Lead scoring: jak zbudować model oceny leadów i kiedy włączyć AI?

W skrócie: Lead scoring, czyli punktowa ocena leadów, to system, który przyznaje każdemu potencjalnemu klientowi punkty za to, kim jest (dopasowanie do Twojej grupy docelowej) i co robi (zaangażowanie w kontakt z firmą). Suma punktów mówi handlowcom, z kim rozmawiać najpierw. W firmie B2B mid-market zwykle wystarcza prosty model punktowy w CRM, zbudowany na 8-12 kryteriach i dwóch progach: MQL i SQL. Lead scoring z AI (predykcyjny) ma sens dopiero wtedy, gdy masz setki zamkniętych leadów z historią wygranych i przegranych. Sam wynik punktowy nie kwalifikuje leada. Decyzję zamyka rozmowa kwalifikacyjna, która sprawdza oczekiwania, decyzyjność, budżet i zakontraktowany następny krok.

Spis treści

• Czym jest lead scoring?
• Po co firmie B2B scoring leadów?
• Jak działa lead scoring: dopasowanie i zaangażowanie
• Jak zbudować prosty lead scoring model krok po kroku?
• Jakie progi ustawić: MQL i SQL?
• Czym jest scoring negatywny (negative scoring) i wygasanie punktów?
• Lead score, scoring models, routing: jakie pojęcia spotkasz w narzędziach?
• Lead scoring z AI (predictive lead scoring): kiedy ma sens?
• Jak połączyć scoring z rozmową kwalifikacyjną (lead qualification)?
• Jakie błędy psują model scoringowy (lead scoring model)?
• Kiedy lead scoring nie zadziała?
• FAQ
• Najważniejsze wnioski

Czym jest lead scoring?

Lead scoring, czyli punktowa ocena leadów, to metoda porządkowania potencjalnych klientów według szansy na zakup. Każdy lead dostaje punkty za cechy i zachowania, które w Twojej firmie poprzedzają sprzedaż. Wynik (w narzędziach nazywany lead score) mówi, który kontakt jest gotowy na rozmowę z handlowcem, a który potrzebuje jeszcze czasu.

Mówiąc najprościej, to umowa między marketingiem a sprzedażą zapisana w liczbach. Marketing wie, kiedy przekazać kontakt dalej. Sprzedaż wie, dlaczego ten kontakt trafił na jej listę.

Żeby model miał sens, trzeba najpierw ustalić, czym jest lead w Twojej firmie. Formularz z zapytaniem, osoba zapisana na webinar i kontakt z targów to trzy różne rodzaje leadów, o różnej temperaturze. Szerzej opisujemy to w tekście o tym, czym są leady sprzedażowe i jak je rozróżniać.

Skąd w ogóle potrzeba punktowania? Z dwóch ograniczeń, które ma każdy zespół sprzedaży.

Pierwsze to czas handlowca. Większą część jego dnia i tak zabierają administracja, wprowadzanie danych i zarządzanie transakcjami. Jeśli z czasu, który zostaje na sprzedaż, część idzie na rozmowy z kontaktami, które nigdy nie kupią, firma płaci za to podwójnie.

Drugie to czas reakcji. Badanie opisane w Harvard Business Review (analiza 1,25 mln leadów w 42 firmach) pokazało, że firmy, które próbowały skontaktować się z leadem w ciągu godziny od zapytania, miały prawie siedem razy większą szansę na jego kwalifikację niż te, które zrobiły to godzinę później. Scoring pomaga ustalić, na który kontakt trzeba zareagować natychmiast.

Po co firmie B2B scoring leadów?

Scoring leadów daje trzy efekty: kolejność pracy dla handlowców, wspólny język dla sales and marketing oraz dane do poprawy całego procesu.

Kolejność pracy. Handlowiec zaczyna dzień od listy kontaktów posortowanej według wyniku. Zamiast dzwonić według daty wpływu, dzwoni według szansy na sprzedaż.

