Lead scoring — это структурированная методология, используемая отделами маркетинга и продаж для ранжирования потенциальных клиентов на основе их вероятности превращения в платящих клиентов. Присваивая числовые значения демографическим характеристикам и цифровому поведению, организации выявляют лиды с высоким намерением, требующие немедленного контакта с отделом продаж, в то время как контакты с более низким баллом развиваются с помощью автоматизированных email-кампаний.
При правильном внедрении lead scoring создает общий язык между командами по доходам. Вместо того чтобы передавать каждую заявку из формы напрямую менеджеру по работе с клиентами, маркетинг отфильтровывает не подтвержденные или низкоинтенсивные лиды, экономя драгоценные часы работы отдела продаж.
Почему большинство моделей lead scoring не могут завоевать доверие отдела продаж?
Основная причина, по которой отделы продаж игнорируют баллы лидов, — это объем ложноположительных результатов. Когда менеджер связывается с квалифицированным лидом, который оказывается студентом, пишущим работу, или конкурентом, проверяющим цены, доверие к системе быстро испаряется.
Этот сбой часто происходит из-за того, что маркетинг настраивает систему баллов изолированно. Маркетологи склонны переоценивать вовлеченность в верхней части воронки, такую как скачивание вводной электронной книги или чтение трех постов в блоге, при этом недооценивая демографическое соответствие. Лид может прочитать каждую статью на вашем сайте, но если у него нет покупательной способности или он принадлежит к отрасли вне вашего целевого рынка, он никогда не купит ваш продукт.
Еще одна частая ошибка — отсутствие затухания баллов. Потенциальный клиент, который посетил пять страниц продуктов шесть месяцев назад, сегодня уже не является активным покупателем. Без автоматизированного механизма вычитания баллов с течением времени неактивные аккаунты остаются искусственно завышенными в начале очередей продаж.
Явные и неявные сигналы: какие точки данных имеют значение?
Построение надежной архитектуры скоринга требует баланса между явными и неявными данными. Явные данные состоят из информации, предоставленной потенциальным клиентом напрямую через поля формы или обогащенной с помощью B2B-инструментов данных, таких как Clearbit или ZoomInfo.
Неявные данные отражают наблюдаемое цифровое поведение. Это включает отслеживание веб-трафика, взаимодействие с электронной почтой, участие в мероприятиях и использование пробных версий продуктов. В то время как явные данные определяют, может ли потенциальный клиент купить, неявные данные сигнализируют о том, хочет ли он купить прямо сейчас.
В типичном сценарии B2B-программного обеспечения явные атрибуты устанавливают базовый балл соответствия. Например, если ваш идеальный профиль клиента нацелен на компании с более чем 100 сотрудниками, лиды, соответствующие этим критериям, получают более высокие базовые баллы еще до того, как будет зафиксировано какое-либо поведение на веб-сайте.
Как вы рассчитываете и присваиваете баллы лидам?
Чтобы построить функциональную матрицу распределения баллов, начните с анализа исторических данных о закрытых сделках в вашей CRM. Посмотрите на общие характеристики аккаунтов, которые были успешно закрыты за последние двенадцать месяцев.
Присваивайте положительные значения на основе силы намерения покупателя и соответствия. Высокоспецифичные действия, такие как запрос живой демонстрации или двукратный просмотр таблицы цен в течение 48 часов, имеют значительно больший вес, чем общее вовлечение, например, клик по ссылке в email-рассылке.
- Должность содержит ‘VP’, ‘Director’ или ‘C-Level’: +25 баллов
- Размер компании от 50 до 500 сотрудников: +20 баллов
- Страница цен посещена более двух раз за 7 дней: +15 баллов
- Запрошена индивидуальная демонстрация продукта: +30 баллов
- Скачан образовательный PDF: +5 баллов
- Домен личного адреса электронной почты (например, gmail.com): -20 баллов
Что такое отрицательный lead scoring и почему он необходим?
