Lead scoring קיים כדי לענות לצוות המכירות על שאלה אחת: מכל הלידים שבמערכת, על מי שווה להרים טלפון כבר היום? Lead score הוא מספר שאתם נותנים לכל ליד לפי כמה הוא מתאים ללקוח האידיאלי שלכם וכמה הוא מעורב — כך שהמכירות משקיעות זמן בלידים שהכי סביר שייסגרו, במקום לעבוד על הרשימה מלמעלה למטה. המודל יכול להפוך מתוחכם מאוד, אבל score בסיסי וכֵּן שווה הרבה יותר ממודל מפואר שאף אחד לא סומך עליו. הנה הקריאה של המתרגלים בשטח לבניית אחד כזה מתוך הדאטה שלכם ב-HubSpot.
רוצים לבנות את זה בידיים? לכו לפי מדריך פרקטי לכלי ה-lead scoring של HubSpot. ו-scoring עובד רק על רשימה נקייה — תתחילו מבניית רשימת לידים נקייה.
Lead scoring הוא הנוהג של דירוג הלידים לפי מספר אחד, כך שהמכירות עובדות קודם על ההזדמנויות הכי טובות במקום לנחש. ב-B2B, שבו עסקאות נשקלות לאורך זמן, מערבות כמה בעלי עניין ונסגרות לאט, הדירוג הזה משנה יותר מאשר בכל מודל אחר: לנציגים שלכם יש שעות מוגבלות, וחלק ניכר מהמערכת פשוט לעולם לא יקנה. Score הופך רשימה ארוכה וחסרת בידול לסדר עדיפויות. כשעושים את זה נכון, זה מיישר בין השיווק למכירות סביב המשמעות האמיתית של "מוכן", מקצר את הזמן שלידים טובים מחכים, ומונע מהנציגים לשרוף שבוע שלם על שמות שנראים עסוקים אבל לעולם לא ייסגרו.
שני סוגי דאטה: התאמה (מי הם) והתנהגות (מה הם עשו). דאטת התאמה היא ההתאמה הדמוגרפית והפירמוגרפית — תפקיד, גודל החברה, תעשייה, מיקום — שמספרת לכם אם הליד בכלל מזכיר לקוח טוב. דאטת התנהגות היא המעורבות — עמודים שביקרו בהם, מיילים שנפתחו, טפסים שמולאו, דמואים שביקשו — שמספרת לכם כמה הוא מעוניין דווקא עכשיו. Score חזק משלב את שניהם, כי כל אחד לבדו מטעה: ליד עם התאמה מושלמת שלא עשה כלום אינו מוכן, וליד מעורב מאוד שההתאמה שלו גרועה לעולם לא ייסגר. אתם נותנים נקודות למאפיינים ולפעולות שמתואמים עם לקוחות אמיתיים, ומחסירים נקודות על סיגנלים שליליים.
דוגמה מהשטח: VP of Sales בחברת SaaS של 200 איש (התאמה חזקה) שביקר פעמיים השבוע בעמוד התמחור (התנהגות חזקה) צריך לקבל score גבוה בהרבה מסטודנט שהוריד ebook אחד.
יוצרים property של score, מרכזים את הקריטריונים החיוביים והשליליים, נותנים לכל אחד ערך בנקודות, ונותנים ל-HubSpot לסכם אותו אוטומטית על כל איש קשר. ל-HubSpot יש property מובנה בשם HubSpot Score, וברוב המסלולים אתם יכולים לבנות property ידני שבו אתם מגדירים את הכללים בעצמכם. הזרימה זהה בשני המקרים:
תשמרו את הגרסה הראשונה קטנה בכוונה — תריסר כללים נבחרים שאתם יכולים להסביר שווים יותר מארבעים שאתם לא.
תסתכלו על הלקוחות שנסגרו אצלכם ותשקללו את המאפיינים שבאמת היו משותפים להם — תנו לדאטה לקבוע את הנקודות, לא לתחושת הבטן. הדרך הכי מהירה למודל אמין היא ללמוד את מי שכבר קנה. אילו תפקידים, גדלים של חברות ותעשיות מופיעים הכי הרבה אצל הלקוחות שלכם? אילו התנהגויות — בקשת דמו, ביקורים חוזרים בעמוד התמחור — קדמו לעסקה שנסגרה? תנו יותר נקודות לסיגנלים שהיו משותפים ללקוחות אמיתיים, ופחות לחלשים. חשוב לא פחות, תנו נקודות שליליות לפוסלים. Score שרק מוסיף נקודות מנפח את כולם; השליליות הן מה שגורם לו להבחין.
דוגמה מהשטח: אם כמעט כל עסקה שנסגרה בשנה האחרונה ביקשה דמו, הפעולה הזאת ראויה לנקודות כבדות — וליד עם דומיין מייל חינמי ראוי להחסרה, כי כמעט אף אחד מהם לא קנה.
תבחרו את ה-score שמעליו ליד הופך מוכן למכירה, ותקבעו אותו במקום שדאטת ההמרה — לא האופטימיות — אומרת לכם. המספר עצמו חסר משמעות עד שאתם מותחים קו: באיזה score השיווק מעביר את הליד למכירות? תקבעו אותו נמוך מדי ותציפו את המכירות בלידים חלשים ותשחקו את האמון שלהם ב-score; תקבעו אותו גבוה מדי ולידים טובים יישבו מוזנחים. תשתמשו בדאטה שלכם — באיזה score לידים באמת מתחילים להמיר? — ותסכמו על הסף יחד בין השיווק למכירות, כי score שהמכירות לא מאמינות בו הוא score שהן יתעלמו ממנו. הסדר חשוב: תגדירו סיגנלים של התאמה והתנהגות מתוך לקוחות אמיתיים, תשקללו אותם, ואז תקבעו סף ששני הצוותים חתומים עליו.
