Lead scoring så du ved hvilke leads salget skal ringe til først

Hvad er lead scoring, og hvornår er det besværet værd?

Lead scoring er en pointmodel der rangerer dine leads, så salget starter i toppen i stedet for i den rækkefølge henvendelserne tilfældigvis er kommet ind. Det giver mening fra det punkt hvor I ikke længere kan nå at ringe ordentligt til alle. Under den grænse er det spildt arbejde at bygge en model.

Grundidéen er enkel nok. Hvert lead får et tal. Tallet bygger på to ting, som besvarer hver sit spørgsmål. Ligner kontakten den slags kunde du tjener penge på, og opfører kontakten sig som en der er på vej mod en beslutning. Når begge dele peger samme vej, ringer salget. Når kun den ene gør, bliver leadet i mailflowet lidt endnu.

Det lyder mere teknisk end det er. De fleste sælgere laver allerede scoring i hovedet. De kan se på en formular hvem der er værd at ringe til først. Modellen gør bare den vurdering synlig, ensartet og uafhængig af hvem der sidder med listen om mandagen.

Hvorfor skal point både dække profil og adfærd?

Profilpoint handler om hvem kontakten er. Branche, antal ansatte, titel, geografi. Det er statiske oplysninger du enten får fra formularen eller slår op bagefter. Profilen fortæller dig om leadet overhovedet kan blive en kunde. Adfærdspoint handler om hvad kontakten har gjort. Besøg på prissiden, download af en guide, tre åbnede mails i træk, et genbesøg fjorten dage senere. Adfærden fortæller dig om timingen er nu. De to ting skal holdes adskilt, fordi de fejler på hver sin måde. En perfekt profil uden adfærd er en virksomhed der passer fint, men ikke har tænkt sig at købe noget i år. Masser af adfærd uden profil er typisk en studerende, en jobansøger eller en konkurrent der kigger. Begge dele ser ud som et varmt lead, hvis du kun tæller på den ene akse. Derfor giver jeg altid point i to kolonner og kigger på dem hver for sig, før jeg lægger dem sammen til ét tal. Hvordan pointene konkret fordeles, kommer jeg til længere nede.

Hvor mange leads skal du have før det kan betale sig?

Min vurdering efter at have bygget den slags modeller i små virksomheder er, at grænsen ligger omkring 50 leads om måneden. Har I færre end 30, så ring til dem alle sammen. En model koster tid at bygge, tid at kalibrere og tid at vedligeholde, og den tid er bedre brugt på telefonen. Regneeksemplet er ikke svært at lave selv. Sæt 12 minutter af pr. lead til at finde oplysninger frem, ringe, lægge besked, ringe igen og skrive et notat. Ved 40 leads om måneden er det 8 timer. En dags arbejde. Det kan en sælger sagtens klare oveni alt det andet. Ved 120 leads bliver det 24 timer om måneden. Nu taler vi tre arbejdsdage, der går med at ringe til en liste hvor erfaringsmæssigt en stor del aldrig havde tænkt sig at købe noget. Flytter du de 24 timer over på de 35 bedst scorende leads, bruger du 7 timer og kan tillade dig at bruge 20 minutter i stedet for 12 på hvert opkald. Det er dér modellen tjener sig ind, ikke i at spare opkald, men i at gøre dem bedre. En ting til inden du går i gang. Scoring er profilering af personoplysninger, og det hører under persondatareglerne. Hold dig til oplysninger du har et sagligt formål med at gemme, og skriv i privatlivspolitikken at I gør det. Datatilsynet har vejledninger om både profilering og samtykke.

Hvilke point skal du give for hvad?

Giv point for profil og adfærd hver for sig, og hold dem adskilt i to kolonner. Profil dækker branche, størrelse, titel og geografi. Adfærd dækker prisside, demoforespørgsel, gentagne besøg og mailklik. Min tommelfingerregel i B2B med lange salgscyklusser er at adfærd aldrig må udgøre mere end halvdelen af den samlede score.

