Marketing przekazuje leady, sprzedaż je odrzuca, a CRM pokazuje coraz więcej punktów i coraz mniej zaufania. Tak wygląda wiele wdrożeń scoringu. Problem zwykle nie zaczyna się od modelu. Zaczyna się od słabych danych, niejasnych reguł i progu przekazania, którego handlowcy nie rozumieją.
Ten tekst pokazuje, jak ułożyć lead scoring z AI w polskiej firmie B2B tak, żeby pomagał w kwalifikacji leadów zamiast dokładać kolejny spór między marketingiem a sprzedażą. Jeśli chcesz najpierw zobaczyć szerszy kontekst, zacznij od AI w sprzedaży B2B.
Co to jest lead scoring i co wnosi AI
Lead scoring to sposób punktowania kontaktów w CRM na podstawie tego, kim są i jak się zachowują. Firma ustala, które sygnały mają znaczenie. Branża może dawać punkty, aktywność na stronie produktu też, a długi brak reakcji może ten wynik obniżać.
W prostym modelu reguły ustawia się ręcznie i co jakiś czas aktualizuje. AI dodaje do tego pracę na danych historycznych. Może sprawdzać, które leady naprawdę kończyły się rozmową albo sprzedażą, i na tej podstawie lepiej ważyć sygnały. Dzięki temu system widzi nie tylko pojedyncze akcje, ale też ich kombinacje.
To nie znaczy, że AI naprawi proces samo z siebie. Jeśli w CRM brakuje branży, historii kontaktu albo statusów po rozmowach, model tylko szybciej policzy zły materiał wejściowy.
Gdzie scoring z AI różni się od ręcznego scoringu
Scoring ręczny dobrze działa na starcie, gdy masz mało sygnałów i chcesz zachować pełną kontrolę. Ustalasz reguły raz, testujesz je i poprawiasz ręcznie.
Scoring z AI ma sens wtedy, gdy leadów jest więcej, źródeł danych przybywa, a sama punktacja robi się trudna do utrzymania. System może wtedy uczyć się na historii wygranych i przegranych szans, pilnować zmian w zachowaniu leadów i szybciej wychwytywać wzorce, których zespół nie widzi gołym okiem.
Skąd bierze się opór handlowców
Handlowcy zwykle nie odrzucają scoringu dlatego, że jest oparty na AI. Odrzucają go wtedy, gdy system pokazuje wysoki wynik, a po telefonie okazuje się, że lead nie ma budżetu, nie szuka rozwiązania albo w ogóle nie pasuje do firmy.
Drugi powód jest prosty: brak wyjaśnienia. Jeśli handlowiec widzi tylko liczbę punktów, ale nie wie, skąd się wzięła, trudno mu zaufać wynikowi i jeszcze trudniej sensownie zacząć rozmowę.
Zanim zaczniesz, sprawdź dane w CRM
Lead scoring działa tak dobrze, jak dane, które do niego wpadają. Dlatego przed wdrożeniem modelu warto zrobić krótki audyt CRM. Jeśli chcesz szerzej uporządkować temat jakości danych, zobacz też kontrolę danych i Shadow AI.
Co sprawdzić przed budową scoringu
- Sprawdź kompletność pól, na których scoring ma się opierać: branży, wielkości firmy, stanowiska, źródła leadu i historii kontaktu.
- Sprawdź aktualność danych. Rekord sprzed roku bez nowych aktywności nie daje tego samego sygnału co świeży lead po demo.
- Sprawdź, czy dane z formularzy, maili i strony trafiają do CRM poprawnie i bez opóźnień.
- Sprawdź historię interakcji. Jeśli CRM zbiera aktywność wybiórczo, scoring będzie ślepy na część ważnych sygnałów.
- Sprawdź duplikaty. Jeden kontakt zapisany kilka razy potrafi rozbić historię działań i zafałszować wynik.
- Sprawdź statusy. Marketing i sprzedaż muszą rozumieć tak samo takie etapy jak "zainteresowany", "w rozmowie" czy "odrzucony".
- Sprawdź powiązanie kontaktu z firmą. W B2B sam kontakt często nie wystarcza, bo decyzja zapada na poziomie całego konta.
Jeśli chcesz najpierw uporządkować sposób zbierania i łączenia danych, przyda się też tekst o architekturze danych AI.
