Lead scoring: bästa praxis för B2B-team inom sälj och marknad

Fråga vilket säljteam som helst så får du höra att kvaliteten på leads blir bättre. I en färsk undersökning bland över 1 000 säljproffs uppgav 68 % att kvaliteten på leads har blivit bättre det senaste året. Låter som goda nyheter. Men ”bättre” är en känsla som säljare anger i en enkät, inte något som någon har mätt. Utan en scoringmodell bakom är den förbättringen en magkänsla, inte ett faktum.

Det här är ingen grundkurs i lead scoring. Grunderna kan du redan. Här går vi igenom hur du gör den där magkänslan till något verkligt: ett system som visar vilka leads som faktiskt är värda en säljares tid, inte bara vilka som känns lovande. Med rätt kriterier slutar din programvara för lead scoring att flagga brus som affärsmöjligheter, och din sales pipeline för B2B börjar spegla det som faktiskt finns där.

Get thousands of leads in 4 minutes.

Stop stitching tools together.
Start with verified sales data, delivered in minutes.

SCALE SALES NOW

No contracts · No setup · No sales call

En snabb repetition: vad är lead scoring?

Lead scoring är processen där du ger leads poäng utifrån vilka de är och vad de gör, så att säljarna vet vem de ska ringa först. Det är ett filter, inte en gissningslek. Explicit data täcker den demografiska sidan: titel, företagsstorlek, bransch, sådant som ett lead berättar direkt för dig. Implicit data täcker beteendesidan: besök på prissidan, demoförfrågningar, de B2B-köpsignaler som visar avsikt utan att någon säger det högt. Stämmer båda delarna slutar lead scoring att vara en skrytfunktion som skruvats fast i ditt CRM och börjar göra det den ska: förankra din go-to-market-strategi för B2B i verkligheten, inte i aktivitet.

Definiera tydliga scoringkriterier innan du delar ut poäng

De flesta team börjar i fel ände när de bygger sin scoringmodell. De väljer kriterier som låter rimliga (titel, företagsstorlek, några engagemangshandlingar), delar ut poäng och kör igång. Sedan ägnar de de kommande sex månaderna åt att undra varför leads med höga poäng inte blir affärer.

Lösningen: börja med dina vunna affärer, inte med dina antaganden. Ta fram de konton som faktiskt konverterade och leta efter vad de har gemensamt: företagsstorlek, bransch, sidorna de besökte innan de bokade en demo, hur många kontaktpunkter det krävdes. Gör sedan samma sak med leads som aldrig konverterade. Skillnaden mellan de två grupperna är dina scoringkriterier. Inte en gissning om hur ett bra lead ser ut, utan hur ett faktiskt såg ut innan det köpte.

Det här fungerar bara om det är datadrivet från första dagen. Att bygga en modell på känsla och rätta till den senare betyder att säljarna jagar fel leads i månader medan marknad insisterar på att scoringen fungerar fint. Se till att datagrunden är på plats innan en enda poäng delas ut.

En sak till som är värd att göra tidigt: ta in säljarna i processen. Ditt outbound-säljteam sitter i telefon varje dag. De ser ofta ett mönster, som en titel som aldrig köper eller ett beteende som alltid signalerar brådska, långt innan det syns i datan. Ignorera den kunskapen så får du bygga om modellen om tre månader för att komma ikapp med det dina säljare redan visste.

Kombinera firmografiska, demografiska och beteendebaserade signaler

Fit visar om ett lead skulle kunna bli din kund. Intent visar om det är nära att börja agera som en sådan. En modell som bara mäter det ena har aldrig mer än halvt rätt.

Fit-signaler (firmografisk och demografisk data)

Fit-signaler besvarar en enda fråga: liknar det här leadet de kunder som faktiskt köper av dig?