Grunden er enkel. En indkøbschef i din kernebranche er stadig et godt lead selvom han kun har set to sider. En studerende der har læst hele dit site igennem en tirsdag aften er det ikke. Lader du adfærd dominere, ringer salget til den flittige læser og springer indkøbschefen over.

Jeg bruger en skala fra 0 til 100 med 50 point til rådighed i hver kolonne. Det er nemt at regne i hovedet, og når nogen spørger hvorfor et lead har 63 point, kan du svare uden at åbne et regneark.

Hvor mange point skal profilen trække?

Profilpoint skal afspejle hvor meget hvert kriterium har betydet for dine faktiske lukkede salg. Jeg fordeler typisk de 50 point sådan her, og tallene er et udgangspunkt du skal justere på dine egne tal senere i guiden.

• Branche: 0 til 20 point. Kernebranche 20, tilstødende branche 10, resten 0.
• Virksomhedsstørrelse: 0 til 15 point. 20 til 200 ansatte 15, 5 til 19 ansatte 8, under 5 eller over 500 0.
• Titel og rolle: 0 til 10 point. Beslutningstager 10, påvirker 6, menig medarbejder 2.
• Geografi: 0 til 5 point. Inden for dit salgsområde 5, resten af landet 2, udland 0.

Branchen vejer tungest hos de fleste jeg rådgiver, fordi den afgør om dit produkt overhovedet løser et problem hos dem. Størrelse kommer lige efter, for det afgør om de har budget og et problem stort nok til at gøre noget ved. Titel er mindre pålidelig end folk tror, for mange skriver noget andet i formularen end det der står i deres ansættelseskontrakt.

Geografi får kun fem point, medmindre du har fysisk service med kørsel. Så kan du roligt skrue den op til 15 og tage dem fra titel og størrelse. Har du kunder i hele landet, og bliver leveringen klaret online, kan du springe geografi helt over og lægge de fem point over på branche.

Hvad skal adfærd udløse af point?

Adfærdspoint skal følge hvor tæt handlingen ligger på en købsbeslutning. Et klik i et nyhedsbrev er svagt, et besøg på prissiden er stærkt, og en demoforespørgsel er så stærk at den burde sende leadet direkte til salg uanset score. Her er de 50 point fordelt.

• Demoforespørgsel eller møderequest: 25 point.
• Besøg på prisside: 15 point første gang, 5 point for hvert gentaget besøg, maks 25 i alt.
• Download af case eller guide: 10 point.
• Tre eller flere sessioner inden for 14 dage: 10 point.
• Klik i nyhedsbrev: 2 point pr. klik, maks 8 point.
• Åbning af mail: 0 point.

Mailåbninger giver nul, og det er bevidst. Apple Mail Privacy Protection henter billeder automatisk og registrerer åbninger der aldrig er sket, hvilket Apples egen beskrivelse af funktionen bekræfter. Scorer du på åbninger, scorer du på Apples servere.

Lægger du de to kolonner sammen, kan en beslutningstager i kernebranchen med en prissidevisning lande på 50 plus 15, altså 65 point. En ukendt besøgende der har klikket sig varm i nyhedsbrevet rammer 18. Forskellen er tydelig nok til at salget kan prioritere uden at diskutere. Hvordan du får skemaet ind i dit system og kobler det til udsendelser, beskriver jeg i hovedguiden om marketing automation.

Få viden du kan bruge i din markedsføring

Du får konkrete erfaringer fra arbejdet med danske virksomheder, skrevet så du kan handle på det. Ingen reklame.

Hvorfor skal nogle handlinger trække point fra?

Negative point findes for at holde scoren ærlig. Jobansøgere, konkurrenter og studerende kan sagtens besøge ti sider og hente to guides, og uden fradrag ryger de øverst i salgets liste. Samtidig skal gammel adfærd falde i værdi, så et lead fra marts ikke ligner et varmt lead i november.

De fleste bygger deres første model med kun positive point. Det er den naturlige vej, for alt hvad et lead gør, føles som interesse. Problemet viser sig efter nogle måneder, når salget begynder at sige at listen ikke holder. De ringer til nummer et på listen og taler med en studerende der skriver bachelorprojekt, og nummer to er en konkurrent der læser priser.

