Lead Scoring: правила vs ML – как приоритизировать лиды и поднять конверсию

В одной алматинской компании, занимающейся B2B-продажами оборудования, работал менеджер Арман. Каждое утро он открывал CRM и видел список из 50-60 новых заявок. Все они выглядели примерно одинаково: название компании, контактное лицо, короткий комментарий вроде «интересует коммерческое предложение».

Арман честно обзванивал их по порядку – сверху вниз, как они поступили. К обеду он обрабатывал половину списка. А вечером узнавал, что три «горячих» клиента, которые были готовы купить прямо сейчас, за это время ушли к конкурентам. Они просто не дождались звонка, потому что оказались в середине очереди.

Эта история – не исключение. Она повторяется в тысячах отделов продаж по всему Казахстану. Менеджеры тратят время на холодных лидов, пока горячие остывают. И дело не в лени или некомпетентности – дело в отсутствии системы приоритизации.

Именно для решения этой проблемы существует lead scoring – методология оценки и ранжирования потенциальных клиентов. В этой статье я расскажу, как построить такую систему: от простых правил до машинного обучения, от теории до практических примеров для казахстанского рынка.

«Когда мы внедрили скоринг, средний цикл сделки сократился на 23%. Не потому что менеджеры стали работать быстрее – они стали работать умнее. Теперь они начинают день с тех, кто реально готов покупать.»

Что такое lead scoring и зачем он нужен

Lead scoring – это методика присвоения числовой оценки каждому потенциальному клиенту. Чем выше балл, тем с большей вероятностью лид превратится в сделку. Простая идея, но за ней стоит серьёзная экономия времени и денег.

Представьте, что у вас есть волшебная лупа, которая подсвечивает лидов разными цветами: зелёные – покупают с вероятностью 80%, жёлтые – 50%, красные – максимум 10%. Стали бы вы тратить одинаковое время на всех? Очевидно, нет. Lead scoring – это и есть такая лупа, только вместо цветов – числа.

Зачем это нужно на практике:

• Фокус на перспективных клиентах – менеджеры не распыляются на всех подряд, а работают с теми, кто реально купит
• Скорость реакции – горячие лиды получают внимание первыми, пока не остыли
• Рост конверсии – когда работаешь с правильными людьми, результат выше
• Честное распределение – лучшие лиды можно отдавать лучшим менеджерам
• Прозрачность для маркетинга – видно, какие каналы приносят качественных лидов, а какие – мусор

Теперь возникает вопрос: как именно присваивать эти баллы? Здесь есть два принципиально разных подхода – ручные правила и машинное обучение. Разберём оба.

Скоринг на правилах: начинаем с простого

Если у вас нет тысяч завершённых сделок в CRM, начинать с машинного обучения – всё равно что учить ребёнка плавать, бросив его в океан. Лучше начать с правил. Это проще, понятнее и работает «из коробки».

Суть подхода: вы садитесь с командой продаж и вместе определяете, какие характеристики лида говорят о его потенциале. Потом присваиваете каждой характеристике баллы. Сумма баллов – это и есть скор лида.

Шаг 1: Определите профиль идеального клиента (ICP)

Прежде чем считать баллы, нужно понять, кто ваш идеальный покупатель. Это не абстрактное упражнение – это конкретный список характеристик.

Спросите себя:

• Какого размера компании чаще всего покупают?
• Из каких отраслей приходят лучшие клиенты?
• Какие должности принимают решение о покупке?
• Какой бюджет типичен для ваших сделок?
• Из каких регионов приходят клиенты с высоким LTV?

Для казахстанского рынка это может выглядеть так: средний бизнес (50-500 сотрудников), отрасли – финансы, ритейл, логистика, лицо, принимающее решение – коммерческий директор или CEO, география – Алматы, Астана, Шымкент.

Шаг 2: Разделите критерии на демографические и поведенческие

Это важное разделение. Демографические критерии говорят о том, кто перед вами. Поведенческие – о том, что он делает. Идеальный скоринг учитывает и то, и другое.

Шаг 3: Добавьте негативные критерии

Это важный момент, который многие упускают. Не все действия говорят о заинтересованности – некоторые сигнализируют обратное.

