Lead scoring, pazarlama ve satış ekipleri tarafından potansiyel müşterileri ödeme yapan müşterilere dönüşme olasılıklarına göre sıralamak için kullanılan yapılandırılmış bir metodolojidir. Demografik özelliklere ve dijital davranışlara sayısal değerler atayarak, kuruluşlar acil satış teması gerektiren yüksek niyetli lead’leri belirlerken, daha düşük puanlı kişileri otomatik e-posta kampanyalarıyla beslerler.
Doğru uygulandığında, lead scoring gelir ekipleri arasında ortak bir dil oluşturur. Her form gönderimini doğrudan bir hesap yöneticisine iletmek yerine, pazarlama doğrulanmamış veya düşük niyetli lead’leri filtreleyerek değerli satış saatlerinden tasarruf sağlar.
Neden çoğu lead scoring modeli satış güvenini kazanmakta başarısız olur?
Satış ekiplerinin lead puanlarını görmezden gelmesinin temel nedeni yanlış pozitiflerin hacmidir. Bir satış temsilcisi, araştırma yapan bir öğrenci veya fiyatları kontrol eden bir rakip olduğu ortaya çıkan nitelikli bir lead ile temasa geçtiğinde, sisteme olan güven hızla buharlaşır.
Bu kopukluk genellikle pazarlamanın puan sistemini izole bir şekilde yapılandırmasından kaynaklanır. Pazarlamacılar, giriş seviyesinde bir e-kitap indirmek veya üç blog yazısı okumak gibi huni üstü etkileşimi aşırı değerlendirme, demografik uygunluğu ise hafife alma eğilimindedir. Bir lead web sitenizdeki her makaleyi okuyabilir, ancak satın alma gücü yoksa veya hedef pazarınızın dışında bir sektöre aitse, ürününüzü asla satın almayacaktır.
Sık yapılan bir diğer hata ise puan düşüşünün olmamasıdır. Altı ay önce beş ürün sayfasına bakan bir potansiyel müşteri bugün artık aktif bir alıcı değildir. Zamanla puan düşürmek için otomatik bir mekanizma olmadan, aktif olmayan hesaplar satış kuyruklarının başında yapay olarak şişirilmiş halde kalır.
Explicit ve implicit sinyaller: Hangi veri noktaları önemlidir?
Güvenilir bir scoring mimarisi oluşturmak, explicit verileri implicit verilerle dengelemeyi gerektirir. Explicit veriler, potansiyel müşteri tarafından doğrudan form alanları aracılığıyla sağlanan veya Clearbit veya ZoomInfo gibi B2B veri araçları aracılığıyla zenginleştirilen bilgilerden oluşur.
Implicit veriler gözlemlenen dijital davranışı yansıtır. Buna web trafiğinin izlenmesi, e-posta etkileşimleri, etkinlik katılımı ve ürün deneme kullanımı dahildir. Explicit veriler bir potansiyel müşterinin satın alıp alamayacağını belirlerken, implicit veriler şu anda satın almak isteyip istemediklerini sinyaller.
Tipik bir B2B yazılım senaryosunda, explicit öznitelikler temel uygunluk puanını belirler. Örneğin, ideal müşteri profiliniz 100’den fazla çalışanı olan şirketleri hedefliyorsa, bu kriterleri karşılayan lead’ler herhangi bir web sitesi davranışı kaydedilmeden önce daha yüksek temel puanlar alırlar.
Lead puanlarını nasıl hesaplar ve atarsınız?
İşlevsel bir puan dağılım matrisi oluşturmak için CRM’inizdeki geçmiş kapalı-kazanılmış anlaşma verilerini inceleyerek başlayın. Son on iki ay içinde başarıyla kapatılan hesapların ortak özelliklerine bakın.
Alıcı niyeti gücüne ve uygunluğa göre pozitif değerler atayın. Canlı bir demo talep etmek veya fiyat tablosunu 48 saat içinde iki kez görüntülemek gibi son derece spesifik eylemler, e-posta bülteni bağlantısına tıklamak gibi genel etkileşimlerden önemli ölçüde daha yüksek ağırlığa sahiptir.
- İş unvanı ‘VP’, ‘Direktör’ veya ‘C-Level’ içeriyor: +25 puan
- Şirket büyüklüğü 50 ile 500 çalışan arası: +20 puan
- Fiyatlandırma sayfası 7 gün içinde ikiden fazla ziyaret edildi: +15 puan
- Özel Ürün Demosu talep edildi: +30 puan
- Eğitici PDF indirildi: +5 puan
- Kişisel e-posta adresi alanı (örn. gmail.com): -20 puan
Negatif lead scoring nedir ve neden gereklidir?
Negatif lead scoring, bir lead düşük dönüşüm olasılığı gösteren davranışlar veya özellikler sergilediğinde toplam puanından puan düşme uygulamasıdır. Satış temsilcisi verimliliğini korumak için otomatik bir filtre görevi görür.
