Tim sales tidak selalu kekurangan prospek. Dalam banyak situasi, tantangan justru muncul ketika jumlah prospek terus bertambah sementara waktu untuk menindaklanjutinya tetap terbatas.
Bayangkan ada 50 opportunity aktif di dalam CRM. Sebagian baru masuk, sebagian sudah bergerak lebih jauh di pipeline, dan sebagian lainnya masih membutuhkan banyak follow-up.
Pertanyaannya kemudian bukan lagi sekadar, “Berapa banyak prospek yang kita punya?”, tetapi:
“Opportunity mana yang sebaiknya mendapat perhatian lebih dulu?”
Di titik inilah Predictive Lead Scoring di Odoo CRM menjadi relevan.
Predictive Lead Scoring adalah fitur yang menggunakan machine learning untuk memperkirakan probability of winning sebuah lead atau opportunity berdasarkan pola data historis di CRM. Odoo memanfaatkan histori opportunity yang sebelumnya berakhir sebagai Won atau Lost untuk memberikan indikator tambahan bagi sales dalam menentukan prioritas.
Tujuannya bukan menggantikan keputusan salesperson. Probability tersebut berfungsi sebagai decision support agar tim dapat membaca pipeline dengan lebih terarah dan menentukan di mana waktu serta perhatian mereka kemungkinan paling bernilai.
Predictive Lead Scoring di Odoo CRM membantu memperkirakan kemungkinan sebuah lead atau opportunity berhasil menjadi Won.
Alih-alih hanya mengandalkan intuisi, urutan masuknya lead, atau besar kecilnya nilai transaksi, sales memperoleh indikator tambahan dalam bentuk probability of winning.
Probability ini dihitung menggunakan pola yang terdapat pada data historis CRM.
Ketika opportunity sebelumnya bergerak melalui pipeline dan kemudian berakhir sebagai Won atau Lost, data tersebut membantu Odoo mengenali karakteristik opportunity yang secara historis memiliki kecenderungan lebih besar untuk berhasil.
Dengan demikian, CRM tidak hanya menunjukkan apa saja yang sedang berada di pipeline, tetapi juga memberikan konteks tambahan mengenai peluang keberhasilan masing-masing opportunity.
Pipeline yang penuh memang terlihat positif. Namun semakin banyak opportunity aktif, semakin besar pula kebutuhan tim untuk menentukan prioritas.
Sales memiliki kapasitas terbatas. Ada meeting yang harus dilakukan, quotation yang perlu ditindaklanjuti, kebutuhan customer yang harus dipahami, hingga negosiasi yang membutuhkan perhatian khusus.
Jika semua opportunity mendapatkan tingkat perhatian yang sama, waktu sales dapat tersebar terlalu luas.
Opportunity yang sebenarnya memiliki potensi lebih baik justru bisa terlambat ditindaklanjuti karena tidak terlihat jelas di antara puluhan prospect lainnya.
Masalahnya bukan berarti sebagian prospek harus diabaikan. Yang dibutuhkan adalah cara untuk membaca pipeline dengan lebih terukur.
Predictive Lead Scoring memberikan salah satu sinyal tersebut langsung di dalam Odoo CRM.
Odoo menghitung probability menggunakan model predictive lead scoring yang mempelajari histori Won dan Lost pada CRM.
Secara teknis, Odoo menggunakan model probabilitas Naive Bayes untuk menganalisis hubungan antara karakteristik sebuah opportunity dengan hasil opportunity sebelumnya.
Sederhananya, sistem mencoba menjawab pertanyaan:
“Berdasarkan pola yang pernah terjadi di CRM, seberapa besar kemungkinan opportunity dengan karakteristik seperti ini menjadi Won?”
Model kemudian menghasilkan probability yang ditampilkan pada opportunity.
Probability tersebut juga dapat berkembang seiring perjalanan deal di dalam pipeline. Ketika opportunity berpindah stage atau informasi yang tersedia semakin lengkap, nilai probability dapat ikut berubah mengikuti pola yang dipelajari sistem.
Karena itu, lead score sebaiknya tidak dipahami sebagai label statis seperti hot, warm, atau cold. Nilainya lebih dekat kepada estimasi probabilitas berdasarkan historical pattern yang sudah terbentuk di CRM.
Variabel yang digunakan dalam predictive lead scoring dapat disesuaikan dengan kebutuhan dan data yang tersedia di dalam CRM.