Min erfaring er at de værste falske høje scorer ikke kommer fra tilfældige besøgende. De kommer fra folk der opfører sig præcis som en købsklar kunde, bare med et helt andet ærinde.

Hvilke signaler skal trække point fra?

Start med de fire typer der oftest forurener en liste. Jobansøgere er nummer et, især hvis du har en karriereside. Besøg på jobsider og ansøgningsformularer skal trække kraftigt fra, gerne nok til at nulstille en ellers pæn score. Konkurrenter kender du på firmadomænet, og den liste kan du selv skrive på et kvarter, hvis du kender dit marked. Studerende og undervisere kommer typisk fra uddannelsesdomæner eller skriver en gratis mailadresse med et navn du ikke kan slå op nogen steder. Gratis-jægere er dem der henter hver eneste guide og aldrig åbner en mail bagefter.

Så er der de signaler der handler om fravalg. En afmelding fra nyhedsbrevet er ikke neutral, den er et nej. Et lead der afmelder sig, skal ned under pointgrænsen med det samme, ikke blive liggende fordi det hentede en guide i foråret. Det samme gælder hård bounce på mailadressen og en formular hvor telefonnummeret tydeligvis er opdigtet.

Hvor meget skal der trækkes fra? Min tommelfingerregel er at et negativt signal skal veje mindst lige så meget som det stærkeste positive signal i modellen. Hvis et prisbesøg giver 20 point, skal et besøg på jobsiden trække mindst 20 fra. Ellers vinder adfærden over advarslen, og så er fradraget pynt.

Hvor hurtigt skal en score forfalde?

Et lead der var varmt i marts, er ikke varmt i november. Derfor skal scoren falde af sig selv, når der ikke sker noget. Jeg bruger 10 procent om måneden på adfærdspoint som udgangspunkt. Profilpoint lader jeg stå, for en indkøbschef i en virksomhed med 80 ansatte er stadig en indkøbschef et halvt år senere.

Regneeksemplet er enkelt. Et lead henter en guide, besøger prissiden to gange og åbner tre mails, og lander på 60 adfærdspoint. Så sker der ikke mere. Efter en måned står der 54. Efter tre måneder 44. Efter seks måneder 32, og efter et år er der 17 tilbage. Ligger din grænse for at ringe på 50, falder leadet ud af salgets liste allerede i måned to og tilbage i mailflowet, hvor det hører hjemme. Det er lige præcis den bevægelse du vil have.

Vælger du 20 procent i stedet, er leadet nede på 20 point efter et halvt år. Det passer bedre til korte salgscyklusser. Sælger du noget med otte måneders beslutningsproces, er 5 procent mere rimeligt. Den rigtige sats ligger tæt på den tid der går fra første kontakt til underskrift hos dig.

Hvorfor skal rekrutteringsleads holdes helt uden for modellen?

Fordi de ligner salgsleads til forveksling i din indbakke. Begge udfylder en formular, begge kommer fra en annonce, begge har navn, mail og telefon. Den eneste forskel er hensigten, og den kan din scoringsmodel ikke se, hvis du ikke adskiller sporene teknisk.

For INGENIØR'ne arbejdede jeg med at tiltrække kandidater, ikke kunder. Vi brugte Facebook-annoncering med lead-formularer for at få potentielle kandidater i dialog, og Google Ads til at være synlige for kandidater der var langt i deres overvejelser om at søge nyt job. Jeg lavede en grundig konkurrentanalyse for at finde ud af, hvilke konkurrerende ingeniørvirksomheder der var i Esbjerg, Kolding, Odense og Aarhus. Det er to helt adskilte spor med hver sin formular, hver sin landingsside og hver sin modtager internt.

Kører du begge dele, så hold dem adskilt fra start. Egen formular, eget felt i CRM, egen liste. Ellers bruger du det næste halve år på at trække kandidater ud af salgets opkaldsliste manuelt.

Hvornår er et lead et MQL, og hvornår bliver det et SQL?