Jak budować reguły scoringu
Dobre reguły scoringu odpowiadają na dwa pytania: czy ten lead pasuje do firmy i czy zachowuje się jak ktoś gotowy do rozmowy. Dopiero połączenie tych dwóch warstw ma sens.
Poniżej jest prosty przykład logiki. To ilustracja, nie gotowy wzór do skopiowania.
| Sygnał | Co mierzy | Przykładowa waga |
|---|---|---|
| Branża zgodna z profilem klienta | Czy firma pasuje do segmentu, w którym najczęściej wygrywasz | 15 pkt |
| Wielkość firmy | Czy lead mieści się w typowym przedziale klientów | 20 pkt |
| Aktywność mailowa | Otwieranie, kliknięcia, odpowiedzi | 15 pkt |
| Aktywność wokół oferty | Wejścia na stronę produktu, demo, webinar, pobrania | 25 pkt |
| Źródło leadu | Jak takie źródło wypadało wcześniej w sprzedaży | 10 pkt |
| Świeżość sygnału | Czy aktywność wydarzyła się niedawno | 5 pkt |
W firmie z kilkudziesięcioma osobami i kilkuset leadami miesięcznie próg przekazania do sprzedaży może zaczynać się na przykład od 70 punktów. To nadal tylko punkt wyjścia. Własny próg trzeba skalibrować na podstawie danych historycznych i rozmów z handlowcami.
Jak pokazać logikę punktacji handlowcom
Handlowiec nie musi znać modelu od strony technicznej. Musi wiedzieć, skąd wziął się wynik. Powinien widzieć, że lead dostał wysoką ocenę dlatego, że pasuje branżowo, odwiedził stronę produktu, odpowiedział na mail i zrobił to w ostatnich dniach.
Jeśli CRM albo narzędzie scoringowe umie to pokazać, zaufanie rośnie. Jeśli pokazuje tylko liczbę, scoring szybko staje się kolejnym filtrem, który sprzedaż omija.
Próg przekazania do sprzedaży
Sam próg punktowy nie wystarczy. Trzeba jeszcze ustalić, co dokładnie oznacza wynik, po którym lead trafia do handlowca.
Najgorszy wariant to próg ustawiony jednostronnie przez marketing i ogłoszony jako nowa zasada. Najlepszy wariant to wspólna decyzja: marketing wnosi dane, sprzedaż wnosi doświadczenie z rozmów, a obie strony wiedzą, co ma się wydarzyć po przekroczeniu progu.
Dobra komunikacja z zespołem powinna odpowiedzieć na trzy pytania:
- Co się zmienia w kolejności pracy z leadami.
- Dlaczego akurat te sygnały podnoszą lub obniżają wynik.
- Co robicie, jeśli po miesiącu albo kwartale okaże się, że scoring słabo trafia.
Gdzie scoring myli się najczęściej
Każdy scoring popełnia błędy. Ważne nie jest to, żeby ich nie było. Ważne, żeby firma umiała je wychwycić i poprawić.
Fałszywie wysoki wynik
System uznaje lead za dobry, handlowiec dzwoni, a rozmowa nie ma sensu. To najczęściej efekt złych danych albo źle dobranych sygnałów.
Taki błąd ograniczysz, jeśli dodasz reguły wykluczające, sprawdzisz jakość źródeł leadów i zbierzesz krótki feedback po rozmowach. Sprzedaż powinna móc zaznaczyć, że lead miał wysoki wynik, ale nie był gotowy do kontaktu.
Fałszywie niski wynik
System daje niski wynik leadowi, który w praktyce miał potencjał. Ten błąd jest trudniejszy do zauważenia, bo nikt nie zadzwonił w porę.
Dlatego warto co jakiś czas przejrzeć leady z niską punktacją, które mimo to wróciły innym kanałem i skończyły się sprzedażą. Jeśli takich przypadków jest dużo, reguły są zbyt ostre.
Model słabnie z czasem
Scoring, który działał dobrze pół roku temu, nie musi działać dobrze dziś. Zmienia się źródło leadów, oferta, typ klientów i zachowanie rynku.
