AI-скоринг лидов: как не тратить время на холодных клиентов

В одной алматинской компании, занимающейся продажей промышленного оборудования, работал менеджер Ерлан. Каждое утро он открывал CRM и видел список из 40-50 новых заявок. Казалось бы, праздник — клиенты идут рекой. Но к обеду энтузиазм испарялся.

Из этих 50 заявок примерно 15 оставляли студенты, которые «пишут курсовую про рынок оборудования». Ещё 10 — конкуренты, которые притворялись клиентами, чтобы узнать цены. Штук 8 — люди, которые искали б/у технику, хотя компания работала только с новой. И ещё 5 — те, кто случайно нажал «отправить» вместо «закрыть».

В итоге реальных клиентов с бюджетом и потребностью было человек 10-12. Но Ерлан узнавал об этом только после того, как обзвонил всех остальных. К тому времени горячие клиенты уже остывали — или уходили к конкурентам, которые ответили быстрее.

Эта история — не исключение. Это реальность большинства отделов продаж в Казахстане. И именно эту проблему решает AI-скоринг лидов.

Проблема: менеджеры тратят 70% времени на нецелевых клиентов

Обычный день менеджера: пришёл на работу, открыл CRM — 30 новых заявок. Хорошо? Вроде да. Начинает обзванивать по порядку или как придётся.

Первый не берёт трубку. Второй: «Я уже купил у других». Третий: «Откуда у вас мой номер?». Четвёртый хотел только цену глянуть. Пятый вообще из России, случайно на казахстанский сайт попал.

И где-то на 15-м звонке попадается реальный клиент. Директор строительной компании, которому срочно нужно оборудование. Но менеджер уже устал, энергия на нуле, а клиент чувствует это по голосу.

Математика простая. Если ваш менеджер получает 100 000 тенге в месяц и тратит 70% времени на нецелевые контакты — вы платите 70 000 тенге за работу, которая не приносит денег. Умножьте на количество менеджеров и на 12 месяцев. Цифра получается внушительная.

Что такое lead scoring и зачем он нужен

Lead scoring — это система оценки лидов по шкале от 0 до 100 (или любой другой). Чем выше балл — тем вероятнее, что этот человек станет клиентом.

Скоринг придумали не вчера — ещё в 90-х в Штатах маркетологи вручную раздавали баллы по анкете. Директор? Плюс 10. Компания больше 100 человек? Ещё 15. Корпоративная почта вместо gmail? Накиньте 5.

Проблема в том, что такой «традиционный» скоринг работал в мире, где информации было мало. Сегодня клиент может написать вам в WhatsApp, задать три вопроса в чате на сайте, позвонить и поговорить 10 минут, а потом оставить заявку. И в каждом из этих касаний он оставляет сигналы о своих намерениях.

Традиционный скоринг эти сигналы не видит. Он смотрит только на анкету: заполнил ли человек поле «Компания», указал ли должность. Но что, если человек написал «Директор», а на самом деле он студент, который так пошутил?

Традиционный скоринг vs AI-скоринг: в чём разница

Давайте разберём на конкретном примере. Представьте, что вам приходит две заявки.

По традиционному скорингу первая заявка — явный приоритет. Но давайте посмотрим, что написали эти люди в чате перед отправкой заявки.

Видите разницу? Айдар — не лицо, принимающее решение. Он собирает информацию для отчёта, который будет через три месяца. Может, к тому времени компания вообще передумает.

А Марат, несмотря на скудную анкету, — горячий клиент. У него есть боль («заявки теряются»), есть срочность («до конца недели»), есть полномочия («директор сказал разобраться») и готовность действовать («готов завтра созвониться»).

Какие данные анализирует AI-скоринг

Чтобы понять, насколько «горяч» лид, AI смотрит на множество сигналов. Часть из них очевидна, часть — скрыта от человеческого глаза.

1. Текст обращения

Это главный источник информации. AI анализирует не просто ключевые слова, а смысл. Он понимает разницу между «хочу узнать цену» и «нам срочно нужно решение».

Вот примеры фраз и как AI их интерпретирует:

2. Поведение на сайте

Если CRM интегрирована с аналитикой сайта, AI видит, какие страницы посещал человек перед заявкой. Смотрел прайс-лист? Хороший знак. Изучал раздел «Для enterprise»? Отлично, потенциально крупный клиент. Провёл на сайте 15 секунд и сразу оставил заявку? Скорее всего, это спам или случайность.

