Введение
Lead Scoring – методология оценки потенциальных клиентов (лидов) путём присвоения числового балла, отражающего вероятность совершения покупки. Чем выше балл, тем ближе лид к принятию решения – тем быстрее с ним должен связаться менеджер.
Без скоринга продавцы тратят одинаковое время на случайных посетителей сайта и на людей, уже сравнивавших конкурентов и изучавших кейсы. Lead Scoring превращает интуитивную приоритизацию в измеримую систему с чёткими пороговыми значениями.
История и контекст
Концепция скоринга пришла в маркетинг из финансовой сферы, где кредитный скоринг применялся с 1950-х годов. В маркетинге инструменты lead scoring появились в 2000-е вместе с первыми MA-платформами. Первоначально скоринг был полностью ручным: маркетологи вручную задавали веса для каждого критерия. Появление ML позволило создавать предиктивные скоринговые модели, обучающиеся на исторических данных о закрытых сделках.
Как это работает
Lead scoring опирается на два типа данных:
- Демографические (Fit Score / Explicit Score): должность, размер компании, отрасль, география. Отвечают на вопрос: подходит ли человек под идеальный профиль клиента (ICP)?
- Поведенческие (Engagement Score / Implicit Score): посещение страниц сайта, открытие писем, скачивание контента, участие в вебинарах, время на странице цен. Отвечают на вопрос: насколько активно человек изучает продукт?
Каждому действию присваивается балл. Например: открыл письмо +2, кликнул по ссылке +5, посетил страницу цен +15, запросил демо +50. По исследованиям практиков B2B-скоринга, типичный MQL-порог на 100-балльной шкале составляет около 65 – это верхние 15–20% базы, а SQL-порог после подтверждения продавцом – около 85.
В предиктивном скоринге ML-модель самостоятельно определяет веса признаков на основе исторически закрытых и потерянных сделок, повышая точность конверсии на 20–40% по сравнению с ручными правилами.
Где применяется
- B2B SaaS: квалификация лидов, пришедших через контент-маркетинг и вебинары, перед передачей в inside sales.
- Финансовые услуги: ранжирование заявок на банковские или страховые продукты по степени готовности к покупке.
- E-commerce B2B: выявление корпоративных покупателей с высоким потенциалом заказа среди тысяч зарегистрированных пользователей.
- EdTech: приоритизация студентов, проявляющих интерес к платным программам обучения.
Преимущества и ограничения
Преимущества: фокус продавцов на наиболее горячих лидах, сокращение цикла продаж, снижение CAC, измеримое улучшение конверсии MQL→SQL.
Ограничения: ручной скоринг требует регулярной калибровки – критерии устаревают с изменением продукта или рынка. Предиктивный скоринг требует минимум 200 исторически закрытых сделок для обучения модели. Высокий балл отражает вовлечённость, но не гарантирует покупку.
Связь с другими понятиями
Lead Scoring является ключевым компонентом маркетинговой автоматизации и определяет момент перехода лида из статуса MQL в статус SQL через промежуточную стадию SAL (Sales Accepted Lead). Данные хранятся в CRM-системе и используются для прогнозирования в рамках воронки продаж. Большинство MA-платформ предоставляют встроенный scoring-движок без необходимости отдельного инструмента.