• Отписался от рассылки → −20 баллов
• Не открывал письма 30+ дней → −15 баллов
• Указал бесплатный email (gmail, mail.ru) в B2B-форме → −10 баллов
• Должность: стажёр, студент → −15 баллов
• Уже был клиентом и ушёл → −25 баллов (зависит от причины)

Шаг 4: Установите пороговые значения

Теперь, когда у каждого лида есть числовой скор, нужно понять, что с ним делать. Обычно определяют три уровня:

Эти пороги – не догма. Начните с примерных значений, а потом калибруйте по реальным результатам. Если менеджеры жалуются, что «горячие» лиды на самом деле холодные – поднимите порог. Если упускаете хороших клиентов – опустите.

Плюсы и минусы подхода на правилах

Правила отлично работают на старте, когда данных мало и нужно быстро получить результат. Но если у вас сотни сделок в месяц и вы хотите выжать максимум из скоринга – пора смотреть в сторону машинного обучения.

Скоринг на машинном обучении: когда данные умнее человека

Машинное обучение (ML) – это когда алгоритм сам находит закономерности в данных. Вы не говорите ему, что «компания 100+ сотрудников – это хорошо». Он анализирует историю ваших сделок и сам понимает, какие характеристики коррелируют с успехом.

Выглядит как волшебство? Почти. Но за этим волшебством – серьёзная работа с данными.

Как работает ML-скоринг

Представьте, что вы дали алгоритму таблицу с 10 000 лидов. Для каждого указано: откуда пришёл, какие страницы смотрел, сколько писем открыл, какая компания, какая должность – и главное: купил или нет.

Алгоритм изучает эту таблицу и находит паттерны:

• «Те, кто скачал прайс И посетил страницу кейсов, покупают в 4 раза чаще»
• «Лиды из LinkedIn конвертятся хуже, чем из Яндекс.Директа»
• «Если первый контакт был в понедельник утром, шанс сделки выше на 15%»
• «Компании из Караганды покупают дольше, но средний чек выше»

Некоторые из этих закономерностей вы бы никогда не нашли вручную. ML-модель учитывает десятки факторов одновременно и находит неочевидные связи.

Исторические данные (сделки за 1-2 года)
        ↓
    Подготовка данных
    ├── Очистка (дубли, пропуски)
    ├── Feature engineering (создание признаков)
    └── Разметка (купил / не купил)
        ↓
    Обучение модели
    ├── Разделение на train/test
    ├── Выбор алгоритма (XGBoost, RandomForest, Logistic Regression)
    └── Валидация и тюнинг
        ↓
    Продакшн
    ├── Каждый новый лид получает скор 0-100
    ├── Скор обновляется при каждом действии лида
    └── Модель переобучается раз в квартал
    

Какие данные нужны для ML-скоринга

Главное требование – достаточный объём исторических данных. Сколько это «достаточно»?

• Минимум: 500-1000 завершённых сделок (и выигранных, и проигранных)
• Оптимально: 3000-5000 сделок для устойчивой модели
• Для сложных моделей: 10 000+ сделок

Если у вас меньше 500 сделок в CRM – ML-скоринг пока не для вас. Начните с правил и копите данные.

Кроме объёма, важно качество данных. Вот что должно быть в CRM:

• Информация о компании: размер, отрасль, регион, выручка (если известна)
• Информация о контакте: должность, email, телефон
• Источник лида: откуда пришёл, какая кампания, какой канал
• Поведение на сайте: страницы, время, скачивания
• Взаимодействие с рассылками: открытия, клики
• Итог сделки: выиграна, проиграна, причина проигрыша

Если ваши менеджеры не заполняют карточки в CRM – никакой ML не поможет. Качество данных – фундамент для любой аналитики.

Правила vs ML: что выбрать

Это не вопрос «что лучше» – это вопрос «что подходит вам сейчас». Вот простая матрица выбора.

Важный момент: эти подходы не взаимоисключающие. Многие компании используют гибридную модель: ML-скор как основа плюс ручные правила для бизнес-логики (например, «если клиент из государственного сектора, всегда добавлять +20 баллов, потому что там длинный цикл, но высокий чек»).