• Titel: visar om personen har befogenhet att fatta eller påverka beslutet
• Företagsstorlek: visar om företaget har den budget och den operativa komplexitet som din produkt är byggd för
• Bransch: visar om din lösning löser ett problem som företaget faktiskt har, och inte bara ett problem som du rent tekniskt skulle kunna applicera den på
• Plats: spelar särskilt roll om du säljer till vissa regioner eller om din lösning har regel- eller logistikbegränsningar som hänger ihop med geografin

Ingen av de här signalerna säger om ett lead är redo att köpa just nu. De säger bara om det över huvud taget är rätt sorts prospekt. Det är vad fit-scoring gör: den filtrerar på relevans, inte på brådska.

Intent-signaler (beteendedata)

Fit visar vilka de är. Intent visar vad de faktiskt gör åt saken.

En intent-signal är varje handling som visar att ett lead rör sig mot ett beslut, och inte bara strövar runt kring ditt varumärke. Det är stor skillnad mellan passivt engagemang, som att öppna ett mejl eller skumma ett blogginlägg, och aktiv köpavsikt, som att begära en demo, den sortens beteende som bara är logiskt om någon på allvar utvärderar ett köp. Det första visar att någon vet att du finns. Det andra visar att någon bygger ett internt underlag för att köpa.

Intent-signaler handlar inte om mängden aktivitet. Ett lead kan samla på sig ett dussin lågvärdiga interaktioner och ändå vara långt ifrån ett köp. Det är typen av handling som räknas, inte hur ofta den sker. Det här är kärnan i intent-based marketing: läs beteenden rätt så vet du vem du ska prata med redan innan någon räcker upp handen. I Sverige kräver lagen om elektronisk kommunikation (LEK) samtycke för spårningscookies, och lead scoring räknas normalt som profilering enligt GDPR. Beskriv det därför i din integritetspolicy och informera om rätten att invända enligt artikel 21 senast vid första kontakten.

En modell som bara poängsätter fit flaggar massor av leads som ser rätt ut på pappret men inte har visat något som helst köpintresse: bortkastad bearbetning förklädd till affärsmöjlighet. En modell som bara poängsätter intent jagar alla som klickar runt på din webbplats, oavsett om de någonsin skulle kunna bli kunder. Ingen av dem är ett riktigt lead. Först när båda finns blir det ett riktigt lead.

Ge handlingar med hög köpavsikt mer vikt

Alla handlingar förtjänar inte samma poäng, men många scoringmodeller behandlar dem som om de gjorde det.

En demoförfrågan och en nyhetsbrevsprenumeration är inte samma signal. Den ena betyder att någon är nära ett köpbeslut. Den andra betyder att någon gillade en rubrik tillräckligt mycket för att lämna sin mejladress. Om din modell poängsätter dem ens ungefär lika kommer nyhetsbrevsprenumeranter att hamna överst i din kö medan riktiga köpare får vänta på sin tur.

Besök på prissidan, demoförfrågningar och registreringar för gratis provperioder bör ge betydligt fler poäng än lästa blogginlägg eller nyhetsbrevsanmälningar. De ligger närmare beslutet, så de ska väga tyngre.

Aktualitet och frekvens spelar lika stor roll som själva handlingen. Ett lead som har kollat din prissida tre gånger den här veckan signalerar något brådskande. Ett lead som var inne en gång för tre månader sedan gör det förmodligen inte. Samma handling, samma poäng på pappret, en helt annan nivå av köpavsikt. En bra modell tar hänsyn till den skillnaden i stället för att behandla varje klick som lika färskt.

Använd negativ scoring för att hålla pipelinen ren

De flesta team bygger en scoringmodell som bara lägger till poäng. Ingen drar av några. Det är ett misstag, för en modell som bara belönar aktivitet ger gärna en nyfiken student samma poäng som en riktig köpare, så länge studenten klickar på tillräckligt mycket.

