Lead Scoring (liidien pisteytys) on menetelmä, jolla liidit pisteytetään ja priorisoidaan demografisten tietojen ja käyttäytymisen perusteella, jotta myynti voi keskittyä lupaavimpiin liideihin.
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