ה-score הוא input ל-workflows שלכם: לידים מעל הסף עוברים routing ומשויכים לנציג, לידים מתחתיו עוברים טיפוח עד שהם מטפסים. Score מצדיק את קיומו רק כשהוא מפעיל פעולה. ב-HubSpot אתם מחברים את ה-property של ה-score לאוטומציה: כשאיש קשר חוצה את הקו של מוכן-למכירה, workflow מעביר את שלב מחזור החיים שלו ל-MQL או ל-SQL, משייך owner ברוטציה, ומודיע לנציג כדי שיעבדו על הליד כל עוד הוא חם. לידים מתחת לקו לא נזרקים — הם נכנסים לרצף טיפוח שמשאיר אותם מעורבים, וההתנהגות שלהם ממשיכה לצבור נקודות עד שהם חוצים את הסף ועוברים routing אוטומטית. הלולאה הסגורה הזאת היא מה שהופך scoring לתפעולי במקום דקורטיבי.
הגדולות הן scoring רק על התנהגות, התעלמות מסיגנלים שליליים, קביעת סף לפי תקווה, ולעולם לא לחזור למודל. Score שמבוסס רק על התנהגות מתגמל כל מי שקליק — כולל מחפשי עבודה, סטודנטים ומתחרים — ומרעיב את המכירות מהקשר של התאמה. דילוג על החסרות נותן לכל score לטפס עד שהמודל כבר לא יכול להפריד בין טוב לרע. בחירת הסף באופטימיות מציפה את הנציגים בלידים חלשים ומאמנת אותם להתעלם מה-score לגמרי. ומודל שנקבע פעם אחת ונשכח סוטה בשקט ככל שהשוק והמוצר שלכם משתנים. כל אחת מהטעויות האלה היא אותו כישלון בלבוש אחר: score שהמכירות מפסיקות לסמוך עליו, וזה גרוע יותר מאשר אין score בכלל.
תבדקו אותו בקביעות מול מה שבאמת נסגר, ותתאימו את המשקולות ככל שהשוק והמוצר שלכם משתנים. מודל lead scoring הוא השערה, לא עובדה. הסיגנלים שניבאו לקוחות טובים בשנה שעברה עשויים להיחלש כשאתם עולים upmarket, משיקים מוצר חדש או נכנסים לסגמנט חדש. תבדקו מדי פעם אם הלידים עם ה-score הגבוה הם עדיין אלה שנסגרים — ואם לא, תכיילו מחדש. ב-HubSpot אפשר לבנות את זה עם properties ידניים של score או, במסלולים גבוהים יותר, עם scoring חיזוי, אבל כך או כך המשמעת זהה: לבחון את המודל מול התוצאות ולכוונן. Score שלא מתוחזק סוטה עד שהמכירות מפסיקות לסמוך עליו, וזה מחטיא את כל המטרה.
Lead score בסיסי שבנוי מתוך דאטת ה-closed-won שלכם ושהמכירות סומכות עליו שווה יותר ממודל משוכלל שבנוי על הנחות. שני הדברים שעושים אותו או שוברים אותו הם הסיגנלים השליליים (שמאפשרים ל-score באמת להבחין) והסף (שעובד רק אם השיווק והמכירות מסכימים עליו יחד). תתחילו פשוט, תשקללו מתוך לקוחות אמיתיים, תמתחו את הקו ביחד, תחברו את זה ל-routing ולטיפוח, ותחזרו אליו מדי פעם — זה score שזוכה לתשומת הלב של צוות המכירות במקום לגלגול עיניים.
רוצים מודל lead scoring שצוות המכירות שלכם באמת יסמוך עליו וישתמש בו? תקבעו אודיט פורטל של 30 דקות — נראה לכם אילו סיגנלים מנבאים את הלקוחות האמיתיים שלכם ואיך לעשות עליהם scoring. לבנייה עצמה, תראו את עבודת ההטמעה שלנו ב-HubSpot; ולליישור ההעברה משיווק למכירות סביב ה-score, תראו איך אנחנו ניגשים לRevOps.
מה ההבדל בין התאמה להתנהגות ב-lead scoring?
התאמה היא מי הליד — תפקיד, גודל החברה, תעשייה — והיא מספרת לכם אם הוא מזכיר לקוח טוב. התנהגות היא מה הוא עשה — ביקורים, פתיחות, בקשות דמו — והיא מספרת לכם כמה הוא מעוניין עכשיו. Score טוב משתמש בשניהם, כי כל אחד לבדו נותן תמונה מטעה.
למה ה-scores השליליים משנים?
בלי החסרות על פוסלים כמו דומייני מייל אישיים, מתחרים או ביטולי הרשמה, ה-score של כל ליד רק מטפס והמודל לא יכול להפריד בין טוב לרע. הנקודות השליליות הן מה שמאפשר ל-score באמת להבחין בין ליד חם לליד פעיל אבל לא מתאים.
האם צריך HubSpot Enterprise בשביל lead scoring?
לא — אפשר לבנות property ידני של score ברוב המסלולים, עם נקודות להתאמה ולהתנהגות. Scoring חיזוי מבוסס-AI הוא יכולת של מסלול גבוה יותר, אבל מודל ידני מתוכנן היטב מספיק לרוב הצוותים בהתחלה.
כל כמה זמן כדאי לעדכן את ה-lead score?
תבדקו אותו בכל פעם שהשוק, המוצר או הלקוח האידיאלי שלכם זזים, ולפחות פעמיים-שלוש בשנה. תבדקו אם הלידים עם ה-score הגבוה הם עדיין אלה שנסגרים, ותתאימו את המשקולות אם המודל סטה מהמציאות.