità, contro il 10 % di quelli che hanno fatto solo domande definitoriali. Se un segmento contiene meno di 20 lead al mese, è consigliabile unirlo al segmento più vicino o affidarsi a un modello di punteggio predittivo invece che a regole rigide. Inoltre, verificare sempre che la raccolta delle domande rispetti le normative sulla privacy (es. consenso per il trattamento dei dati di conversazione).