Помните эту ситуацию? SDR-команда тонет в лидах: звонят студенту, который искал бесплатную версию, пока CEO крупного ритейлера уже три часа ждёт ответа после запроса демо. Менеджеры в чате пишут: «Откуда столько мусора?», а маркетинг отвечает: «Мы даём лиды, вы их не дожимаете». В итоге конверсия падает, бюджет растёт, а Sales и Marketing смотрят друг на друга с недоверием.
Lead scoring — это не магия и не очередная сложная модель от дата-сайентистов. Это простая система приоритизации, которая помогает быстро разделить поток: самые горячие лиды попадают в руки менеджеров за минуты, а холодные автоматически отправляются на догрев. Ниже — практический план, который можно внедрить за две недели, даже если у вас нет ML-команды.
Для кого: Head of Sales, RevOps-специалистов и CEO, которые устали от «чёрного ящика» в воронке и хотят прозрачный пайплайн с понятной отдачей от каждого тенге на трафик.
Какие данные нужны
Хорошая новость: вам не нужны десятки датасетов и дата-инженеры. Начните с того, что уже есть в CRM и на сайте. Вот базовый набор:
- Источник и кампания: откуда пришёл лид? Канал, UTM-метки, реферер, связка «ключевое слово → объявление → лендинг». Лид с рекомендации партнёра стоит дороже, чем с случайного клика в соцсетях.
- Фирмографика: отрасль, размер компании (выручка или штат), регион, форма собственности. Если ваш ICP — это SaaS-компании с 50+ сотрудниками, то студия из 5 человек получит меньше баллов.
- Роль и уровень: должность контакта, уровень (C-level/VP/Head/менеджер), функция (продажи, маркетинг, IT, финансы), влияние на решение. CEO решает быстрее, чем стажёр из отдела закупок.
- Интерес к продукту: какой тариф или продукт выбрал в форме, какую боль указал (выбор из списка), когда хочет запуститься. «Нужно срочно, к 1 января» — это совсем другой приоритет, чем «просто изучаем рынок».
- Поведение: открыл письма, кликал по ссылкам, забронировал демо, отвечал в чат-боте, взаимодействовал с контентом на сайте. Активность = интерес.
- Страницы сайта: какие страницы смотрел (pricing, кейсы, SLA, интеграции, FAQ), сколько раз и сколько минут провёл. Три захода на страницу тарифов за день — сильный сигнал готовности.
- Качество контакта: корпоративная почта или личная Gmail, рабочий телефон, дубликаты в базе, история взаимодействий в CRM. Повторная заявка через полгода — это новый контекст.
Главное правило: если нет части полей — не беда. Начинайте с минимума: источник, должность, отрасль, 2–3 события на сайте. Это уже даёт первые 60–70% точности. Остальное доклеите по мере роста: подключите обогащение доменов, добавьте трекинг поведения, интегрируйте email-маркетинг.
Шкала баллов и пороги
Самая простая и работающая модель — гибридная: Fit (насколько компания похожа на ваш идеальный клиентский профиль) + Intent (готовность купить прямо сейчас). Используем диапазон от 0 до 100 баллов — просто и понятно для всех.
- Fit = 60% веса. Это характеристики компании: отрасль, размер, роль контакта, сегмент. Идеальный профиль компании важнее сиюминутного интереса.
- Intent = 40% веса. Это поведение: активность на сайте, просмотренные страницы, скорость ответа, прямая просьба о цене или демо. Горячий интерес может перевесить неидеальный профиль.
- Пороги для приоритизации: ≥80 баллов — немедленно в Sales (звонок в течение 15 минут); 60–79 баллов — приоритетный обзвон за 1 час; 30–59 баллов — автоматический догрев через email-цепочки; меньше 30 баллов — длительный nurture и обогащение данных.
- Минусовые баллы тоже важны: личная почта вроде @gmail.com (-10 баллов), резюме или «ищу работу» в тексте (-25), страны вне зоны покрытия (-30), повторные дубликаты за неделю (-15). Так вы защитите команду от бесполезной работы.