3. История касаний

AI помнит, если этот клиент уже обращался раньше. Повторное обращение — сильный сигнал интереса. Особенно если человек возвращается через месяц после первого контакта. Значит, думал, сравнивал, и всё равно вернулся к вам.

4. Источник заявки

Откуда пришёл клиент? С контекстной рекламы по запросу «купить CRM Алматы» — один скор. С поста в Instagram про «бесплатные инструменты для бизнеса» — другой. AI учится понимать, какие источники приводят платящих клиентов, а какие — туристов.

5. Данные о компании

Если указана компания, AI может обогатить информацию из открытых источников. Размер компании, отрасль, наличие других продуктов вашей категории. Это помогает оценить потенциальный чек и вероятность покупки.

Как обучается модель скоринга

Главное, что нужно понять: AI-скоринг — не коробочное решение, которое одинаково для всех. Модель тренируется на ваших сделках, на ваших клиентах, на вашей специфике.

Новый менеджер первые пару месяцев тоже не понимает, кто у вас покупает, а кто просто «погулять зашёл». Потом нарабатывает чутьё. AI делает то же самое, только за пару дней вместо месяцев.

Вот как это устроено:

Важный момент: для начала работы не нужны терабайты данных. Достаточно 100-200 закрытых сделок (как успешных, так и проигранных), чтобы модель начала давать полезные результаты. А дальше она улучшается с каждым новым лидом.

Если данных совсем мало — можно начать с базовой модели, которая использует общие паттерны B2B-продаж. Она будет менее точной для вашей специфики, но всё равно лучше, чем случайный порядок обзвона.

Что означает скор: интерпретация результатов

Итак, система присвоила лиду 85 баллов. Что это значит? Он точно купит? Нет, так не работает.

Скор — это вероятность, выраженная в баллах. 85 баллов означает, что лиды с похожими характеристиками в прошлом покупали в 85% случаев. Это не гарантия, но очень сильный сигнал.

Вот как обычно интерпретируются скоры:

Эти пороги — не догма. Они настраиваются под вашу воронку. Если у вас сложный продукт с длинным циклом продажи, граница «горячего» может быть 60 баллов. Если продукт простой и решение принимается быстро — 80.

Главное правило: пороги нужно калибровать на реальных данных. Запустили скоринг, поработали месяц, посмотрели: лиды с 65 баллами конвертируются так же хорошо, как с 75? Значит, можно снизить порог «горячих». Лиды с 40 баллами иногда покупают? Значит, нельзя их полностью игнорировать.

Интеграция скоринга в процесс продаж

Скоринг бесполезен, если он живёт отдельно от рабочих процессов. Цифра 85 баллов ничего не значит, если менеджер её не видит или не знает, что с ней делать.

Вот как скоринг встраивается в типичный процесс:

Автоматическая маршрутизация

Горячие лиды (70+) сразу попадают к лучшим менеджерам. Не по очереди, не по алфавиту — а к тем, кто лучше закрывает. В CRM настраивается правило: если скор больше 70 — назначить на Ерлана или Асем (топ-продавцы). Если меньше 50 — в общую очередь или на junior-менеджеров для прогрева.

Приоритизация в CRM

Менеджер открывает список задач — и видит их отсортированными по скору. Сначала 92 балла, потом 87, потом 74. Не нужно гадать, кому звонить первому. Система уже решила.

Автоматические действия

Для лидов с низким скором запускаются автоматические сценарии:

• Скор < 30: «Спасибо за обращение, вот полезные материалы» — и в архив
• Скор 30-50: Подписка на рассылку, приглашение на вебинар, через 2 недели — повторная оценка
• Скор 50-70: Напоминание менеджеру позвонить в течение дня

Уведомления в реальном времени

Когда приходит лид с высоким скором — менеджер получает push-уведомление в Telegram или WhatsApp. Не через час, когда он проверит CRM, а сразу. Для горячих лидов скорость реакции критична — по статистике, шанс на сделку падает на 10% каждые 5 минут задержки.

A/B-тест: со скорингом и без

«Звучит красиво, но работает ли это на самом деле?» — справедливый вопрос. Лучший способ проверить — A/B-тест.

Идея простая. Разделите отдел продаж на две группы. Группа A работает по-старому: звонит всем лидам по порядку поступления. Группа B — использует скоринг: сначала горячие, потом тёплые, холодные — в автоматику.

