A lead scoring egy értékesítési módszer, ahol minden érdeklődő (lead) automatikusan pontot kap aszerint, hogy mennyire valószínű, hogy ügyfél lesz belőle. A pontszámot a CRM rendszered számolja, és onnan tudja az értékesítő, kit hívjon először, kit hagyhat egy automatizált e-mail-sorozatra. A magas pontszámú lead „forró” (hot lead), és azonnal érdemes telefonon vagy személyesen kapcsolatba lépni; az alacsony pontszámú „hideg” (cold lead), ahol egy nurturing-folyamattal lehet melegíteni a kapcsolatot.
Így is ismerheted
Magyarul lead-pontozás, érdeklődő-pontozás, vagy a tágabb fogalom: lead minősítés (lead qualification). Angolul a klasszikus lead scoring, és találkozhatsz az MQL (marketing qualified lead) és SQL (sales qualified lead) rövidítéssel — ezek a marketing- és sales-csapat közötti átadási küszöböket jelölik. A modern, AI-vezérelt változatot predictive lead scoring-nak hívják: itt nem te állítod be a szabályokat, hanem egy modell tanul a múltbeli adatokból.
Miért éri meg pontoznod?
A klasszikus probléma: havonta 100-200 érdeklődő érkezik, az értékesítő mindenkit nem tud egyformán hívni, és a tapasztalat alapján próbálja kitalálni, hogy kit érdemes először. Ez sokszor érzelmi, nem adat-alapú döntés — és gyakran a „hangos”, de pénztelen érdeklődők kapják a figyelmet, miközben a csendes, de komoly cégek várnak. Egy jó lead scoring rendszer drasztikusan megváltoztatja ezt: az értékesítő pontosan tudja, hogy a 87 pontos lead 4x nagyobb eséllyel köt szerződést, mint a 23 pontos.
Számokban: egy átlagos szolgáltató cégnél a lead scoring bevezetése 20-30%-kal magasabb konverziót hoz, mert az értékesítési idő optimálisan oszlik el. Egyúttal a sales-csapat motivációja is nő, mert kevesebb a hideg-zuhanyos „ez nem fog vásárolni” beszélgetés.
Mit szoktunk pontozni?
A pontozási tényezők két csoportba esnek. Az explicit pontok az ügyfél által megadott információk: cégméret, iparág, beosztás, költségvetés. A viselkedési pontok az ügyfél által végzett akciók: weboldal-meglátogatás, e-mail-megnyitás, link-kattintás, demo-letöltés, árazási oldal megnyitása.
- Cégadatok (explicit) — pl. 50+ fős vállalat +20 pont, kisvállalkozás +5; gyártóipar +15, ha ez a célközönséged.
- Kontakt-szerep (explicit) — CEO/tulajdonos +25, marketinges +15, gyakornok +0.
- Költségvetés-tartomány (explicit) — 5+ millió forint +20, 1 millió alatt +5.
- Weboldali aktivitás (viselkedési) — árazási oldalt nézi +15, blog-cikket olvas +5, esettanulmányt tölt le +20.
- E-mail-aktivitás (viselkedési) — megnyitja a hírlevelet +2, kattint +5, demó-igénylést küld +30.
- Időbeliség — a friss aktivitás többet ér; régi pontok lassan elavulnak.
Hogyan vezesd be lépésről lépésre?
Először nézd meg a múltbeli adataidat: az elmúlt 12 hónapban kik lettek ügyfelek, mi jellemezte őket. Ez ad egy „ideális ügyfélprofilt” (ICP — ideal customer profile), és innen tudod kiszámolni, milyen attribútumok korreláltak a konverzióval. Ha ez túl nehéz manuálisan, egy AI-automatizáció vagy egy adatelemzői beavatkozás sokat segít.
Másodszor állítsd össze az alap-pontrendszert. Egyszerű kezdés: 100 pontból induló skála, ahol az 50+ a „qualified lead” (MQL), és a 75+ a „sales-ready” (SQL). Minden CRM (HubSpot, Pipedrive, Salesforce) támogatja, hogy szabályokat állíts be: ha a kontakt cég 50+ fős és letöltött egy esettanulmányt, kapjon +25 pontot.
Harmadszor tesztelj, mérj, korrigálj. Az első verzió biztosan rossz lesz — a sales fogja jelezni, hogy „ez a 80 pontos nem vett semmit, az a 30 pontos meg vásárolt 5 milliót”. Ezeket nézd át havonta, és állítsd át a szabályokat. 3-6 hónap után a rendszer pontossága drasztikusan javul.
Manuális szabályok vagy AI predikció?
A klasszikus lead scoring szabály-alapú: te állítod, mi mennyit ér. Ez jól működik kis-közepes mennyiségnél (havi 50-500 lead), és nagy az átláthatósága — bármikor megérted, miért kapott egy lead annyi pontot. A hátránya, hogy te találod ki a szabályokat, és nem feltétlenül azt mértek, ami valóban előrejelzi a konverziót.
A predictive lead scoring ott jön be, ahol a forgalom nagyobb (havi 1000+ lead), és van legalább 1-2 év múltbeli adatod. Itt egy gépi tanulási modell (a HubSpot-on belül, vagy custom Python/AWS megoldás) tanul a régi adatokból, és pontosabb predikciót ad. Hátrány: kevésbé átlátható (black box), és kezdetben több adat kell hozzá.
A 90%-os esetre a szabály-alapú lead scoring tökéletesen jó. Ha bevezeted, és pár hónap múlva érzed, hogy átláthatatlanul sok szabály van, akkor érdemes a predictive felé lépni.
Mire figyelj?
A legnagyobb buktató a túlbonyolítás. Az első verzióban ne legyen 50 szabály — kezdj 10-15-tel, a leg-egyértelműbbekkel. Egy egyszerű, jól értett pontrendszer, amit a sales megért, többet ér, mint egy bonyolult, amit senki sem követ.
A második buktató, hogy nincs visszacsatolás az értékesítőtől. Az értékesítő tudja, hogy a 70 pontos „X cégnél” nem vesz semmit, mert üzleti okokból kizárólag a versenytársukkal dolgozhatnak. Ezt a tudást építsd be a rendszerbe — vagy negatív pont-szabállyal, vagy „disqualification” mezővel.
A harmadik a negatív pontozás kihagyása. Nem csak pluszt adsz, hanem mínuszt is: ha egy lead 30 napja nem reagált semmire, vonj -10 pontot. Ha úgy iratkozott fel, hogy „nem aktuális, csak érdeklődöm”, -15. Ezzel a forró leadek természetesen elválnak a hidegektől.
A negyedik a nem-frissített pontrendszer. Ami egy éve forró volt, ma lehet, hogy hideg. Negyedévente nézd át, melyik szabály mit ér valójában (nézd a konverziót), és állítsd, amit kell.
Ha egy konkrét sales-folyamatra szeretnéd a lead scoring-ot bevezetni — akár szabály-alapú CRM-szabályozással, akár AI-vezérelt predikcióval —, az AI és automatizáció szolgáltatásból induljunk ki: folyamat-feltárás, CRM-beállítás, esetleges AI-réteg. Egy weboldali űrlap- és CRM-integráció első lépcsőben sokszor önmagában is hozza a 80%-os értéket.