Wspólny język marketingu i sprzedaży. Jedno z najczęstszych napięć w firmach, z którymi pracujemy, dotyczy jakości leadów i zgrania obu działów (w literaturze: marketing and sales alignment). Marketing mówi, że wygenerował 200 kontaktów. Sprzedaż mówi, że wartościowych było pięć. Model scoringowy zamienia ten spór w definicję: lead z wynikiem 70 i dopasowaniem powyżej progu to kontakt, który sprzedaż przyjmuje i obsługuje. Sales and marketing teams pracują wtedy na tej samej miarze.

Dane do poprawy procesu. Gdy wiesz, które kryteria mają leady wygrane, a które przegrane, widzisz, gdzie Twój lejek przecieka. To samo źródło danych zasila później prognozowanie. Dobrze oceniony lead na wejściu to bardziej wiarygodna prognoza na wyjściu, co rozwijamy w tekście o prognozowaniu sprzedaży.

Warto też powiedzieć, kiedy scoring jest zbędny. Firma, która dostaje kilka zapytań w miesiącu, obsłuży każde z nich osobiście i punktowanie nic jej nie da. Punktowanie zaczyna się opłacać wtedy, gdy kontaktów jest więcej, niż zespół jest w stanie porządnie obsłużyć w ciągu doby.

Jak działa lead scoring: dopasowanie i zaangażowanie

Każdy dobry model scoringowy ocenia leada w dwóch wymiarach: dopasowanie (kim jest) i zaangażowanie (co robi). Pierwszy wymiar mówi, czy to w ogóle Twój klient. Drugi mówi, czy jest gotowy na rozmowę teraz.

Dopasowanie (ang. fit) to zgodność leada z profilem idealnego klienta. Liczą się tu cechy firmy i osoby: branża, wielkość firmy, region, stanowisko, rodzaj potrzeby. Te dane zmieniają się rzadko.

Zaangażowanie (ang. engagement) to zachowanie leada: prośba o wycenę, wizyty na stronie oferty, udział w webinarze, pobranie materiału, odpowiedź na wiadomość. Te dane zmieniają się z tygodnia na tydzień.

Rozdzielenie obu wymiarów ma duże znaczenie. Wysokie zaangażowanie przy słabym dopasowaniu to zwykle student piszący pracę dyplomową albo konkurencja sprawdzająca ofertę. Wysokie dopasowanie przy zerowym zaangażowaniu to dobra firma, która jeszcze Cię nie szuka. Obie sytuacje wymagają innej reakcji.

Z połączenia obu wymiarów powstaje prosta macierz:

Tak samo działają popularne narzędzia. W HubSpot lead scoring rozdziela wynik dopasowania (fit score), wynik zaangażowania (engagement score) i wynik łączony. Wynik łączony opisuje się kodem od A1 do C3: litera oznacza dopasowanie (A to najwyższe), a cyfra zaangażowanie (1 to najwyższe). Lead oznaczony A1 to kontakt, na który handlowiec powinien czekać przy telefonie.

Jak zbudować prosty lead scoring model krok po kroku?

Prosty lead scoring model zbudujesz w sześciu krokach, bez specjalistycznego oprogramowania. Wystarczy CRM z polami punktowymi, a na start nawet arkusz kalkulacyjny.

Krok 1. Przejrzyj ostatnie wygrane i przegrane transakcje. Weź 20-30 ostatnich klientów i tyle samo leadów, które odpadły. Wypisz, co je różniło: branża, wielkość firmy, kto pierwszy się odezwał, co zrobił przed kontaktem. To jest materiał na scoring criteria, czyli kryteria punktowania.

Krok 2. Opisz profil idealnego klienta. Na podstawie kroku 1 ustal 4-6 cech dopasowania. Jeśli najlepsi klienci to firmy produkcyjne zatrudniające 50-500 osób, gdzie rozmowę prowadzi właściciel lub dyrektor, to jest Twój profil.

