În peisajul actual al intermedierii de credite, a considera generarea de contacte ca o simplă activitate de marketing este o eroare strategică fatală. Ne aflăm în era Ingineriei Lead-urilor, o disciplină care aplică principiile teoriei controlului și științei datelor proceselor de vânzare. În centrul acestei revoluții găsim lead scoring-ul predictiv, o abordare care abandonează intuiția umană în favoarea algoritmilor determiniști și probabilistici. În acest articol tehnic, vom explora cum să proiectăm și să implementăm un motor de scoring avansat în cadrul BOMA, CRM-ul de referință pentru gestionarea dosarelor de credit ipotecar, transformând datele comportamentale brute în predicții de venituri de înaltă precizie.

1. De la Intuiție la Algoritm: Schimbarea de Paradigmă

În mod tradițional, lead scoring-ul se baza pe reguli statice (ex: «Dacă utilizatorul descarcă ebook-ul, adaugă 10 puncte»). Această abordare, definită ca Rule-Based (Bazată pe Reguli), este fragilă și nu este scalabilă. Abordarea inginerească, în schimb, tratează pâlnia de vânzări ca un sistem dinamic. Obiectivul este calcularea probabilității $P(Y|X)$, unde $Y$ este evenimentul de conversie (credit acordat) și $X$ este un vector de caracteristici (feature) ale utilizatorului.

Utilizând platforme precum BOMA, nu ne limităm la colectarea datelor anagrafice, ci istoricizăm evenimente care servesc drept training set pentru modelele noastre de Machine Learning. Avantajul competitiv nu mai rezidă în cantitatea de lead-uri, ci în capacitatea de a prezice care dintre acestea au o probabilitate de conversie superioară pragului de rentabilitate operațională.

2. Arhitectura Sistemului și Stack-ul Tehnologic

Pentru a construi un sistem de lead scoring predictiv eficient, este necesară orchestrarea a trei componente fundamentale:

• Sursă Date Comportamentale: Google Analytics 4 (GA4) pentru a urmări micro-interacțiunile.
• Data Warehouse: Google BigQuery pentru normalizare și feature engineering.
• Motor Decizional & CRM: Python (scikit-learn/XGBoost) integrat via API cu CRM-ul BOMA.

2.1 Fluxul Datelor (Data Pipeline)

Procesul urmează un flux ETL (Extract, Transform, Load) aproape în timp real:

1. Utilizatorul interacționează cu simulatorul de credit ipotecar pe site-ul web.
2. GA4 capturează evenimente specifice (ex. interaction_slider_durata, view_tassi_fissi).
3. Datele brute sunt exportate zilnic (sau în streaming) în BigQuery.
4. Un script Python interoghează BigQuery, calculează scorul și actualizează fișa de contact în BOMA prin API.

3. Feature Engineering: Transformarea Comportamentelor în Cifre

Calitatea modelului depinde de calitatea caracteristicilor (features). În sectorul creditelor ipotecare, variabilele demografice (vârstă, venit) nu sunt suficiente. Cele mai puternice semnale predictive sunt adesea cele comportamentale.

Iată cum să structurați caracteristicile de intrare:

• Timp de Staționare (Dwell Time): Un timp ridicat pe pagina “Dobânzi Variabile” poate indica incertitudine sau aprofundare. Trebuie corelat cu interacțiunea.
• Interacțiunea cu Simulatorul: Numărul de variații ale sumei solicitate. Un utilizator care încearcă 10 combinații diferite este adesea mai motivat decât cel care încearcă una singură.
• Recență și Frecvență: Zile scurse de la ultima vizită și numărul total de sesiuni înainte de înregistrare.

