De flesta modeller för lead scoring misslyckas av samma anledning: någon valde poängvärden på en workshop, lade in dem i CRM och kontrollerade dem aldrig mot stängda affärer. Ett halvår senare ignorerar sälj poängen eftersom ”MQL” betyder att någon laddat ner två e-böcker. Den här mallen ger dig en modell för lead scoring att fylla i, med den struktur som håller inom B2B: separata poäng för matchning och beteende, minuspoäng, avtagande poäng och ett bakåttest före lansering.
Kopiera tabellerna till ett kalkylark, ersätt exempelvärdena med dina egna och kör kalibreringsstegen i slutet innan någon på sälj ser en siffra.
Så är modellen uppbyggd
Mallen poängsätter varje lead på två separata dimensioner:
- Matchningspoäng (0–100): liknar den här personen och deras företag de som köper av dig? Bygger på firmografiska data och rolldata. Ändras sällan.
- Beteendepoäng (0–100): utvärderar den här personen aktivt just nu? Baseras på aktivitet på webbplatsen och i kampanjer. Avtar över tid.
Håll dem åtskilda. En enda kombinerad poäng gör att en lead med dålig matchning och många klick ser likadan ut som en lead med stark matchning och verkliga köpsignaler. Om du vill ha resonemanget bakom upplägget med två axlar mer på djupet går vårt inlägg om kontopoäng igenom det på företagsnivå, inklusive vilka signaler som förutsäger köp.
Arbetsblad 1: passformskriterier
Fyll i de kriterier som skiljer dina vunna affärer från de förlorade. Poängen inom en rad utesluter varandra (ett lead får ett värde per kriterium). De totala möjliga matchningspoängen ska summera till 100.
| Kriterium | Värde | Exempelpoäng | Dina poäng |
|---|---|---|---|
| Företagsstorlek | Kärnintervall (t.ex. 200–2 000 anställda) | 30 | |
| Närliggande intervall (t.ex. 50–199 eller 2 001–10 000) | 15 | ||
| Utanför målgruppen | 0 | ||
| Bransch | Bäst konverterande vertikal | 25 | |
| Sekundär vertikal | 12 | ||
| Annat | 0 | ||
| Roll / senioritet | Ekonomisk köpare (VP+, budgetägare) | 25 | |
| Champion (direktör, funktionschef) | 20 | ||
| Användare (chef, specialist) | 10 | ||
| Student, arbetssökande, orelaterad funktion | 0 | ||
| Region | Region där du säljer och ger support | 10 | |
| På andra ställen | 0 | ||
| Teknikstack | Använder en plattform du integrerar med | 10 | |
| Okänd eller inkompatibel | 0 |
Så sätter du vikterna: hämta de senaste 12 månadernas affärsmöjligheter. Jämför för varje kriterium andelen vunna affärer med andelen av alla leads. Om 55 % av de vunna affärerna kommer från ditt kärnintervall för storlek men bara 20 % av dina leads gör det, förtjänar storlek tung vikt. Om branschfördelningen är ungefär densamma bland vunna affärer och leads förtjänar den lite vikt. Vårt inlägg om att bygga firmografiska segment som konverterar visar analysen steg för steg.
Arbetsblad 2: Beteendepoäng
Beteendepoäng ska belöna köpaktivitet, inte allmän innehållskonsumtion. Använd tak så att ingen enskild upprepad handling kan ta ett lead över gränsvärdet.
| Åtgärd | Exempelpoäng | Tak | Dina poäng |
|---|---|---|---|
| Förfrågan om demo eller kontakt med sälj | Routa direkt (hoppa över scoring) | – | |
| Visning av prissidan | 15 | 30 | |
| Visning av jämförelse-/alternativsida | 15 | 15 | |
| Visning av dokumentation om säkerhet, regelefterlevnad eller integrationer | 10 | 20 | |
| Visning av kundcase (valfritt) | 5 | 15 | |
| Kundcase från leadens egen bransch | +5 i bonus | 10 | |
| Deltog i webbinarium (live) | 10 | 10 | |
| Nedladdning av låst innehåll | 5 | 10 | |
| Visning av blogginlägg | 1 | 5 | |
| Klick i mejl | 2 | 6 | |
| Återbesök inom 7 dagar | 5 | 15 | |
| Kollega från samma företag aktiv den här veckan | 10 | 20 |
Två kommentarer. För det första ska handuppräckare (demoförfrågningar, ”prata med sälj”) helt gå förbi poängsättningen. Att låta en köpare vänta på att en poäng ska passera en tröskel efter att hen bett om ett möte är den dyraste buggen i leadhantering. För det andra betyder raden om kollegor mer än det verkar. En andra person från samma företag är ofta det tidigaste tecknet på att en inköpsgrupp håller på att bildas.