Krok 3. Wybierz zachowania, które poprzedzają zakup. Najmocniejszym sygnałem jest zawsze bezpośrednia prośba o kontakt lub wycenę. Słabsze sygnały to wizyty na stronach oferty, udział w webinarze, pobranie materiału branżowego.

Krok 4. Przypisz punkty. Najwyższe wartości dostają kryteria, które najlepiej odróżniały wygrane od przegranych w kroku 1. Ustal limit punktów dla każdej grupy, żeby jedna aktywność powtórzona dziesięć razy nie wypchnęła leada na szczyt listy.

Krok 5. Ustal progi. Określ, przy jakim wyniku lead trafia do handlowca i co dzieje się z kontaktami poniżej progu. Szczegóły w następnej sekcji.

Krok 6. Sprawdź model na danych historycznych i poprawiaj co kwartał. Policz, jaki wynik dostaliby Twoi ostatni klienci. Jeśli wygrane transakcje mają wyniki zbliżone do przegranych, kryteria są źle dobrane.

Przykładowe kryteria punktowania (scoring criteria)

Poniżej przykładowa tabela punktów dla firmy B2B sprzedającej usługi lub produkty średnim firmom. To ilustracja sposobu myślenia. Wagi i kryteria w Twoim modelu muszą wynikać z Twoich danych.

Dlaczego otwarcie maila dostaje zero? Bo część programów pocztowych automatycznie pobiera wiadomości i zawyża otwarcia. To sygnał zbyt słaby, żeby na nim budować kolejność pracy handlowca.

Jak liczyć lead score w tym przykładzie? Dyrektor (15) z firmy produkcyjnej z listy (15), zatrudniającej 120 osób (10), który był na webinarze (10) i poprosił o wycenę (25), ma 75 punktów. Ten sam kontakt bez prośby o wycenę ma 50 i czeka na mocniejszy sygnał.

Jakie progi ustawić: MQL i SQL?

Progi dzielą leady na grupy, a każda grupa ma przypisane działanie. Najczęściej stosuje się dwa progi: MQL i SQL.

MQL (Marketing Qualified Lead), czyli lead zakwalifikowany przez marketing, to kontakt, który pasuje do profilu i wykazał zainteresowanie, ale nie jest jeszcze gotowy na rozmowę handlową. Trafia do dalszej komunikacji: treści, zaproszeń, materiałów.

SQL (Sales Qualified Lead), czyli lead zakwalifikowany do sprzedaży, to kontakt, który spełnia próg wyniku i powinien dostać telefon od handlowca. Przy tej grupie liczy się tempo reakcji.

Przykładowa skala dla modelu z tabeli powyżej:

Zwróć uwagę na warunek „dopasowanie min. 30” przy progu SQL. To zabezpieczenie przed najczęstszym błędem modeli jednowymiarowych: bardzo aktywny kontakt spoza grupy docelowej przekracza próg samym zaangażowaniem. Próg łączony, oparty na obu wymiarach, rozwiązuje ten problem.

Progi wyznaczają też moment przejścia między etapami lejka. Jeśli Twój lejek ma jasno opisane etapy, scoring jest ich naturalnym strażnikiem. Jak te etapy ułożyć, opisujemy w przewodniku po lejku sprzedażowym B2B.

Czym jest scoring negatywny (negative scoring) i wygasanie punktów?

Scoring negatywny (ang. negative scoring) to odejmowanie punktów za cechy i zachowania, które obniżają szansę na zakup. Bez niego model tylko rośnie i po kilku miesiącach wszyscy mają wysokie wyniki.

Typowe powody odjęcia punktów w B2B:

• kontakt z firmy konkurencyjnej (najlepiej wykluczenie z modelu),
• zainteresowanie wyłącznie ofertami pracy (wizyty w zakładce kariery),
• firma poza grupą docelową (za mała, inna branża, region, którego nie obsługujecie),
• rezygnacja z subskrypcji lub prośba o brak kontaktu,
• długi brak aktywności.