Et lead bliver MQL når det rammer pointgrænsen, og SQL når salget har talt med det og bekræftet at der er et reelt behov, et budget og en tidshorisont. Grænsen mellem de to er ikke et tal i systemet, men en samtale. Derfor skal begge definitioner skrives ned og godkendes af både marketing og salg.

Det lyder banalt, men det er her de fleste modeller falder fra hinanden. Marketing sender leads videre når de rammer 60 point. Salget ringer, oplever at halvdelen ikke er klar, og holder efter tre uger op med at ringe på dem overhovedet. Så sidder man med en scoringsmodel der kører fint teknisk, og en salgsafdeling der ignorerer den.

Min erfaring er at problemet næsten aldrig er modellen. Det er at ingen har aftalt hvad der sker i overleveringen, hvor hurtigt der skal ringes, og hvad salget gør når svaret er nej.

Hvor højt skal pointgrænsen sættes?

Sæt grænsen efter hvor mange opkald salget kan nå på en uge, ikke efter et pænt rundt tal. Det er det råd jeg giver oftest, og det er også det der møder mest modstand, fordi 50 eller 100 bare ser rigtigere ud end 73.

Regn baglæns i stedet. Har du én sælger der kan tage 15 kvalificerede opkald om ugen oveni sine eksisterende opgaver, så er kapaciteten 15 MQL om ugen, altså cirka 60 om måneden. Sorter dine leads fra sidste kvartal efter score, tæl ned til du rammer 60 per måned i gennemsnit, og aflæs hvad scoren er på det sidste. Det tal er din grænse. Måske er det 68. Måske 41. Det er ligegyldigt hvad det hedder, så længe det passer til kalenderen.

Fordelen er at modellen bliver selvregulerende. Får du flere leads ind, hæver du grænsen og salget arbejder stadig på toppen af bunken. Ansætter du en sælger mere, sænker du den. Sætter du i stedet grænsen til 50 fordi det er halvdelen af 100, og der så kommer 140 leads over grænsen i en travl måned, så vælger sælgerne selv hvilke de ringer til. Og så er du tilbage ved mavefornemmelsen, bare med et dashboard ovenpå.

Jeg anbefaler at man kigger på grænsen én gang i kvartalet. Oftere end det er støj, sjældnere end det og du opdager først efter et halvt år at salget er druknet.

Hvad skal stå i aftalen mellem marketing og salg?

Aftalen behøver ikke fylde mere end én side. Den skal besvare fem ting, og den skal være underskrevet af den der leverer leads og den der ringer på dem. Her er skabelonen jeg bruger.

Den lukkede liste over afvisningsårsager er det punkt der giver mest igen. Når salget skal vælge en grund hver gang, kan du efter to måneder se om problemet er modellen eller tidspunktet. Er 40 procent afvist som forkert segment, giver du for mange profilpoint til den forkerte type virksomhed. Er 40 procent afvist som for tidligt, er grænsen sat for lavt, eller du giver for meget vægt til adfærd som bare er nysgerrighed.

Hvad sker der med et lead salget siger nej til?

Det går tilbage til marketing, og det bliver ikke slettet. Et nej fra salget er sjældent et nej for altid, det er oftest et nej lige nu.

Jeg sætter afvisningsårsagen op som den der bestemmer hvor leadet lander. Forkert segment og allerede kunde ryger helt ud af scoringen, så de ikke kommer igen. For tidligt og intet budget får nulstillet deres score og bliver lagt i et længere nurture-forløb, hvor de kan score sig op igen over de næste måneder. Kunne ikke træffes er ikke et nej, det er en genplanlægning, og det lead skal have et nyt forsøg om to uger.

Det forløb de lander i efter et nej, er lige så vigtigt som det der førte dem frem. Jeg har beskrevet opbygningen af dem i gennemgangen af email marketing flows der virker for mindre virksomheder, og nurture efter afvisning er en af de billigste pladser at hente salg på, fordi leadet allerede har rakt hånden op én gang.

En regel jeg holder fast i: et lead må højst sendes til salg to gange inden for seks måneder. Rammer det grænsen tredje gang, så er det ikke et købssignal, det er en person der læser meget. Så skal modellen justeres, ikke sælgeren.