Реальный пример: лид приходит с рекомендации партнёра (источник +20), это Head of Sales из SaaS-компании (+18 за должность, +15 за отрасль), запросил демо корпоративного тарифа (+30 за активность), три раза за день заходил на страницу pricing (+15). Итого: 98 баллов. Такой лид попадает в Sales моментально — уведомление в Slack, автоматическая задача менеджеру, звонок в течение 15 минут.
Как масштабировать: держите правила простыми и читаемыми, храните их в одном месте (Config или Lookup-таблица в CRM). Когда накопите 5–10 тысяч размеченных лидов (известно, кто стал клиентом, а кто нет), можете добавить лёгкую ML-модель (LightGBM или XGBoost) поверх правил — но пороги для SLA и маршрутизации оставьте прозрачными и понятными для бизнеса.
Пример таблицы признаков
Чтобы не изобретать велосипед, вот готовая таблица весов для B2B SaaS. Адаптируйте её под свою специфику:
| Признак | Как считаем | Баллы |
|---|---|---|
| Источник | Referrals / партнеры, direct, paid search brand, paid search non-brand, социальные | +20 / +15 / +15 / +8 / +5 |
| Отрасль | SaaS, финансы, логистика, образование, прочие | +15 / +12 / +10 / +8 / +5 |
| Должность | C-level/VP, Head/Lead, менеджер, специалист | +25 / +18 / +10 / +5 |
| Активность | Бронь демо, 2+ ответов в письмах, 3+ событий на сайте за 48 ч | +30 / +12 / +10 |
| Страницы | Pricing ≥2 просмотра, кейсы, интеграции, страница вакансий | +15 / +10 / +8 / -10 |
Заполните таблицу для своих сегментов и регулярно пересматривайте веса раз в месяц — этого достаточно до появления ML.
Процесс «обучения» правил
Хорошая новость: вам не нужна команда дата-сайентистов, чтобы настроить первую версию. Вот простой алгоритм на основе исторических данных:
- Шаг 1. Выгрузите данные. Возьмите все лиды за последние 3–6 месяцев с исходными полями и финальным результатом: стал SQL (Sales Qualified Lead), не стал или даже закрылся продажей.
- Шаг 2. Сгруппируйте комбинации. Источник × отрасль × должность — посмотрите на конверсию в SQL и win rate. Например, «партнёрка + финансы + CEO» даёт 45% конверсию в SQL, а «контекст + образование + специалист» — только 8%.
- Шаг 3. Найдите топ-признаки. Отберите 10 признаков с наибольшим lift — то есть разницей между конверсией сегмента и средней конверсией по базе.
- Шаг 4. Назначьте баллы. Распределите баллы пропорционально lift, но оставьте круглые числа (не 17,3 балла, а просто 15 или 20) — так будет проще объяснять команде.
- Шаг 5. Проверьте в песочнице. Пересчитайте баллы на всех исторических лидах и посмотрите, сколько попадает в пороги 80+ и 60–79. Если слишком много (больше 40% в топ-сегмент) — ужесточите правила, если слишком мало (меньше 10%) — смягчите.
- Шаг 6. Согласуйте SLA с Sales. Договоритесь: сколько времени на ответ для каждого порога, по какому каналу связываться (звонок, email, мессенджер), какой сценарий использовать.
- Шаг 7. Запустите A/B-тест. 50% новых лидов идут по новым правилам, 50% — по старой логике (или просто по порядку поступления). Замерьте результаты через 2 недели и скорректируйте веса.
Важно: не гонитесь за идеальной моделью сразу. Даже простая версия с 5–7 признаками даёт заметный рост конверсии. Главное — начать и регулярно улучшать.
Как избежать дискриминации и перекосов
Lead scoring — это автоматизация, а значит, есть риск заложить в систему наши собственные предубеждения. Вот как этого избежать:
- Не используйте чувствительные признаки. Никаких оценок по полу, возрасту, национальности. Личные email-домены можно использовать как негативный сигнал качества контакта, но не как категорический запрет.