Ostatni punkt ma własną nazwę: wygasanie punktów (ang. score decay). Aktywność sprzed roku mówi niewiele o dzisiejszej gotowości do zakupu, więc punkty za zaangażowanie powinny z czasem maleć. HubSpot pozwala ustawić automatyczne obniżanie punktów za zdarzenia co 1, 3, 6 lub 12 miesięcy. W firmie z długim cyklem decyzyjnym rozsądnym startem jest wygaszanie punktów za zaangażowanie po 3-6 miesiącach. Punkty za dopasowanie zostają, bo profil firmy zmienia się rzadko.

Lead score, scoring models, routing: jakie pojęcia spotkasz w narzędziach?

Większość narzędzi i poradników używa terminów angielskich. Poniższa ściąga pomaga odczytać ustawienia w CRM i rozmawiać z dostawcą scoring software na tym samym poziomie.

Scoring and routing warto omówić osobno. Sam wynik niewiele daje, jeśli lead z wynikiem 80 czeka w skrzynce dwa dni. Routing, czyli automatyczne przypisanie leada do konkretnego handlowca z powiadomieniem, zamienia wynik w działanie. W tym miejscu scoring spotyka się z automatyzacją pracy w CRM, którą szerzej opisujemy w tekście o CRM z AI.

Lead scoring z AI (predictive lead scoring): kiedy ma sens?

Lead scoring z AI to model, w którym wagi kryteriów ustala algorytm uczony na historii Twoich leadów. Człowiek nie przypisuje punktów ręcznie. System sam szuka cech, które odróżniały leady zamienione w klientów od tych, które odpadły, i na tej podstawie liczy prawdopodobieństwo sprzedaży dla nowych kontaktów.

Brzmi atrakcyjnie, ale predictive lead scoring ma jeden twardy warunek: potrzebuje danych. Sporo danych.

Ile danych potrzebuje predictive lead scoring?

Dostawcy CRM podają minimalne progi wprost w dokumentacji:

• Salesforce (Einstein Lead Scoring): co najmniej 1000 leadów utworzonych w ciągu ostatnich 200 dni, z czego minimum 120 zamienionych w klienta. Gdy firma nie ma tylu danych, system korzysta z modelu globalnego, zbudowanego na zanonimizowanych danych wielu klientów Salesforce.
• Microsoft Dynamics 365 Sales: co najmniej 40 leadów zakwalifikowanych i 40 zdyskwalifikowanych, utworzonych i zamkniętych w wybranym okresie (od 3 miesięcy do 2 lat). Model można automatycznie douczać co 15 dni.

Te liczby to minimum techniczne, po którego osiągnięciu model w ogóle się uruchomi. Dokumentacja Microsoftu dodaje wprost, że im więcej leadów trafi do nauki modelu, tym lepsze będą prognozy.

Druga rzecz, którą łatwo przeoczyć: model uczy się na statusach zamkniętych leadów. Jeśli handlowcy nie zamykają leadów w CRM albo zamykają je bez powodu, model nie ma z czego się uczyć. W wielu firmach to jest prawdziwe wąskie gardło, większe niż koszt licencji.

Kiedy automated lead scoring z AI ma sens w B2B mid-market?

Weźmy przykładową firmę produkcyjną, która rocznie dostaje 300 zapytań i zamyka 30 transakcji. Nie osiągnie progu Salesforce nawet w skali roku. Próg Microsoftu osiągnie po kilku miesiącach, ale model nauczony na kilkudziesięciu przypadkach będzie niestabilny.

Z naszych obserwacji wynikają trzy warunki, przy których warto rozważyć AI-powered lead scoring oparty na modelu predykcyjnym:

1. Stały, duży napływ leadów, liczony w setkach miesięcznie, i sprzedaż, w której lead szybko staje się klientem albo odpada.
2. Uporządkowany CRM: leady zamykane z powodem, pola wypełnione, spójne definicje statusów.
3. Prosty model już działa, a zespół chce go doprecyzować. Predykcja najlepiej sprawdza się jako poprawka działającego systemu.

