De fleste lead scoring-modeller fejler af samme grund: nogen valgte pointværdier på en workshop, lagde dem ind i CRM'et og tjekkede dem aldrig mod lukkede aftaler. Seks måneder senere ignorerer salg scoren, fordi "MQL" betyder, at nogen har downloadet to e-bøger. Denne skabelon giver dig en lead scoring-model, du kan udfylde, med den struktur, der holder i B2B: separate scorer for fit og adfærd, negative point, henfald og en back-test før lancering.
Kopiér tabellerne ind i et regneark, erstat eksempelværdierne med dine egne, og kør kalibreringstrinnene til sidst, før nogen i salg ser et tal.
Sådan er modellen opbygget
Skabelonen scorer hvert lead på to separate dimensioner:
- Fit-score (0-100): ligner denne person og deres virksomhed dem, der køber hos dig? Baseret på firmografiske data og rolledata. Ændrer sig sjældent.
- Adfærdsscore (0-100): Evaluerer denne person aktivt lige nu? Baseret på aktivitet på websitet og i kampagner. Nedskrives over tid.
Hold dem adskilt. En samlet score lader et lead med dårligt fit og mange klik se ud som et lead med stærkt fit og reelle købssignaler. Hvis du vil have begrundelsen for tilgangen med to akser mere i dybden, gennemgår vores indlæg om kontoscoring den på virksomhedsniveau, inklusive hvilke signaler der forudsiger køb.
Arbejdsark 1: fit-kriterier
Udfyld de kriterier, der adskiller dine vundne deals fra de tabte. Point inden for en række udelukker hinanden (et lead får én værdi pr. kriterium). De samlede mulige fit-point skal give 100.
| Kriterium | Værdi | Eksempel på point | Dine point |
|---|---|---|---|
| Virksomhedsstørrelse | Kerneinterval (fx 200-2.000 medarbejdere) | 30 | |
| Tilstødende interval (fx 50-199 eller 2.001-10.000) | 15 | ||
| Uden for målgruppen | 0 | ||
| Branche | Branche med højest konvertering | 25 | |
| Sekundær vertikal | 12 | ||
| Andet | 0 | ||
| Rolle / anciennitet | Økonomisk beslutningstager (VP+, budgetejer) | 25 | |
| Champion (direktør, funktionschef) | 20 | ||
| Bruger i praksis (leder, specialist) | 10 | ||
| Studerende, jobsøgende, ikke-relateret funktion | 0 | ||
| Region | Region, du sælger og yder support i | 10 | |
| Andre steder | 0 | ||
| Tech stack | Bruger en platform, du integrerer med | 10 | |
| Ukendt eller ikke-kompatibel | 0 |
Sådan sætter du vægtene: træk de sidste 12 måneders salgsmuligheder. For hvert kriterium sammenlignes andelen af vundne deals med andelen af alle leads. Hvis 55 % af de vundne deals kommer fra dit kernestørrelsesinterval, men kun 20 % af leadsene gør, fortjener størrelse en høj vægt. Hvis branche fordeler sig nogenlunde ens blandt vundne deals og leads, fortjener den lav vægt. Vores indlæg om at bygge firmografiske segmenter, der konverterer viser analysen trin for trin.
Arbejdsark 2: adfærdspoint
Adfærdspoint bør belønne købsaktivitet, ikke generelt indholdsforbrug. Brug lofter, så ingen enkelt gentaget handling kan bære et lead over tærsklen.
| Handling | Eksempel på point | Loft | Dine point |
|---|---|---|---|
| Anmodning om demo eller kontakt til salg | Rut med det samme (spring scoring over) | – | |
| Visning af prissiden | 15 | 30 | |
| Visning af sammenlignings-/alternativside | 15 | 15 | |
| Visning af dokumentation om sikkerhed, compliance eller integration | 10 | 20 | |
| Visning af case (vilkårlig) | 5 | 15 | |
| Case fra leadets egen branche | +5 bonus | 10 | |
| Deltog i webinar (live) | 10 | 10 | |
| Download af gated indhold | 5 | 10 | |
| Visning af blogindlæg | 1 | 5 | |
| Klik i e-mail | 2 | 6 | |
| Tilbagevendende besøg inden for 7 dage | 5 | 15 | |
| Kollega fra samme virksomhed aktiv i denne uge | 10 | 20 |
To bemærkninger. For det første skal håndsoprækkere (demoanmodninger, "tal med salg") helt uden om scoringen. At lade en køber vente på, at en score krydser en tærskel, efter at vedkommende har bedt om et møde, er den dyreste fejl i leadhåndtering. For det andet betyder rækken med kolleger mere, end den ser ud til. En anden person fra samme virksomhed er ofte det tidligste tegn på, at en købsgruppe er ved at danne sig.