Практический пример: настраиваем скоринг в CRM

Разберём конкретный пример. Допустим, вы – компания, которая продаёт IT-решения для бизнеса в Казахстане. У вас есть CRM, сайт с аналитикой и email-рассылки.

Этап 1: Анализ текущих данных

Первым делом выгрузите из CRM все закрытые сделки за последний год. Разделите их на две группы: выигранные и проигранные. Посмотрите, чем они отличаются.

Видите закономерности? Компании побольше, с ЛПР-ом наверху, из крупных городов – чаще покупают. Мелкие компании с контактом-ассистентом – чаще сливаются. Теперь превращаем это в правила.

Этап 2: Создание скоринговой модели

На основе анализа составляем правила. Пример для нашего IT-бизнеса:

Этап 3: Интеграция с процессами

Скоринг работает только когда он встроен в рабочие процессы. Вот как это должно выглядеть:

• HOT-лиды (70+): автоматически назначаются на лучших менеджеров, ставится задача «позвонить в течение 1 часа», руководитель получает уведомление
• WARM-лиды (35-69): попадают в nurturing-воронку, получают автоматические письма, менеджер связывается в течение 24 часов
• COLD-лиды (<35): только автоматика, периодические касания, менеджер не тратит время

Если скор лида меняется (например, холодный лид скачал прайс и стал тёплым) – система должна это отслеживать и перенаправлять лид в нужную очередь.

Как понять, что скоринг работает

Внедрили скоринг – хорошо. Но как убедиться, что он действительно помогает? Есть несколько метрик, которые нужно отслеживать.

Метрика 1: Конверсия по сегментам

Если скоринг работает правильно, конверсия в HOT-сегменте должна быть значительно выше, чем в COLD.

Если разница между сегментами небольшая (например, HOT – 15%, COLD – 10%), это сигнал, что модель нужно перекалибровать.

Метрика 2: Скорость обработки

После внедрения скоринга время реакции на горячие лиды должно сократиться. Если раньше менеджеры звонили всем подряд в течение 24 часов, теперь HOT-лиды должны получать звонок в течение часа.

Метрика 3: Эффективность менеджеров

Менеджеры должны тратить большую часть времени на перспективных клиентов. Отслеживайте:

• Какой % времени менеджер тратит на HOT vs COLD лидов
• Сколько сделок закрывает из каждого сегмента
• Средний чек сделки по сегментам

Метрика 4: Качество модели (для ML)

Если используете машинное обучение, отслеживайте технические метрики качества модели:

• AUC-ROC: чем ближе к 1, тем лучше модель разделяет покупателей и не-покупателей. Хороший показатель: 0.75+
• Precision@K: какой % из топ-K лидов по скору реально купил
• Lift: во сколько раз конверсия в топ-сегменте выше, чем в среднем

Семь ошибок, которые убивают lead scoring

Я видел десятки внедрений скоринга. И вот что чаще всего идёт не так.

Ошибка 1: Скоринг в вакууме

Настроили красивую модель, но менеджеры продолжают звонить по старинке. Скоринг должен быть интегрирован в процессы – автоматическое распределение, алерты, приоритеты в очереди.

Ошибка 2: Один раз настроили и забыли

Рынок меняется, продукт эволюционирует, появляются новые каналы. Скоринговую модель нужно пересматривать минимум раз в квартал. Для ML – переобучать на свежих данных.

Ошибка 3: Слишком много факторов

Хочется учесть всё: цвет аватарки, день недели заявки, длину названия компании. В итоге модель становится непонятной и нестабильной. Начните с 5-10 самых важных факторов.

Ошибка 4: Игнорирование негативных сигналов

Фокус только на позитиве: «скачал – плюс, посетил – плюс». Но отписка от рассылки или неактивность 60 дней – это тоже сигнал, и он важен.

Ошибка 5: Нет обратной связи от продаж

Модель говорит «HOT», менеджер звонит и понимает – лид мёртвый. Если таких случаев много, а вы об этом не знаете – модель деградирует. Собирайте feedback от команды.