- Проверяйте справедливость (fairness). Сравните конверсию в SQL по регионам, отраслям и другим сегментам до и после внедрения правил. Если где-то внезапно провал — разбирайтесь, возможно, правила работают некорректно.
- Оставьте «ручной апгрейд». Менеджер должен иметь возможность повысить приоритет лида, если видит высокий потенциал, который система пропустила. Машина не всегда права.
- Логируйте всё. Записывайте все изменения правил (кто, когда, зачем) и храните объяснения баллов (какие именно признаки дали итоговый score). Это поможет найти ошибки и защитит при аудите.
- Пересматривайте веса регулярно. Раз в квартал пересчитывайте баллы на свежих данных и проверяйте model drift (смещение модели из-за изменений в данных).
Совет: если в будущем подключаете ML-модель, ограничьте список признаков до бизнес-допустимых (те, которые можно объяснить руководителю и юристам) и применяйте пост-обработку (ограничение влияния каждого признака), чтобы избежать скрытых перекосов (bias). Объяснимость важнее точности на последние 2%.
Пилот на 2 недели: пошаговый план
Вот реалистичный план запуска lead scoring за 14 дней. Никаких месяцев ожидания и бесконечных согласований — только конкретные действия:
| День | Что делаем |
|---|---|
| 1–2 | Сбор данных, очистка дубликатов, доп. обогащение доменов (Clearbit/SimilarTech). |
| 3–4 | Черновик правил и весов, согласование ICP с Sales/Marketing. |
| 5 | Настройка полей в CRM, расчёт баллов в тестовой среде, вебхуки/автоматизация задач. |
| 6–7 | Прогон на исторических лидах, фиксация порогов и SLA, тренинг для SDR. |
| 8 | Старт A/B: 50% лидов идут по новым правилам; мониторинг уведомлений. |
| 9–12 | Дейли-разбор 15 минут: скорость реакции, ошибки маршрутизации, ручные апгрейды. |
| 13 | Снятие метрик пилота, корректировка весов (+/-5–10 пунктов по ключевым фичам). |
| 14 | Решение: выкатываем 100% трафика и планируем ML-слой на Q1. |
Что обычно происходит: уже на 8–9 день виден эффект — скорость первого ответа растёт, SDR-команда работает не по принципу «кто первый в списке», а по приоритету, доля «не целевых» лидов в очереди падает в 2–3 раза. Менеджеры начинают доверять системе и перестают вручную копаться в списках.
Метрики успеха
Как понять, что lead scoring работает? Следите за этими показателями:
- MQL → SQL конверсия. Главная метрика. Сравните конверсию маркетинговых лидов в квалифицированные продажами до и после внедрения. Рост на 15–30% — это норма для первого месяца.
- Time-to-first-touch (TTFT). Время до первого контакта для лидов с 80+ баллами и 60–79 баллами. Если горячие лиды ждут по 3 часа — система не работает, нужно пересмотреть процессы.
- Доля приоритетных лидов в очереди SDR. Сколько процентов рабочего времени команда тратит на действительно перспективные контакты? Цель — минимум 60–70%.
- Win rate по сегментам. Сравните процент закрытых сделок для лидов 80+ баллов vs. остальные. Если разницы нет — модель не работает, пересмотрите веса.
- Pipeline coverage. На сколько месяцев вперёд покрыта выручка квалифицированными сделками. Качественные лиды увеличивают предсказуемость.
- Доля ошибок маршрутизации. Сколько лидов менеджеры вручную перевели в другой приоритет (апгрейды или даунгрейды)? Если больше 15% — нужно корректировать правила.
- Среднее время цикла сделки. Разбейте по сегментам баллов. Высокобалльные лиды должны закрываться быстрее — если нет, возможно, модель переоценивает «холодный» интерес.