Beberapa contoh informasi yang dapat menjadi bagian dari perhitungan antara lain:
Artinya, sistem tidak sekadar melihat satu atribut tertentu.
Probability terbentuk dari kombinasi pola yang ditemukan pada data historis opportunity.
Semakin konsisten data CRM diperbarui, semakin baik pula konteks yang tersedia untuk membentuk scoring.
Misalnya sebuah tim memiliki 50 opportunity aktif.
Tanpa indikator tambahan, sales mungkin menentukan prioritas berdasarkan deal yang terakhir menghubungi mereka, opportunity dengan nominal terbesar, atau berdasarkan intuisi masing-masing salesperson.
Pendekatan tersebut tetap memiliki tempat. Pengalaman sales tetap penting.
Namun predictive lead scoring memberikan satu layer informasi tambahan.
Sebagai ilustrasi, bayangkan Odoo menampilkan probability berikut:
Angka di atas hanya merupakan ilustrasi, bukan threshold resmi dari Odoo.
Probability 76% bukan berarti PT Alpha pasti menjadi customer. Sebaliknya, probability 38% juga tidak berarti PT Epsilon harus dihentikan.
Yang berubah adalah cara sales membaca pipeline.
Dari sebelumnya melihat 50 opportunity sebagai kumpulan pekerjaan yang relatif sama, tim kini memiliki indikator tambahan untuk menentukan mana yang perlu ditinjau atau ditindaklanjuti lebih cepat.
Inilah perbedaan antara sekadar memiliki pipeline dan mengelola pipeline secara aktif.
Ini merupakan distinction yang penting.
Opportunity dengan probability paling tinggi belum tentu selalu menjadi opportunity yang paling penting bagi bisnis.
Bayangkan terdapat tiga opportunity:
Jika hanya melihat probability, Opportunity A mungkin terlihat sebagai prioritas utama.
Namun dalam kondisi nyata, sales juga perlu mempertimbangkan konteks lain.
Karena itu, probability of winning sebaiknya tidak diperlakukan sebagai satu-satunya ukuran sales priority.
Secara praktis, tim dapat melihat prioritas dari setidaknya tiga konteks:
Win Probability
Seberapa besar kemungkinan opportunity menjadi Won berdasarkan pola historis CRM.
Business Value
Seberapa penting account atau nilai opportunity bagi bisnis.
Deal Urgency
Seberapa cepat opportunity membutuhkan tindakan atau keputusan berikutnya.
Secara konseptual, sales dapat melihatnya sebagai:
Sales Priority = Win Probability + Business Value + Deal Urgency
Kerangka ini bukan formula scoring bawaan Odoo, melainkan cara sederhana untuk menggunakan probability sebagai bagian dari keputusan sales yang lebih lengkap.
Tidak.
Predictive Lead Scoring sebaiknya digunakan sebagai decision support, bukan sebagai pengganti salesperson.
Sales sering memiliki konteks yang tidak sepenuhnya tercermin dalam sebuah angka probability.
Misalnya:
nilai strategis sebuah account, urgency customer, hubungan dengan decision maker, proses procurement, perubahan budget, kualitas komunikasi dengan prospect, hingga dinamika negosiasi.
Odoo memberikan perspektif berdasarkan pola historis CRM.
Sales kemudian menggabungkannya dengan konteks nyata yang mereka miliki terhadap customer dan deal tersebut.
Odoo juga memungkinkan probability pada opportunity disesuaikan secara manual ketika salesperson memiliki informasi tambahan yang belum sepenuhnya tercermin dalam model.
Pendekatan seperti ini menjaga keseimbangan antara data-driven prioritization dan human judgment.
Ya.
Probability tidak harus menjadi angka yang tetap sejak sebuah opportunity pertama kali masuk ke CRM.
Ketika opportunity berkembang, berpindah stage, atau mendapatkan informasi tambahan, probability dapat ikut diperbarui.
Hal ini penting karena kondisi opportunity juga terus berubah.
Opportunity yang awalnya masih berada pada tahap awal dapat menunjukkan probability yang berbeda setelah kebutuhan customer semakin jelas, meeting berlangsung, atau deal bergerak ke stage berikutnya.
Dengan demikian, lead scoring tidak hanya membantu saat sebuah opportunity pertama kali masuk. Scoring juga dapat menjadi bagian dari proses membaca perkembangan pipeline secara berkelanjutan.