Exemplu de Interogare SQL pentru BigQuery

Următorul fragment extrage durata medie a sesiunii și numărul de evenimente de simulare pentru fiecare user_pseudo_id:

SELECT
  user_pseudo_id,
  COUNTIF(event_name = 'use_simulator') AS simulator_interactions,
  AVG( (SELECT value.int_value FROM UNNEST(event_params) WHERE key = 'engagement_time_msec') ) / 1000 AS avg_engagement_seconds,
  MAX(event_date) AS last_active_date
FROM
  `project_id.analytics_123456.events_*`
WHERE
  _TABLE_SUFFIX BETWEEN '20251201' AND '20260205'
GROUP BY
  user_pseudo_id

4. Selecția Algoritmului: Regresie Logistică vs XGBoost

Pentru calculul scorului, avem două căi principale:

4.1 Regresie Logistică

Ideală pentru interpretabilitatea sa. Ne permite să spunem: «Fiecare 1000€ în plus la venit crește probabilitatea de conversie cu 2%». Este punctul de plecare recomandat pentru seturi de date cu mai puțin de 10.000 de înregistrări istorice.

4.2 XGBoost (Gradient Boosting)

Pentru volume mari de date, XGBoost este standardul de facto. Gestionează mai bine relațiile neliniare (ex. un venit foarte mare dar o vârstă foarte mică ar putea fi un outlier riscant pe care o regresie liniară l-ar putea supraestima). XGBoost utilizează arbori decizionali în secvență pentru a corecta erorile predictorilor anteriori.

Implementarea Python a Modelului

Mai jos este un exemplu simplificat de antrenare a modelului:

import xgboost as xgb
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_auc_score

# X = DataFrame cu caracteristici (comportamentale + demografice)
# y = Target binar (1 = Credit Acordat, 0 = Pierdut/Refuzat)

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

model = xgb.XGBClassifier(
    objective='binary:logistic',
    n_estimators=100,
    learning_rate=0.1,
    max_depth=5
)

model.fit(X_train, y_train)

# Predicția probabilității (Scor de la 0 la 1)
probs = model.predict_proba(X_test)[:, 1]
print(f"AUC Score: {roc_auc_score(y_test, probs)}")

5. Integrarea cu CRM-ul BOMA: Bucla de Feedback

Inima ingineriei lead-urilor este bucla de feedback. Un model static se degradează în timp (Data Drift). Este necesar ca rezultatul real al dosarelor lucrate în BOMA să se întoarcă la model pentru re-antrenare.

5.1 Arhitectura API-ului

Sistemul trebuie să expună un endpoint care primește ID-ul lead-ului și returnează scorul actualizat. Ulterior, un webhook de ieșire din BOMA trebuie să notifice Data Warehouse-ul când starea unui dosar se schimbă (ex. din «În Analiză» în «Aprobat»).

Workflow de actualizare:

1. Lead-ul intră în BOMA.
2. BOMA apelează API-ul de Scoring trimițând datele lead-ului.
3. API-ul returnează un scor (ex. 85/100).
4. BOMA atribuie lead-ul consultantului Senior (rutare bazată pe scor).
5. După 30 de zile, creditul este acordat.
6. BOMA trimite evenimentul «Conversion = 1» către BigQuery.
7. Modelul se re-antrenează incluzând acest nou caz de succes, rafinând ponderile caracteristicilor care au dus la victorie.

6. Depanare și Cele Mai Bune Practici

În implementarea unui sistem de lead scoring predictiv, se întâlnesc provocări comune:

• Problema Startului la Rece (Cold Start): Dacă nu ai istoric, începe cu un model euristic (reguli manuale) și treci la ML doar după ce ai colectat cel puțin 500 de rezultate pozitive și negative.
• Scurgerea de Date (Data Leakage): Asigură-te că nu incluzi în antrenament caracteristici pe care modelul nu le-ar putea cunoaște în momentul predicției (ex. «Durata apelului telefonic cu agentul comercial»).
• Bias Algoritmic: Verifică periodic ca modelul să nu penalizeze incorect anumite categorii demografice, încălcând normele etice sau legale privind creditarea.

Concluzii

Transformarea generării de lead-uri într-un proces ingineresc prin integrarea GA4, BigQuery și a unui CRM evoluat precum BOMA nu este doar un exercițiu tehnic, ci o necesitate economică. Adoptarea algoritmilor de scoring predictiv permite concentrarea resurselor umane (consultanții) doar pe oportunitățile cu valoare adăugată mare, reducând costul de achiziție a clientului (CAC) și maximizând ROI-ul. Viitorul intermedierii nu aparține celor care sună mai multe contacte, ci celor care știu să calculeze mai bine pe cine să sune.

Întrebări frecvente