Yaygın negatif scoring tetikleyicileri arasında kariyer sayfalarını görüntülemek, e-posta listelerinden abonelikten çıkmak, kapalı formlara genel kişisel e-posta alanları girmek veya uzun süre aktif kalmamak yer alır. Otomatik puan düşüşleri ayarlamak, lead’lerin süresiz olarak nitelikli durumlarda kalmasını önler.
Örneğin, HubSpot veya Salesforce Marketing Cloud’da bir kontağın 30 gün boyunca web sitenizi ziyaret etmediği veya bir e-posta açmadığı durumlarda 10 puan düşen bir kural yapılandırabilirsiniz. Bu düşüşü aylık olarak tekrarlamak, eski sıcak potansiyel müşterilerin yeniden etkileşim kampanyalarına nazikçe geri dönmesini sağlar.
MQL Handoff Eşiğini Belirleme
Pazarlama Nitelikli Lead (MQL) eşiği, bir potansiyel müşterinin bir satış temsilcisine otomatik olarak yönlendirilmeden önce ulaşması gereken belirli puandır. Bu eşiği çok düşük tutmak satış yorgunluğuna, çok yüksek tutmak ise kaçırılan fırsatlara yol açar.
Pratik bir başlangıç temeli, 100 puan civarında bir puan eşiğini test etmektir; bu, bir potansiyel müşterinin yalnızca davranışsal etkileşim yoluyla MQL durumuna ulaşamayacağı şekilde yapılandırılmıştır. Aktif yüksek niyetli etkileşimle birleştirilmiş minimum düzeyde hedef demografik uygunluğa sahip olmaları gerekir.
- Adım 1: Lead CRM’de 100 puana ulaşır veya geçer.
- Adım 2: Otomasyon yaşam döngüsü aşamasını MQL olarak değiştirir ve lead atama kurallarını tetikler.
- Adım 3: Hesap yöneticisi, etkinlik bağlamı ve explicit özniteliklerle otomatik bir bildirim alır.
- Adım 4: Satış temsilcisi, belirlenen hizmet düzeyi anlaşması dahilinde (örn. 24 saat) lead’i kabul etmeli veya reddetmelidir.
- Adım 5: Reddedilen lead’ler zorunlu bir geri bildirim kodunu tetikler (örn. ‘Kötü Uygunluk’, ‘Bütçe Yok’, ‘Rakip’).
Scoring modelinizi geri bildirim döngüleri ile yineleme
Bir lead scoring modeli asla statik değildir. Piyasa koşulları değişir, alıcı davranışları gelişir ve ürün konumlandırması zamanla değişir. Satış yöneticileri ve talep oluşturma pazarlamacıları arasında aylık uyum toplantısı düzenlemek, modelin gerçek dünya satış sonuçlarını yansıtmasını sağlar.
Bu inceleme oturumları sırasında, MQL’den Satış Kabul Edilmiş Lead’e (SAL) ve Satış Nitelikli Fırsata (SQO) dönüşüm oranlarını analiz edin. Satış temsilcileri MQL’lerin %20’sinden fazlasını reddederse, ortak kalıpları belirlemek için yakın zamanda reddedilen kontakları inceleyin.
Temsilciler, belirli bir kampanyadan gelen lead’lerin yüksek puanlara rağmen satın alma yetkisine sahip olmadığını bildirirse, o kampanyanın içerik indirmeleriyle ilişkili puan değerlerini azaltın. Alien Road, her bir ayarlamanın etkisini izole etmek için puan kurallarını kademeli olarak küçük artışlarla ayarlamanızı önerir.
Modelinizi başlatmak için bu hafta ne yapmalı
Geçmiş kapalı anlaşmaları denetlemek için satış liderinizle 45 dakikalık bir başlangıç toplantısı planlayarak başlayın. Geçtiğimiz yıl en iyi müşterilerinizi karakterize eden ilk üç iş unvanını ve ilk iki yüksek niyetli eylemi belirleyin.
Ardından, CRM panelinizde herhangi bir şeyi yapılandırmadan önce bir elektronik tabloda explicit, implicit ve negatif scoring kurallarını kullanarak basit bir puan rubriği hazırlayın. Bu rubriği, puanların yüksek değerli potansiyel müşterileri etkili bir şekilde ayırıp ayırmadığını görmek için yirmi yeni dönüştürülmüş anlaşma ve yirmi kaybedilmiş veya durmuş lead’e karşı manuel olarak test edin.
Doğrulandıktan sonra, scoring kriterlerini CRM’inizde uygulayın, eşik kriterlerini satış ekibinize net bir şekilde iletin ve otuz gün sonra ilk dönüşüm verilerini gözden geçirmek için bir takvim hatırlatıcısı ayarlayın.
Okumaya devam edin: CRM Sistemi · B2B Pazarlama