Через месяц сравните результаты:

Конкретные числа зависят от бизнеса, но закономерность одна: меньше звонков — выше попадание в цель. Менеджеры не выжигаются на мусорных контактах и к реальным клиентам подходят со свежей головой.

Важно: тест нужно проводить на достаточном объёме данных. 10 лидов в неделю — мало, результаты будут статистически незначимыми. 100+ — уже можно делать выводы.

Метрики эффективности скоринга

Как понять, хорошо ли работает ваша модель скоринга? Вот ключевые метрики, которые стоит отслеживать.

1. Конверсия по сегментам

Если модель работает правильно, конверсия должна расти вместе со скором. Лиды с 90 баллами должны конвертироваться лучше, чем с 70. Если разницы нет — модель не различает горячих и тёплых, нужно перенастраивать.

2. Точность прогноза (Precision)

Из всех лидов, которых модель пометила как «горячих», сколько реально купили? Если 70% — отлично. Если 30% — модель слишком оптимистична.

3. Полнота (Recall)

Из всех клиентов, которые реально купили, скольких модель пометила как «горячих»? Если 80% — хорошо. Если 40% — модель пропускает половину хороших клиентов.

4. Время до первого контакта

Сократилось ли время реакции на горячих клиентов? Это ключевая метрика для ROI. Если раньше горячим звонили через 3 часа, а теперь через 10 минут — скоринг работает.

5. Загрузка менеджеров

Сколько времени менеджеры тратят на нецелевые контакты? До скоринга было 70%, стало 30% — отлично, высвободили 40% времени для продуктивной работы.

Ограничения и подводные камни

AI-скоринг — мощный инструмент, но не волшебная палочка. Вот о чём нужно помнить.

Модель может ошибаться

Особенно на старте, когда данных мало. Будут случаи, когда горячий клиент получит низкий скор, а турист — высокий. Это нормально. Важно отслеживать такие случаи и использовать их для обучения модели.

Практический совет: никогда не отправляйте лидов в полный игнор автоматически. Даже с низким скором они должны получить хотя бы автоматическое письмо. И раз в неделю просматривайте выборку «холодных» — вдруг система ошиблась.

Качество данных критично

Garbage in — garbage out. Если в CRM бардак, если менеджеры не заполняют результаты сделок, если нет истории переписки — модели не на чем учиться. Прежде чем внедрять скоринг, наведите порядок в данных.

Подробнее о качестве данных — в статье Качество данных в CRM: как построить единый источник правды.

Модель отражает прошлое

AI учится на исторических данных. Если раньше ваши клиенты были преимущественно из Алматы, модель будет занижать скор заявкам из Астаны — просто потому, что у неё мало опыта с этим сегментом.

Решение: регулярно переобучать модель и отслеживать, не появились ли новые паттерны, которые она не учитывает.

Менеджеры могут начать игнорировать «холодных»

Если скоринг работает хорошо, возникает соблазн полностью забить на лиды с низким скором. Но среди них могут быть клиенты, которые просто неудачно сформулировали запрос. Или клиенты, которые «дозреют» через месяц.

Решение: nurturing-программы для холодных лидов. Автоматические письма с полезным контентом, приглашения на вебинары, повторная оценка через время.

Как начать: пошаговый план

Решили попробовать? Держите план — без воды, по пунктам.

Коротко о главном

• Lead scoring — это система приоритизации заявок. Чем выше балл, тем вероятнее покупка.
• Традиционный скоринг смотрит на анкету. AI-скоринг анализирует смысл: что написал клиент, как себя вёл, откуда пришёл.
• AI видит сигналы, которые не увидит человек: срочность, боль, полномочия, готовность к покупке — в тексте переписки.
• Модель учится на ваших данных. Чем больше закрытых сделок — тем точнее прогноз.
• Пороги настраиваются под бизнес. Горячие — звонить сразу, тёплые — в течение дня, холодные — автоматика.
• Главные метрики: конверсия по сегментам, время до контакта, точность и полнота прогноза.
• Скоринг — не замена менеджерам. Это инструмент, который освобождает их от рутины для работы с реальными клиентами.

Полезные ссылки

• Lead Scoring 2.0: предиктивная квалификация
• AI Agent в бизнесе: что это и как применить в продажах
• Lead scoring без магии: правила, данные и внедрение
• Квалификация лидов без менеджера: как отсеивать мусор
• Качество данных в CRM: как построить единый источник правды
• Lead scoring: правила vs ML — приоритизация лидов

Частые вопросы