Jeśli nie spełniasz tych warunków, prosty model punktowy z poprzednich sekcji da Ci uporządkowaną kolejność pracy przy ułamku kosztu i ryzyka.

Gdzie AI pomaga w ocenie leadów bez modelu predykcyjnego?

Sztuczna inteligencja przydaje się w scoringu także wtedy, gdy danych jest mało. Działa wtedy jako pomocnik w lead research, czyli zbieraniu informacji o leadzie:

• Uzupełnianie danych o dopasowaniu. Model językowy czyta stronę firmy, profil na LinkedIn i ogłoszenia, a potem wpisuje do CRM branżę, wielkość i profil działalności. Kryteria dopasowania przestają być puste.
• Czytanie treści zapytania. AI ocenia, czy wiadomość z formularza opisuje konkretną potrzebę, czy jest ogólnym pytaniem, i dopisuje punkty za intencję.
• Wychwytywanie sygnałów zakupowych. Zmiany w firmie, rekrutacje czy nowe inwestycje mogą podnosić wynik zaangażowania, zanim lead sam się odezwie. Szerzej piszemy o tym w tekście o AI w generowaniu leadów, czyli o tym, jak AI zmienia lead generation.

To zastosowania, które działają także przy kilkudziesięciu leadach miesięcznie. O tym, gdzie jeszcze AI realnie przyspiesza pracę handlowców, piszemy w przewodniku po AI w sprzedaży.

Jak połączyć scoring z rozmową kwalifikacyjną (lead qualification)?

Wynik punktowy wskazuje, z kim rozmawiać najpierw. O tym, czy lead jest szansą sprzedażową, rozstrzyga rozmowa kwalifikacyjna. Nazywamy to modelem dwóch bramek: pierwsza bramka to wynik punktowy oparty na danych, druga to rozmowa oparta na faktach usłyszanych od klienta.

Druga bramka sprawdza cztery rzeczy:

1. Oczekiwania. Jaki problem klient chce rozwiązać i jaki efekt uzna za sukces.
2. Decyzyjność. Kto podejmuje decyzję i kto jeszcze ma na nią wpływ.
3. Budżet. Czy firma ma środki albo wie, skąd je weźmie.
4. Zakontraktowany następny krok. Konkretny termin, uczestnicy i cel kolejnego spotkania, potwierdzone przez obie strony.

Czwarty punkt najczęściej pomija się w klasycznych metodach kwalifikacji. Lead, z którym „jesteśmy w kontakcie”, bez ustalonego następnego kroku, to w rzeczywistości lead, który nie jest w lejku.

Dlaczego rozmowa potrzebuje skryptu i narzędzia?

Rozmowa kwalifikacyjna ma słaby punkt: ocenę handlowca. Jakub Bujakowski w podcaście „Co Działa” przywołuje przykład z zakupu samochodu. Klient w salonie Volvo był zajęty i szorstki, więc handlowiec uznał, że nie jest zainteresowany. Nastrój klienta nic nie mówił o jego oczekiwaniach, decyzyjności ani budżecie. Handlowiec ocenił „feeling” zamiast faktów.

Dlatego zalecamy dwa elementy:

• Skrypt rozmowy z pytaniami o cztery kryteria. Handlowiec może prowadzić rozmowę swobodnie, ale wie, jakie informacje musi zebrać.
• Narzędzie, które podpowiada i kwalifikuje. Oprogramowanie analizujące rozmowę pokazuje, czy handlowiec idzie według skryptu, i ocenia kwalifikację na podstawie tego, co padło w rozmowie. Ocena opiera się na odpowiedziach klienta, więc zły dzień rozmówcy przestaje dyskwalifikować dobrego leada.

Wynik rozmowy wraca do scoringu. Lead zakwalifikowany albo zdyskwalifikowany z konkretnym powodem to dokładnie te dane, których potrzebuje Twój przyszły model predykcyjny. Firma, która dziś porządnie zamyka rozmowy kwalifikacyjne, za rok ma materiał do nauki modelu.