Arbejdsark 3: negativ scoring
Negative point holder køen ren. Uden dem hober studerende, konkurrenter og eksisterende kunder sig op i toppen.
| Signal | Eksempel på point | Dine point |
|---|---|---|
| Visning af karrieresiden | -10 | |
| Privat e-maildomæne (gmail, outlook) på en salgsdrevet plan | -10 | |
| Konkurrentdomæne | Sæt fit til 0 | |
| Domæne for eksisterende kunde | Send til account manager, udelad fra MQL | |
| Afmeldt marketingmails | -5 | |
| Kun besøg på support- eller loginsider | -5 |
Arbejdsark 4: Regler for henfald
Adfærd, der fandt sted for måneder siden, bør ikke holde et lead varmt. Vælg én regel for aftagende score, og anvend den kun på adfærdsscoren (fit aftager ikke).
- Kort salgscyklus (under 30 dage): reducér adfærdspoint med 50 % for hver 14 dages inaktivitet.
- Mellemlang cyklus (1-3 måneder): reducér med 50 % for hver 30 dages inaktivitet.
- Lang enterprise-cyklus (6+ måneder): reducér med 25 % hver 30. dag, og nulstil efter 180 dage uden aktivitet.
De fleste CRM- og marketing automation-værktøjer understøtter tidsbaseret reduktion af scores via workflows. Hvis dit ikke gør, giver et planlagt job, der genberegner adfærd ud fra de seneste 90 dages events, samme effekt.
Arbejdsark 5: Tærskler og handlinger
Kombinér de to scorer til fire fordelingsniveauer. Skriv handlingen og ejeren ved hvert niveau før lancering.
| Tier | Regel | Handling | Ejer | SLA |
|---|---|---|---|---|
| A | Fit 70+ og adfærd 50+ | Send til SDR/AE som MQL | Samme arbejdsdag | |
| B | Fit 70+ og adfærd under 50 | Kontospecifik nurture, personaliseret weboplevelse | Ugentlig gennemgang | |
| C | Fit 40-69 og adfærd 50+ | SDR-kvalificering før AE-tid | 2 hverdage | |
| D | Fit under 40 | Kun selvbetjeningsvej eller nyhedsbrev | Ingen |
Niveau B er dér, hvor websitet gør det meste af arbejdet. De leads passer godt, men er ikke aktive endnu, så opgaven er at gøre sig fortjent til det næste besøg. Med Markettailors segmentering kan du bygge hvert niveau som et websitesegment og vise besøgende på niveau B branchespecifik dokumentation i stedet for en generisk opfordring til demo.
Kalibrér før lancering: back-testen
Kør dette, før modellen går live, og igen hvert kvartal.
- Scor historikken. Anvend modellen på alle leads oprettet inden for de seneste 6-12 måneder med de data, du havde om dem på det tidspunkt.
- Tjek niveau A. Hvor stor en andel af leads på niveau A blev til salgsmuligheder? Hvis den ikke er tydeligt højere end for niveau B og C, er adfærdsvægtene forkerte.
- Tjek dem, der blev overset. Oplist vundne deals, hvis leads aldrig nåede niveau A. Find, hvad de havde til fælles (ofte en rolle eller branche, du har undervægtet).
- Tjek volumen. Tæl, hvor mange tier A-leads om ugen modellen ville have produceret. Hvis det overstiger, hvad dine SDR'er kan nå inden for SLA'en, så hæv tærsklen.
- Bliv enige med salg. Vis salg de 20 leads med højest score fra sidste måned. Hvis de ikke ville have ringet til de fleste af dem, så ret modellen før lancering.
Fit-data er det sædvanlige svage punkt. De fleste besøgende på websitet udfylder aldrig en formular, hvilket betyder, at en lead scoring-model kun ser en lille del af de virksomheder, der researcher dig. Kombiner den med identifikation af besøgende på virksomhedsniveau, så anonym aktivitet fra en konto tælles, før nogen indsender en formular.
Hurtig tjekliste
- ☐ Fit og adfærd scoret hver for sig, hver ud af 100
- ☐ Fit-vægte udledt af fordelingen for vundne aftaler vs. alle leads
- ☐ Lofter på al gentagelig adfærd
- ☐ Demoanmodninger springer scoring over
- ☐ Negativ scoring for karrieresider, konkurrenter, kunder og private domæner
- ☐ Henfaldsregel kun anvendt på adfærd
- ☐ Fire niveauer med navngivne ejere og SLA'er
- ☐ Back-test kørt og gennemgået med salg
- ☐ Kvartalsvis rekalibrering i kalenderen