Määritelmä
Lead Scoring (liidien pisteytys) on menetelmä, jolla liidit pisteytetään ja priorisoidaan niiden todennäköisen arvon perusteella. Pisteet perustuvat demografisiin tietoihin ja käyttäytymiseen.
Lead scoring auttaa myyntiä keskittymään lupaavimpiin liideihin.
Suomeksi: Liidien pisteytys, liidien arvottaminen
Englanniksi: Lead Scoring, Lead Qualification Scoring
Miksi lead scoring?
Ilman lead scoringia
- Myynti käsittelee liidejä satunnaisessa järjestyksessä
- Aikaa kuluu huonoihin liideihin
- Hyvät liidit jäävät odottamaan
- Konversio kärsii
Lead scoringin kanssa
- Myynti priorisoi parhaat liidit
- Aika käytetään tehokkaasti
- Nopea yhteydenotto kuumiin liideihin
- Korkeampi konversio
Lead scoring -mallit
1. Explicit Scoring (Demografinen)
Pisteet perustuvat liidin tietoihin:
| Attribuutti | Arvo | Pisteet |
|---|---|---|
| Rooli | C-level | +25 |
| VP/Director | +20 | |
| Manager | +15 | |
| Muu | +5 | |
| Yrityksen koko | > 500 hlö | +20 |
| 100-500 | +15 | |
| 50-100 | +10 | |
| < 50 | +5 | |
| Toimiala | ICP-match | +20 |
| Lähellä ICP:tä | +10 | |
| Ei-ICP | 0 |
2. Implicit Scoring (Käyttäytyminen)
Pisteet perustuvat toimintaan:
| Toiminto | Pisteet |
|---|---|
| Hinnoittelusivun käynti | +20 |
| Demo-pyyntö | +30 |
| Webinaari-osallistuminen | +15 |
| E-kirjan lataus | +10 |
| Blogin luku | +5 |
| Sähköpostin avaus | +2 |
| Sähköpostin klikkaus | +5 |
3. Negative Scoring (Negatiivinen)
Vähennä pisteitä:
| Signaali | Pisteet |
|---|---|
| Kilpailijan sähköposti | -50 |
| Opiskelija | -30 |
| Ei-kohdemaasta | -20 |
| Unsubscribe | -25 |
| Ei aktiviteettia 30 pv | -10 |
| Ei aktiviteettia 60 pv | -20 |
4. Predictive Scoring (Ennustava)
Koneoppimismalli ennustaa konversion todennäköisyyden:
- Analysoi historiallista dataa
- Tunnistaa konversiota ennustavat signaalit
- Päivittyy automaattisesti
Lead scoring -prosessi
Vaihe 1: Määrittele ICP
Kuka on ihanneasiakas?
- Yrityksen koko
- Toimiala
- Rooli
- Haasteet
Vaihe 2: Tunnista konversiosignaalit
Analysoi voitettuja kauppoja:
- Mitkä toiminnot edelsivät?
- Mitkä attribuutit yhdistivät?
- Mikä erottaa voitetut häviöistä?
Vaihe 3: Määrittele pisteet
Aseta pisteet jokaiselle:
- Demografiselle attribuutille
- Käyttäytymissignaalille
- Negatiiviselle signaalille
Vaihe 4: Aseta kynnysarvot
| Pistemäärä | Status | Toimenpide |
|---|---|---|
| 0-30 | Cold | Nurture |
| 31-50 | Warm | Seuraa |
| 51-70 | MQL | Siirrä myyntiin |
| 71+ | Hot | Prioriteetti |
Vaihe 5: Implementoi automaatio
Markkinointiautomaatiossa:
- Automaattinen pisteytys
- Ilmoitukset myynnille
- Workflow-triggerit
Vaihe 6: Iteroi ja optimoi
Säännöllisesti:
- Analysoi konversiota
- Säädä pisteitä
- Lisää/poista signaaleja
Lead scoring -esimerkki
SaaS-yrityksen malli
Demografiset pisteet (max 50):
| Attribuutti | Kriteeri | Pisteet |
|---|---|---|
| Rooli | VP/C-level | +20 |
| Manager | +10 | |
| Yrityksen koko | > 100 hlö | +15 |
| 50-100 | +10 | |
| Toimiala | SaaS/Tech | +15 |
| Muu B2B | +5 |
Käyttäytymispisteet (max 50):
| Toiminto | Pisteet |
|---|---|
| Demo-pyyntö | +25 |
| Hinnoittelusivun käynti | +15 |
| Case study -lataus | +10 |
| Webinaari | +10 |
| 3+ blogiartikkelia | +5 |
| Sähköpostin klikkaus | +3 |
MQL-raja: 50 pistettä
Esimerkkiliidit
| Liidi | Demografiset | Käyttäytyminen | Yhteensä | Status |
|---|---|---|---|---|
| A | 35 (VP, 200 hlö, SaaS) | 25 (demo) | 60 | MQL |
| B | 15 (Manager, 30 hlö) | 15 (hinnoittelu) | 30 | Warm |
| C | 20 (Director, 80 hlö) | 40 (demo + case) | 60 | MQL |
Lead scoring -työkalut
| Työkalu | Tyyppi |
|---|---|
| HubSpot | Sisäänrakennettu |
| Salesforce | Einstein Lead Scoring |
| Marketo | Edistynyt |
| Pardot | B2B-fokus |
| MadKudu | Predictive |
| Clearbit | Data enrichment |
Parhaat käytännöt
1. Aloita yksinkertaisesti
- 5-10 tärkeintä signaalia
- Selkeät pisteet
- Helppo ymmärtää
2. Yhteistyö myynnin kanssa
- Määrittele yhdessä
- Kerää palautetta
- Iteroi yhdessä
3. Käytä dataa
- Analysoi voitettuja kauppoja
- Tunnista todelliset signaalit
- Vältä oletuksia
4. Päivitä säännöllisesti
- Tarkista kvartaaleittain
- Säädä pisteitä tulosten perusteella
- Lisää uusia signaaleja
5. Yhdistä fit + engagement
- Pelkkä fit ei riitä (ei kiinnostusta)
- Pelkkä engagement ei riitä (väärä kohderyhmä)
- Molemmat tarvitaan
Lead scoring -sudenkuopat
1. Liian monimutkainen
Ongelma: Vaikea ymmärtää ja ylläpitää.
Ratkaisu: Yksinkertaista, keskity olennaiseen.
2. Ei perustu dataan
Ongelma: Pisteet eivät ennusta konversiota.
Ratkaisu: Analysoi historiallista dataa.
3. Staattinen malli
Ongelma: Ei kehity markkinan mukana.
Ratkaisu: Säännöllinen tarkistus ja päivitys.
4. Ei negatiivista pisteytystä
Ongelma: Huonot liidit saavat liikaa pisteitä.
Ratkaisu: Lisää negatiiviset signaalit.
Liittyvät termit
- MQL – Marketing Qualified Lead
- SQL – Sales Qualified Lead
- ICP – Ideal Customer Profile
- Pipeline – Myyntiputki