Jeśli chcesz, żeby zespół sprzedaży samodzielnie korzystał z takich narzędzi, przygotowujemy szkolenia AI dla handlowców i działów sprzedaży: porozmawiajmy o szkoleniu dla Twojego zespołu.

Jakie błędy psują model scoringowy (lead scoring model)?

Model scoringowy psuje się zwykle z tych samych powodów. Oto sześć błędów, które widzimy najczęściej.

1. Punkty wymyślone przy biurku. Wagi ustalone na wyczucie, bez przejrzenia wygranych i przegranych transakcji. Model mierzy wtedy przekonania zespołu, a jakość leadów (lead quality) zostaje nieznana.

2. Jeden wymiar zamiast dwóch. Model liczy tylko zaangażowanie. Najwyżej na liście lądują najbardziej aktywni. Najlepiej dopasowani giną w środku stawki.

3. Brak scoringu negatywnego i wygasania. Wyniki tylko rosną, po pół roku każdy lead ma 90 punktów i lista przestaje cokolwiek sortować.

4. Handlowcy nie ufają wynikowi. Jeśli sprzedaż nie brała udziału w budowie modelu, ignoruje go i wraca do własnej intuicji. Handlowcy muszą współtworzyć kryteria, inaczej model zostanie martwym polem w CRM.

5. Wynik bez działania. Lead przekracza próg SQL, ale nikt nie dostaje powiadomienia. Pamiętaj o danych HBR: po godzinie szansa na kwalifikację wyraźnie spada.

6. Model ustawiony raz na zawsze. Zmienia się oferta, rynek i kanały pozyskania, a kryteria zostają te same. Model scoringowy wymaga przeglądu co kwartał: porównania wyników z faktycznymi wygranymi.

Kiedy lead scoring nie zadziała?

Są sytuacje, w których lepiej odłożyć budowę modelu i zająć się czymś innym.

Gdy leadów jest mało. Kilka zapytań w miesiącu obsłużysz lepiej osobistą uwagą. Scoring jest narzędziem do ustalania kolejności, a przy kilku kontaktach kolejność nie jest problemem.

Gdy sprzedaż nie ma opisanego procesu sprzedaży (sales process). Scoring decyduje, kiedy lead przechodzi dalej. Jeśli nie wiadomo, dokąd przechodzi i kto go przejmuje, punkty nic nie zmienią.

Gdy dane w CRM są niekompletne. Model dopasowania oparty na pustych polach przyznaje wszystkim zero. Najpierw uzupełnij dane albo zaplanuj, jak AI ma je uzupełniać.

Gdy sprzedaż opiera się na kilku dużych kontraktach rocznie. Przy kilkunastu kluczowych klientach na rynku lepiej sprawdza się indywidualne planowanie relacji z każdym z nich niż punktowanie.

Gdy oczekujesz, że model zastąpi rozmowę. Nawet najlepszy model predykcyjny szacuje prawdopodobieństwo. Kwalifikację zamyka człowiek, który zadaje właściwe pytania.

FAQ

Co to jest lead scoring w prostych słowach?

To przyznawanie potencjalnym klientom punktów za to, kim są i co robią. Wynik mówi handlowcom, z kim rozmawiać najpierw.

Jak oblicza się lead score?

Sumuje się punkty za kryteria dopasowania (np. branża, wielkość firmy, stanowisko) i zaangażowania (np. prośba o wycenę, udział w webinarze), a następnie odejmuje punkty ujemne. Wynik porównuje się z progami MQL i SQL.

Jak działa scoring leadów w CRM?

CRM przelicza wynik automatycznie po każdej zmianie danych lub nowej aktywności leada. Po przekroczeniu progu może przypisać leada do handlowca i wysłać mu powiadomienie.

Czym różni się lead scoring od kwalifikacji leadów?