Negativ scoring drar av poäng för signaler som tyder på dålig fit eller svalnande intresse:

• Privata mejldomäner (som hotmail.se, live.se eller telia.com) i stället för en företagsdomän
• Diskvalificerande titlar som student eller praktikant
• Konkurrenters domäner
• Avregistreringar
• Besök på irrelevanta sidor, som karriärsidan

Inget av det här är ett straff. Negativ scoring handlar inte om att bestraffa ett lead för att det finns, utan är en filtreringsmekanism som hindrar säljarna från att lägga tid på någon som aldrig skulle ha konverterat ändå.

Hoppar du över det blåser modellen upp poängen för folk som bara är nyfikna, inte intresserade. En jobbsökare som surfar runt på din webbplats för att läsa på om företaget inför en intervju kan samla lika många poäng som en beslutsfattare som utvärderar ett köp, om allt din modell gör är att räkna klick. Det är negativ scoring som skiljer de två åt.

Sätt tydliga tröskelvärden och automatisera överlämningen

En poäng är bara en siffra tills den sätter igång något. Bygg världens mest träffsäkra modell, och den är ändå värdelös om leads fortfarande blir liggande tills någon råkar se dem.

Definiera poängnivåer och tröskelvärden

Poäng spelar bara roll om de leder till ett beslut. Det betyder att du delar in din poängskala i tydliga nivåer, var och en med ett tröskelvärde som talar om exakt vad som händer härnäst.

En typisk uppsättning har tre nivåer:

• Nurturing: låga poäng, leadet får mer innehåll tills det visar verklig köpavsikt
• Marketing qualified lead (MQL): ett mellanläge, värt att följa men ännu inte redo för ett säljsamtal
• Sales qualified lead (SQL): den högsta nivån, redo att kontaktas av en säljare

De exakta poängvärdena spelar mindre roll än vilka som är överens om dem. Det här måste vara ett gemensamt beslut mellan marknad och sälj, inte något som marknad bestämmer på egen hand och lämnar över. Om säljarna inte ställer sig bakom tröskelvärdena litar de inte på de leads som passerar dem, och då är du tillbaka på ruta ett: säljare som ignorerar kön och jobbar på magkänsla.

Automatisera överlämningen till sälj

Ett tröskelvärde betyder ingenting om ingen håller koll på poängen i realtid. Manuella kontroller kommer alltid för sent.

Ställ in ditt CRM så att det startar överlämningen automatiskt. I samma ögonblick som ett lead passerar SQL-tröskeln ska systemet meddela rätt säljare och lägga upp en uppföljningsuppgift, utan att någon behöver uppdatera en dashboard eller hoppas att aviseringen syns. Även svenska system som Lime CRM erbjuder automatiseringar för sådant. Leadet går vidare i samma sekund som det har förtjänat det.

Det handlar inte om att ersätta omdömet. Det handlar om att se till att omdömet används i rätt ögonblick, inte tre dagar för sent för att någon drunknade i sin inkorg.

Se över och förfina din lead scoring-modell regelbundet

En scoringmodell är inget du bygger en gång och sedan glömmer. Det är ett system som behöver kontrolleras, annars glider det tyst åt fel håll utan att någon märker det.

Lägg in en kvartalsvis genomgång i kalendern. Ta fram dina leads med höga poäng och kontrollera om de faktiskt konverterar. Ta fram dina leads med låga poäng och kontrollera om några av dem ändå blev kunder, vilket oftast betyder att din modell har missat en verklig signal. Båda riktningarna spelar roll. En modell som bara granskas när något går sönder har redan haft fel i månader.

Det finns en anledning till att det här inte kan vara en engångsinställning: kundbeteenden, marknadsläget och produkten förändras. Kriterierna som förutsade ett bra lead i fjol kanske knappt förutsäger något alls i dag. Statisk scoring på en marknad i rörelse blir snabbt inaktuell, och ingen märker det förrän kvaliteten i pipelinen sjunker och alla börjar bråka om vems fel det är.