Чеклист перед запуском
Перед тем как нажать кнопку «старт», убедитесь, что всё готово:
- ICP (Ideal Customer Profile) описан и согласован. Лидер продаж должен подписаться под определением идеального клиента — иначе будете спорить на каждом шаге.
- В CRM созданы обязательные поля. Минимум: источник, должность, отрасль, страна/регион. Без них модель не заработает.
- Настроены автоматизации. Вебхуки или автоматические задачи для порогов 80+ (немедленный звонок) и 60–79 (обзвон в течение часа). Без автоматизации менеджеры забудут проверять баллы.
- Есть документированная таблица весов. С changelog — кто, когда и зачем изменил баллы. Иначе через месяц никто не вспомнит, почему «финансы» дают +12, а не +10.
- Метрики пилота зафиксированы. Договоритесь заранее, как будете считать успех, иначе каждый будет тянуть одеяло на себя.
- SDR обучены. Команда должна знать сценарии для каждого порога: какой скрипт использовать, по какому каналу связываться (звонок/email/мессенджер), какой оффер делать. Без этого даже лучшие лиды провалятся.
FAQ: частые вопросы
Нужно ли сразу подключать машинное обучение (ML)?
Нет, не спешите. Простые правила с ручной калибровкой уже дают прирост конверсии на 10–25%. ML имеет смысл, когда у вас есть минимум 5 000 размеченных лидов (известно, кто купил, а кто нет) и стабильный процесс работы. Сначала наладьте базу, потом оптимизируйте.
Что делать, если у нас мало исторических данных?
Используйте экспертные оценки: соберите Sales и Marketing, обсудите, какие признаки важны, назначьте веса на основе опыта. Дополнительно можно взять публичные отчёты по конверсии в вашей отрасли (например, от HubSpot или Salesforce). Запускайте пилот — новые данные начнут копиться уже через 2 недели, и вы сможете откалибровать веса.
Как технически считать баллы в CRM?
Самый быстрый способ — использовать встроенные формулы в полях CRM (HubSpot Calculated Properties, Salesforce Formula Fields). Альтернатива: храните таблицу весов отдельно (Google Sheets или Config) и через webhook пишите итоговый балл в поле Lead Score при каждом обновлении лида. Для более сложных сценариев можно использовать middleware вроде Zapier или Make.
Как не потерять тёплые лиды из контентной воронки?
Добавьте баллы за поведение: время на странице, скачивание материалов (гайды, чек-листы), просмотр видео. Настройте автоматический триггер: если лид второй раз за неделю возвращается на страницу pricing или кейсов — отправьте персональное приглашение на демо. Так вы не упустите тех, кто пока изучает, но уже близок к решению.
Что делать с холодной базой (старые лиды)?
Пересчитайте баллы для всей базы по новым правилам. Тем, кто набрал меньше 30 баллов, проставьте низкий приоритет и отправьте в автоматический nurture: регулярные письма с полезным контентом, чат-бот для реактивации, обогащение данных через внешние сервисы. Через 30–60 дней пересмотрите — возможно, кто-то «прогрелся» и готов к разговору.
Главное: начните просто
Lead scoring — это не про сложные ML-модели и команды дата-сайентистов. Это про здравый смысл, данные и простые правила. Начните с минимума: источник, должность, отрасль, пара событий на сайте. Запустите пилот за 2 недели, замерьте метрики, откалибруйте веса.
Уже через месяц ваши SDR перестанут тратить время на «мусорные» лиды, скорость ответа на горячие заявки вырастет в разы, а конверсия в SQL поднимется на 15–30%. Это реальный результат, который видят компании после первого же месяца работы с lead scoring.
Готовы внедрить lead scoring за 14 дней?
Мы проведём воркшоп с вашими Sales и Marketing, соберём таблицу признаков под ваш ICP, настроим правила и автоматизацию прямо в вашей CRM. Через две недели у вас будет работающая система приоритизации лидов и первые результаты по метрикам.
Записаться на бесплатный созвон