Ошибка 6: Одинаковая модель для разных продуктов

Если у вас три продукта с разными циклами и аудиториями – нужны три модели. Универсальный скоринг работает хуже.

Ошибка 7: Скоринг как карательный инструмент

«У тебя мало HOT-лидов, ты плохой маркетолог». Это неправильно. Скоринг – инструмент приоритизации, а не наказания. Холодные лиды – это нормально, с ними просто работают по-другому.

Lead scoring в экосистеме: связь с другими инструментами

Скоринг не живёт в изоляции. Он связан с другими элементами CRM и маркетинга. Вот как они работают вместе.

Скоринг + Сквозная аналитика

Когда вы видите, какие каналы приносят лидов с высоким скором, можно перераспределять рекламный бюджет. Если Яндекс.Директ даёт 70% HOT-лидов, а Instagram – 80% COLD, понятно, куда инвестировать. Подробнее об этом в статье про сквозную аналитику в CRM.

Скоринг + Nurturing

Холодные лиды – это не мусор. Это будущие клиенты, которых нужно «догреть». Автоматические email-цепочки, ретаргетинг, полезный контент – всё это работает на повышение скора со временем.

Скоринг + AI-бот

Если у вас есть чат-бот на сайте, он может собирать информацию для скоринга в реальном времени. Задал 5 вопросов – понял размер компании, бюджет, срочность. Скор вырос, лид автоматически попал в приоритетную очередь. Мы писали об этом в статье про квалификацию лидов через бота.

Скоринг + Прогноз продаж

Зная скор каждого лида в воронке, можно точнее прогнозировать выручку. HOT-лиды с высокой вероятностью конвертируются – учитываем их с коэффициентом 0.8. COLD-лиды – с коэффициентом 0.1. Получается более реалистичный forecast.

Кейс: как дистрибьютор оборудования поднял конверсию на 40%

Компания из Алматы, B2B-продажи промышленного оборудования. 8 менеджеров, около 300 входящих лидов в месяц. Проблема: менеджеры не успевали обрабатывать всех, лиды терялись, конверсия падала.

Что было до:

• Все лиды обрабатывались «по очереди» – кто раньше пришёл
• Среднее время до первого контакта: 18 часов
• Конверсия лид → сделка: 8%
• Менеджеры тратили 60% времени на бесперспективных клиентов

Что сделали:

1. Проанализировали 500 закрытых сделок за год, нашли паттерны успеха
2. Создали скоринговую модель на правилах (15 критериев)
3. Интегрировали с CRM – автоматическое распределение по скору
4. Настроили алерты: HOT-лиды → уведомление в Telegram руководителю
5. Обучили менеджеров новому процессу

Результаты через 3 месяца:

Важно: они не наняли новых менеджеров. Не увеличили рекламный бюджет. Просто стали работать с теми же лидами умнее.

Итог: с чего начать

Lead scoring – это не rocket science. Это систематический подход к тому, чтобы ваши менеджеры работали с правильными клиентами в правильное время. Вот план действий.

• Шаг 1: Проанализируйте свои выигранные и проигранные сделки – найдите закономерности
• Шаг 2: Определите профиль идеального клиента (ICP)
• Шаг 3: Создайте простую модель на правилах (демография + поведение)
• Шаг 4: Интегрируйте скоринг с CRM – автоматическое распределение и алерты
• Шаг 5: Обучите команду и объясните, зачем это нужно
• Шаг 6: Измеряйте результаты и калибруйте модель
• Шаг 7: Когда накопите 1000+ сделок – рассмотрите ML-скоринг

Помните историю про Армана из начала статьи? После внедрения скоринга он начинает день не с первого лида в списке, а с самого перспективного. И те горячие клиенты, которые раньше уходили к конкурентам – теперь получают звонок первыми.

Это не магия. Это система. И она доступна любой компании.

Читайте также

• Внедрение CRM с нуля: план на 90 дней
• Как спроектировать воронку продаж в CRM
• Качество данных в CRM: как построить единый источник правды
• Квалификация лидов без менеджера: как бот отсеивает нецелевые заявки
• Скорость ответа на заявку: как не терять горячих клиентов