Vil du have mere i indbakken?

Du får konkrete erfaringer fra arbejdet med danske virksomheder, skrevet så du kan handle på det. Ingen reklame.

Sådan kalibrerer du modellen på dine egne lukkede salg

Du finder pointværdierne ved at se bagud. Træk dine sidste 20 til 30 vundne sager og 20 tabte, kortlæg hvad de gjorde før de købte, og find de to eller tre signaler der adskiller de to grupper. Dem giver du mange point. Resten giver du få.

Det er den eneste del af lead scoring hvor jeg synes gætteriet skal stoppe. Alt det andet kan man justere hen ad vejen, men hvis grundmodellen bygger på en antagelse om hvad der kendetegner en god kunde, og antagelsen er forkert, så sender du salget efter de forkerte mennesker i et halvt år uden at opdage det.

Den gode nyhed er at øvelsen tager en halv dag. Ikke et kvartal. Du skal ikke bruge et analyseværktøj, du skal bruge et regneark og din egen hukommelse om de handler der blev lukket.

Hvordan trækker du mønstret ud af dine vundne og tabte sager?

Start med listen over vundne. Tag de seneste 20 til 30, og gå længere tilbage end et år hvis du ikke har nok. Så laver du en kolonne per ting du overvejer at give point for, og sætter kryds.

Det er ikke statistik, og det skal det ikke være. Det er mønstergenkendelse med tal på, og det er markant bedre end at sætte 15 point på en titel fordi det lyder rigtigt i et møde.

Hvor få data skal der til før et mønster er brugbart?

Min vurdering: 20 vundne og 20 tabte er nok til at tage en beslutning du kan arbejde videre på. 50 af hver er bedre, men de fleste virksomheder med en håndfuld sælgere har ikke 50 sammenlignelige handler fra det seneste år, og så venter man bare.

Under 10 vundne sager vil jeg ikke bygge en model på. Så er tilfældighederne for store. To store kunder der begge kom via en messe kan få dig til at hælde 20 point på messe-leads, selvom det var tilfældigt.

Vær samtidig ærlig om at modellen skal justeres. Jeg anbefaler et kig hvert kvartal det første år: tag de handler der er lukket siden sidst, kør dem igennem modellen, og se hvor de landede. Vinder du gentagne gange sager der scorede lavt, så mangler du et signal. Taber du sager der scorede højt, vægter du noget for tungt.

Hvad gør du hvis du slet ingen historik har?

Så bruger du salgets hukommelse som midlertidig erstatning, og du sætter en dato for hvornår den bliver afløst af tal.

Sæt dig ned med dem der sælger, en time, og stil tre spørgsmål. Hvilke tre ting ved et lead gør dig glad når det lander? Hvilke tre ting gør at du ved det bliver tungt? Hvilken handling fra et lead har oftest ført til et møde? De svar bliver din første model. Den er et kvalificeret gæt, og den skal behandles som et gæt.

Samtidig gør du to ting. Du begynder at registrere adfærd fra dag ét, også på leads du ikke bruger til noget endnu, så du har data om et halvt år. Og du sætter pointgrænsen lavt det første stykke tid, så salget får for mange leads frem for for få. Det er lettere at hæve grænsen fordi salget klager over kvaliteten, end at opdage at man har sorteret de gode fra i stilhed.

Har du mindre end 30 leads om måneden, vil jeg i øvrigt lade modellen være meget simpel. To eller tre kriterier, ikke tolv. Du kan altid bygge på, når du har noget at bygge på.

Hvordan bygger du scoringen i dit system uden at det bliver uoverskueligt?

Scoringen skal bo der hvor salget arbejder, altså i CRM. Du har brug for tre ting: et talfelt på kontakten, en kilde der kan skrive i det felt, og en sporing der registrerer hvilke sider og formularer kontakten har rørt ved. Resten er finjustering.

Den klassiske fejl er, at modellen kun lever i mailværktøjet. Scoren står smukt inde i Mailchimp eller ActiveCampaign, men sælgeren åbner aldrig det system. Så ender det med, at marketing sender en liste i et regneark hver mandag, og halvdelen af den liste er allerede ringet op.