Arbetsblad 3: negativ poängsättning
Negativa poäng håller kön ren. Utan dem samlas studenter, konkurrenter och befintliga kunder högst upp.
| Signal | Exempelpoäng | Dina poäng |
|---|---|---|
| Visning av karriärsidan | -10 | |
| Privat e-postdomän (gmail, outlook) på en säljledd plan | -10 | |
| Konkurrentdomän | Sätt passform till 0 | |
| Domän hos befintlig kund | Skicka till kundansvarig, exkludera från MQL | |
| Har avregistrerat sig från marknadsföringsmejl | -5 | |
| Endast besök på support- eller inloggningssidan | -5 |
Arbetsblad 4: Regler för avtagande
Beteende som skedde för månader sedan ska inte hålla ett lead hett. Välj en regel för avtagande och tillämpa den bara på beteendepoängen (passformen avtar inte).
- Kort säljcykel (under 30 dagar): minska beteendepoängen med 50 % för var 14:e dag av inaktivitet.
- Medellång cykel (1–3 månader): minska med 50 % för var 30:e dag utan aktivitet.
- Lång enterprise-cykel (över 6 månader): minska med 25 % var 30:e dag och nollställ efter 180 dagar utan aktivitet.
De flesta CRM- och marketing automation-verktyg stödjer tidsbaserad poängminskning via arbetsflöden. Om ditt inte gör det ger ett schemalagt jobb som räknar om beteendet utifrån de senaste 90 dagarnas händelser samma effekt.
Arbetsblad 5: Gränsvärden och åtgärder
Kombinera de två poängen till fyra nivåer för fördelning. Skriv åtgärden och ägaren bredvid varje nivå före lanseringen.
| Nivå | Regel | Åtgärd | Ägare | SLA |
|---|---|---|---|---|
| A | Passform 70+ och beteende 50+ | Dirigera till SDR/AE som MQL | Samma arbetsdag | |
| B | Matchning 70+ och beteende under 50 | Kontospecifik nurturing, personaliserad webbupplevelse | Veckogenomgång | |
| C | Passform 40–69 och beteende 50+ | SDR-kvalificering innan AE lägger tid | 2 arbetsdagar | |
| D | Passform under 40 | Endast självbetjäning eller nyhetsbrev | Ingen |
Nivå B är där webbplatsen gör mest av jobbet. De leadsen passar bra men är inte aktiva än, så uppgiften är att förtjäna nästa besök. Med Markettailors segmentering kan du bygga varje nivå som ett webbplatssegment och visa besökare på nivå B branschspecifika bevis i stället för en generisk demoförfrågan.
Kalibrera före lansering: bakåttestet
Kör detta innan modellen går live, och sedan igen varje kvartal.
- Poängsätt historiken. Tillämpa modellen på varje lead som skapats de senaste 6–12 månaderna, med den data du hade om dem vid den tidpunkten.
- Kontrollera nivå A. Hur stor andel av leadsen på nivå A blev affärsmöjligheter? Om den inte är tydligt högre än för nivå B och C är beteendevikterna fel.
- Kontrollera missarna. Lista vunna affärer vars leads aldrig nådde nivå A. Ta reda på vad de hade gemensamt (ofta en roll eller bransch som du har viktat för lågt).
- Kontrollera volymen. Räkna hur många A-leads per vecka modellen skulle ha gett. Om det är fler än dina SDR:er hinner bearbeta inom SLA:n, höj gränsvärdet.
- Stäm av med sälj. Visa sälj de 20 leads som fick högst poäng förra månaden. Om de inte skulle ha ringt de flesta av dem, rätta modellen före lanseringen.
Matchningsdata är den vanliga svaga punkten. De flesta webbplatsbesökare fyller aldrig i ett formulär, vilket innebär att en modell för lead scoring bara ser en liten del av de företag som gör research om dig. Kombinera den med besöksidentifiering på företagsnivå så att anonym aktivitet från ett konto räknas innan någon skickar ett formulär.
Snabb checklista
- ☐ Matchning och beteende poängsatta separat, vardera av 100
- ☐ Passformsvikter härledda från fördelningen för vunna affärer jämfört med alla leads
- ☐ Tak för varje upprepningsbart beteende
- ☐ Demoförfrågningar går förbi scoring
- ☐ Negativ poängsättning för karriärsidor, konkurrenter, kunder och privata domäner
- ☐ Avtagande regel tillämpas endast på beteende
- ☐ Fyra nivåer med namngivna ägare och SLA:er
- ☐ Bakåttest genomfört och genomgånget med sälj
- ☐ Kvartalsvis omkalibrering inlagd i kalendern