Отрицательный lead scoring — это практика вычитания баллов из общего счета лида, когда он демонстрирует поведение или характеристики, указывающие на низкую вероятность конверсии. Он служит автоматизированным фильтром для защиты эффективности работы менеджеров по продажам.
К распространенным триггерам отрицательного скоринга относятся просмотр страниц карьеры, отписка от списков рассылки, ввод общих личных доменов электронной почты в закрытых формах или длительная неактивность. Настройка автоматизированного вычитания баллов предотвращает бесконечное нахождение лидов в квалифицированных статусах.
Например, вы можете настроить правило в HubSpot или Salesforce Marketing Cloud, которое вычитает 10 баллов, если контакт не посещал ваш сайт или не открывал электронное письмо в течение 30 дней. Повторение этого вычитания ежемесячно гарантирует, что бывшие «горячие» потенциальные клиенты плавно переходят в кампании по повторному вовлечению.
Установление порога передачи MQL
Порог Marketing Qualified Lead (MQL) — это конкретный балл, который должен набрать потенциальный клиент, прежде чем он будет автоматически направлен менеджеру по продажам. Установка этого порога слишком низко приводит к усталости отдела продаж, а слишком высоко — к упущенным возможностям.
Практическая отправная точка — протестировать порог около 100 баллов, структурированный так, чтобы потенциальный клиент не мог достичь статуса MQL только за счет поведенческого вовлечения. Он должен обладать минимальным уровнем целевого демографического соответствия в сочетании с активным вовлечением с высоким намерением.
- Шаг 1: Лид достигает или превышает 100 баллов в CRM.
- Шаг 2: Автоматизация меняет стадию жизненного цикла на MQL и запускает правила назначения лидов.
- Шаг 3: Менеджер по работе с клиентами получает автоматическое уведомление с контекстом активности и явными атрибутами.
- Шаг 4: Менеджер по продажам должен принять или отклонить лид в рамках установленного соглашения об уровне обслуживания (например, 24 часа).
- Шаг 5: Отклоненные лиды запускают обязательный код обратной связи (например, ‘Плохое соответствие’, ‘Нет бюджета’, ‘Конкурент’).
Итерация вашей модели скоринга с помощью циклов обратной связи
Модель lead scoring никогда не бывает статической. Рыночные условия меняются, поведение покупателей развивается, а позиционирование продукта меняется со временем. Установление ежемесячной встречи по согласованию между менеджерами по продажам и маркетологами по генерации спроса гарантирует, что модель отражает реальные результаты продаж.
Во время этих сессий анализа проанализируйте коэффициенты конверсии из MQL в Sales Accepted Lead (SAL) и Sales Qualified Opportunity (SQO). Если менеджеры по продажам отклоняют более 20% MQL, просмотрите недавно отклоненные контакты, чтобы выявить общие закономерности.
Если менеджеры сообщают, что лиды из определенной кампании не имеют полномочий на покупку, несмотря на высокие баллы, уменьшите значения баллов, связанные со скачиванием контента этой кампании. Alien Road рекомендует корректировать правила баллов постепенно, небольшими шагами, чтобы изолировать эффект каждой корректировки.
Что сделать на этой неделе, чтобы запустить вашу модель
Начните с планирования 45-минутной встречи с вашим руководителем отдела продаж для аудита прошлых закрытых сделок. Определите три основные должности и два основных действия с высоким намерением, которые характеризовали ваших лучших клиентов за последний год.
Затем составьте простую матрицу баллов в таблице, используя правила явного, неявного и отрицательного скоринга, прежде чем настраивать что-либо в панели CRM. Протестируйте эту матрицу вручную на двадцати недавно конвертированных сделках и двадцати потерянных или застрявших лидах, чтобы увидеть, эффективно ли баллы разделяют потенциальных клиентов с высокой ценностью.
После проверки внедрите критерии скоринга в вашу CRM, четко сообщите критерии порога вашей команде продаж и установите напоминание в календаре для проверки первоначальных данных о конверсии через тридцать дней.
Читайте далее: CRM-система · B2B-маркетинг