För en enkel ändringslogg. Varje gång du justerar ett tröskelvärde eller viktar om en signal skriver du ner vad som ändrades och varför. Om någon höjer SQL-tröskeln det här kvartalet vet teamet om det och förstår varför, i stället för att upptäcka det av en slump tre månader senare.

Vanliga misstag inom lead scoring

De flesta scoringmodeller som inte fungerar brister på samma få punkter. Det är värt att stämma av din egen mot den här listan innan du antar att problemet ligger någon annanstans.

• Att bara poängsätta fit eller bara intent: en halv bild som behandlas som hela bilden, så att antingen leads som passar perfekt men saknar intresse eller mycket aktiva leads som aldrig kommer att köpa hamnar överst.
• Ingen negativ scoring: varje nyfiket klick räknas lika mycket som verkligt intresse, vilket i det tysta blåser upp poängen för folk som aldrig skulle ha konverterat.
• Tröskelvärden som sattes en gång och aldrig har setts över: en modell som står still medan marknaden, produkten och köparna den ska spegla fortsätter att röra sig utan den.
• Kriterier som bygger på antaganden, inte på vunna affärer: en gissning förklädd till system, byggd på hur ett bra lead borde se ut i stället för hur ett faktiskt såg ut innan det köpte.
• Marknad och sälj är oense om vad ”kvalificerad” betyder: två team som arbetar efter två olika definitioner, och leads som fastnar mittemellan.

Vanliga frågor om lead scoring

1. Vad är lead scoring som metod?

Lead scoring innebär att du ger leads poäng utifrån vilka de är och vad de gör, så att säljarna kan prioritera dem som är närmast ett köp. Metoden kombinerar fit-signaler som titel, företagsstorlek och bransch med intent-signaler som besök på prissidan eller demoförfrågningar. Resultatet är en enda poäng som visar hur sannolikt det är att ett lead konverterar, i stället för att lämna den bedömningen åt gissningar.

2. Hur kvalificerar man ett lead på bästa sätt?

Börja med data, inte med antaganden. Ta fram dina vunna affärer, identifiera vilka egenskaper och beteenden de kunderna hade gemensamt och bygg dina kriterier kring det mönstret. Lägg till negativ scoring så att leads med dålig fit eller svalt intresse inte blåser upp pipelinen, och se över modellen regelbundet så att den fortsätter att spegla hur dina köpare faktiskt beter sig.

3. Hur skapar man en scoringmodell?

Grunda dina kriterier på data från vunna affärer och kombinera sedan fit- och intent-signaler så att modellen mäter både vem ett lead är och vad det gör. Vikta handlingar med hög köpavsikt tyngre än passiva, sätt tydliga tröskelvärden kopplade till definierade nivåer och automatisera överlämningen så att säljklara leads når säljarna utan dröjsmål.

4. Vilka handlingar påverkar lead scoring?

Handlingar med hög köpavsikt, som demoförfrågningar, besök på prissidan och registreringar för gratis provperioder, väger tyngst, eftersom de signalerar att någon är nära ett beslut. Handlingar med lägre köpavsikt, som att läsa ett blogginlägg eller anmäla sig till ett nyhetsbrev, räknas också men bör ge betydligt färre poäng. Aktualitet och frekvens spelar också roll: ett lead som nyligen har varit aktivt flera gånger signalerar mer brådska än ett som agerade en enda gång för flera månader sedan.

5. Vilken är grundregeln för lead scoring?

Det finns ingen universell regel, eftersom scoringkriterierna ska spegla dina egna data från vunna affärer, inte en generisk mall. Ändå finns det en princip som går igen i alla effektiva modeller: kombinera fit och intent, vikta handlingar efter hur nära ett köpbeslut de ligger och använd negativ scoring för att filtrera bort dem som inte passar. Poängvärdena är unika för varje företag, men logiken bakom dem håller för de flesta.