Predictive Lead Scoring memperlihatkan satu prinsip penting dalam implementasi CRM:
kualitas insight sangat bergantung pada kualitas penggunaan sistem.
Model belajar dari pola yang tersedia pada data CRM.
Semakin banyak opportunity yang diproses dan semakin konsisten status Won maupun Lost dicatat, semakin kaya data historis yang tersedia untuk membentuk probability.
Sebaliknya, jika pipeline jarang diperbarui, opportunity berhenti di stage yang salah, atau hasil Won dan Lost tidak dicatat dengan disiplin, pola historis yang tersedia juga menjadi lebih terbatas.
Karena itu, keberhasilan predictive scoring tidak hanya bergantung pada algoritma.
Sales discipline juga berperan penting.
Ketika tim menggunakan CRM secara konsisten, data yang sebelumnya hanya berfungsi sebagai catatan operasional mulai membentuk sesuatu yang lebih bernilai:
institutional sales intelligence.
Perusahaan mulai memiliki data mengenai jenis opportunity, channel, salesperson, dan pola pipeline seperti apa yang secara historis lebih sering menghasilkan keberhasilan.
Di titik tersebut, CRM tidak lagi hanya menjadi tempat menyimpan daftar prospek.
Ya.
Probability juga dapat menjadi salah satu bagian dari proses assignment lead dan opportunity.
Dalam Odoo CRM, perusahaan dapat membangun rule-based assignment untuk membantu mendistribusikan lead kepada sales team atau salesperson berdasarkan kriteria tertentu.
Probability of winning dapat digunakan sebagai salah satu konteks dalam proses tersebut.
Ini berarti predictive scoring tidak hanya relevan bagi salesperson yang ingin menentukan follow-up.
Sales manager juga dapat menggunakannya untuk melihat pipeline secara lebih terstruktur dan membantu menentukan bagaimana opportunity didistribusikan di dalam tim.
Nilai utama Predictive Lead Scoring bukan terletak pada sebuah angka persentase.
Nilainya terletak pada bagaimana angka tersebut digunakan untuk mengambil tindakan.
Opportunity dengan probability yang relatif tinggi dapat ditinjau lebih awal. Sales manager dapat membaca pipeline dengan perspektif tambahan. Tim juga memiliki dasar yang lebih objektif ketika mendiskusikan prioritas follow-up.
Namun probability tetap perlu dibaca bersama konteks bisnis.
Deal value, urgency, strategic importance, kualitas engagement, dan pemahaman salesperson terhadap customer tetap memiliki peran.
Dengan pendekatan tersebut, AI tidak mengambil alih keputusan sales.
AI membantu menyediakan sinyal.
Sales tetap menentukan tindakan.
Tujuan Predictive Lead Scoring bukan membuat sales mengejar lebih sedikit opportunity secara membabi buta.
Tujuannya adalah membantu tim mengalokasikan waktu dengan lebih baik.
Jika terdapat 50 opportunity aktif tetapi kapasitas tim terbatas, memberikan intensitas follow-up yang sama kepada semuanya belum tentu menjadi penggunaan waktu yang paling efektif.
Dengan probability yang tersedia langsung di Odoo CRM, sales memiliki satu indikator tambahan untuk mengurutkan perhatian, menentukan follow-up, dan memahami kondisi pipeline.
Hasil akhirnya bukan keputusan sales yang sepenuhnya diserahkan kepada AI.
Justru sebaliknya.
Data membantu membentuk prioritas. Sales membawa konteks dan judgment untuk menentukan tindakan berikutnya.
Ketika keduanya berjalan bersama, CRM tidak lagi hanya berfungsi sebagai database prospek.
CRM mulai berperan sebagai sistem yang membantu tim sales memahami di mana waktu dan energi mereka sebaiknya digunakan.
ICS Compute adalah Odoo Silver Partner yang membantu perusahaan mengimplementasikan dan mengoptimalkan Odoo sesuai dengan proses bisnis yang berjalan, termasuk CRM dan sales workflow.
Mulai dari struktur pipeline, lead management, automation, hingga pemanfaatan Predictive Lead Scoring, implementasi dapat disesuaikan dengan proses sales dan kebutuhan operasional perusahaan.
Hubungi ICS Compute untuk konsultasi dan demo Odoo CRM.