Lead scoring to automatyczna ocena na podstawie danych. Kwalifikacja leadów to decyzja podejmowana po rozmowie, która sprawdza oczekiwania, decyzyjność, budżet i następny krok. Scoring ustala kolejność, kwalifikacja rozstrzyga.

Jak wykorzystać AI do lead scoringu?

Przy dużej liczbie leadów AI może samodzielnie ustalić wagi kryteriów (scoring predykcyjny). Przy mniejszej skali AI najlepiej sprawdza się w uzupełnianiu danych o firmach, czytaniu treści zapytań i analizie rozmów kwalifikacyjnych.

Czy mała firma potrzebuje punktowej oceny leadów?

Jeśli zespół obsługuje wszystkie zapytania w ciągu doby, scoring nie jest potrzebny. Staje się przydatny, gdy kontaktów jest więcej, niż handlowcy mogą porządnie obsłużyć.

Czy scoring leadów można prowadzić w Excelu?

Na start tak. Arkusz wystarczy, żeby sprawdzić kryteria na danych historycznych. Przy regularnym napływie leadów lepiej przenieść model do CRM, który przelicza wynik automatycznie.

Jak często aktualizować model scoringowy?

Przegląd raz na kwartał i zawsze po zmianie oferty, grupy docelowej lub głównego kanału pozyskania leadów.

Najważniejsze wnioski

• Lead scoring, czyli punktowa ocena leadów, ustala kolejność pracy handlowców. Łączy dopasowanie (kim jest lead) z zaangażowaniem (co robi).
• Prosty model punktowy wystarcza większości firm B2B mid-market. Buduje się go na podstawie wygranych i przegranych transakcji, z limitem punktów w każdej grupie.
• Dwa progi porządkują pracę: MQL trafia do dalszej komunikacji, SQL do handlowca w ciągu kilku godzin. Próg SQL warto oprzeć na obu wymiarach.
• Scoring negatywny i wygasanie punktów chronią model przed inflacją wyników.
• Lead scoring z AI wymaga danych: od 40 zakwalifikowanych i 40 zdyskwalifikowanych leadów w Dynamics 365 do 1000 leadów i 120 konwersji w Salesforce. Bez uporządkowanego CRM model nie ma z czego się uczyć.
• Model dwóch bramek: wynik punktowy wskazuje, z kim rozmawiać, a rozmowa kwalifikacyjna sprawdza oczekiwania, decyzyjność, budżet i zakontraktowany następny krok.

Źródła

• J. B. Oldroyd, K. McElheran, D. Elkington, „The Short Life of Online Sales Leads”, Harvard Business Review, marzec 2011: https://hbr.org/2011/03/the-short-life-of-online-sales-leads
• Salesforce Help, „Considerations for Setting Up Einstein Lead Scoring”: https://help.salesforce.com/s/articleView?id=sf.einstein_sales_els_setup_considerations.htm&language=en_US&type=5
• Microsoft Learn, „Configure predictive lead scoring” (Dynamics 365 Sales): https://learn.microsoft.com/en-us/dynamics365/sales/configure-predictive-lead-scoring
• HubSpot Knowledge Base, „Overview of the lead scoring tool”: https://knowledge.hubspot.com/scoring/understand-the-lead-scoring-tool
• Jakub Bujakowski, podcast „Co Działa”, „Gdzie AI naprawdę pomaga w sprzedaży B2B?”: https://www.youtube.com/watch?v=Bq-gMYYeDjU

Autor

Jakub Bujakowski

Założyciel LeadMasters · ekspert pozyskiwania klientów B2B

Buduję dla firm B2B kompletne systemy pozyskiwania klientów: od precyzyjnego profilu klienta i baz, przez cold mailing i LinkedIn, po proces sprzedaży i pomiar. Zamiast pojedynczych kampanii układam powtarzalne maszyny, które dowożą leady miesiąc po miesiącu. Praktyką dzielę się na kanale YouTube.

LinkedIn
YouTube