Scoren skal stå på kontaktkortet i det system hvor sælgeren i forvejen har sine opgaver. Kan den ikke det, er scoringen et internt marketingprojekt og ikke et salgsværktøj.

Hvilke datapunkter skal være rene før du overhovedet begynder?

Før du tildeler et eneste point, skal grunddataene være til at stole på. Scoring er ren matematik oven på dine felter, og regner du på rod, får du rod med to decimaler.

• E-mail som unik nøgle. Én kontakt, én mail. Dubletter betyder dobbelt score eller halv score, aldrig den rigtige.
• Virksomhedsnavn og CVR på kontakten. Uden CVR kan du ikke slå branche og antal ansatte op, og så dør halvdelen af din profilscore.
• Kilde og UTM gemt på kontakten ved oprettelse, ikke ved sidste klik. Jeg gemmer altid første og sidste kilde i hvert sit felt.
• Formularnavn gemt som felt. Ved du ikke om kontakten udfyldte nyhedsbrev eller tilbudsformular, kan du ikke give dem forskellige point.
• Sidevisninger knyttet til kontakten, ikke bare til et anonymt cookie-id. Koblingen sker først når de udfylder en formular, og det er fint, så længe systemet bagudskriver de besøg de havde inden.
• Dato for sidste aktivitet. Uden den kan du ikke lade point forfalde.

Sporing af sidevisninger og formularindsendelser er det punkt hvor flest sætter sig fast. Her går der tit en uge med at få tags, events og formular-id'er til at hænge sammen, og det er den uge der afgør om tallene senere kan bruges. Jeg plejer at sætte målingen op i en container først og se den køre et par uger, inden jeg bygger noget oven på den. Hvordan man gør det ryddeligt, har jeg skrevet om i min gennemgang af Google Tag Manager fra tom container til styret måling.

Skal du bruge HubSpot, ActiveCampaign eller bare et regneark?

Det afhænger af hvor mange leads du har, og hvor meget du gider betale for automatik. De tre niveauer løser samme opgave med vidt forskellig indsats.

HubSpot har scoring indbygget på kontakten, og scoren kan bruges direkte som filter på lister og workflows. Betaler du for Marketing Hub Professional, kan du bygge flere scoringsmodeller side om side, fx én for nye leads og én for genkøb. Prisen er til gengæld til at føle på, og jeg anbefaler den sjældent til en virksomhed med under 200 nye leads om måneden.

ActiveCampaign kan det samme til en brøkdel af prisen, men scoren lever i mailværktøjet. Løsningen er at synkronisere scorefeltet over i CRM eller at bruge ActiveCampaigns eget deals-modul som salgets arbejdsflade. Vælger du det første, så tjek synkroniseringen hver måned. Felter der kun går én vej, har det med stille at holde op med at gå.

Regnearket er undervurderet. Har du 30 til 60 leads om måneden, kan du eksportere dem én gang om ugen, lægge point på med en formel og sende top 15 til salget. Det tager tyve minutter, og du lærer din egen model at kende på en måde du aldrig gør, når et system gør det for dig. Når du har kørt det i to måneder og ved hvilke kriterier der virker, flytter du modellen ind i systemet.

Mit råd er at bygge modellen manuelt først og automatisere bagefter. Automatiserer du en model du ikke har testet, bruger du tre uger på at bygge noget der skal rives ned igen. Den samme rækkefølge bruger jeg, når jeg hjælper med opsætning af marketing automation og flows.

Hvad gør du når scoren og sælgerens mavefornemmelse er uenige?

Du lader sælgeren vinde i den enkelte sag og retter modellen bagefter. En score er et forslag, ikke en ordre. Men hver gang en sælger springer et højt scoret lead over, skal det noteres med en årsag i CRM. Efter 20 noter kan du se mønstret, og så har du dit næste justeringspunkt.

Skal vi tage en snak?

Tag en uforpligtende snak om hvor du står. Du går fra samtalen med mindst tre konkrete ting du kan gøre.

Ofte stillede spørgsmål

Relaterede artikler