Jeśli wskaźnik jakości leadów przekazywanych do sprzedaży spada, model trzeba przeglądnąć. Nie dlatego, że AI się popsuła, tylko dlatego, że dane wejściowe i warunki biznesowe już nie są takie same.
Siedem kroków wdrożenia
1. Zacznij od audytu danych i jednej metryki sukcesu
Najpierw sprawdź CRM, potem wybierz jedną główną metrykę. Najczęściej będzie to konwersja leadów przekazanych do sprzedaży albo czas od przekazania do pierwszej rozmowy.
2. Ustal reguły razem z handlem
Usiądź z dwoma lub trzema handlowcami i zapytaj, po czym poznają dobry lead. Nie chodzi o teorię. Chodzi o konkret: branżę, stanowisko, aktywność, moment kontaktu i sygnały, które naprawdę skłaniają ich do telefonu.
3. Wybierz sposób budowy scoringu
Masz trzy rozsądne opcje:
- Ręczne reguły, jeśli chcesz pełnej przejrzystości i prostego startu.
- Model oparty na AI, jeśli masz już historię danych i większą skalę.
- Wariant mieszany, gdy firmografia i źródło są ustawione ręcznie, a AI dopowiada część sygnałów behawioralnych.
Jeśli porównujesz narzędzia do takiego wdrożenia, zobacz też narzędzia AI do scoringu leadów.
4. Zrób test na danych historycznych
Zanim włączysz scoring na żywych leadach, sprawdź go na zamkniętych szansach z przeszłości. Weź próbkę wygranych i przegranych rozmów, policz wyniki i zobacz, czy model daje sensowną kolejność.
5. Uruchom mały pilot
Nie wdrażaj scoringu od razu na cały zespół. Lepiej zacząć od dwóch lub trzech handlowców, którzy przetestują nowy proces przez kilka tygodni i dadzą konkretny feedback.
6. Wdróż scoring szerzej dopiero po poprawkach
Pełne wdrożenie ma sens dopiero wtedy, gdy pilot pokazał dwie rzeczy: scoring trafia lepiej niż dotychczasowy porządek pracy, a handlowcy rozumieją, jak z niego korzystać.
7. Wracaj do reguł co kwartał
Scoring nie jest konfiguracją na zawsze. Raz na trzy miesiące sprawdź metryki, przejrzyj błędy i oceń, czy model nadal odpowiada temu, jak dziś wygląda sprzedaż.
Co mierzyć po wdrożeniu
Nie wystarczy patrzeć na przychód, bo ten reaguje z opóźnieniem. Wcześniej pokażą ci problem trzy prostsze wskaźniki:
- Konwersja leadów przekazanych do sprzedaży na realne szanse.
- Czas od przekazania leada do pierwszej rozmowy.
- Odsetek leadów z wysokim wynikiem, które po rozmowie okazały się słabe.
Dla managera to widok zbiorczy. Dla handlowca ważniejsze jest coś innego: który lead ma priorytet, dlaczego i co z tego wynika dla pierwszej rozmowy.
Jeśli chcesz spiąć scoring z oceną opłacalności, przyda się też tekst o liczeniu ROI AI.
Pięć błędów, które wracają najczęściej
1. Scoring bez udziału handlu
Jeśli sprzedaż nie współtworzy reguł, zwykle nie ufa wynikowi.
2. Scoring postawiony na słabych danych
Niepełne pola, stare rekordy i duplikaty niszczą trafność szybciej niż słaby model.
3. Ukryta logika punktacji
Wysoki wynik bez wyjaśnienia nie pomaga handlowcowi podjąć decyzji. Tylko ją zaciemnia.
4. Patrzenie wyłącznie na wynik końcowy
Przychód jest ważny, ale za późno pokazuje problem. Wcześniej widać go w jakości leadów i czasie reakcji.
5. Zmiana narzędzia zamiast poprawy procesu
Jeśli kłopot leży w danych i regułach, nowe narzędzie tylko szybciej pokaże ten sam błąd.
Co zrobić jako pierwszy krok
Najlepszy start nie zaczyna się od modelu. Zaczyna się od listy pól w CRM i jednej rozmowy z handlem o tym, które sygnały naprawdę mają znaczenie.
Jeśli te dwa elementy są poukładane, scoring z AI może przyspieszyć kwalifikację leadów i uporządkować kolejkę pracy. Jeśli nie są, system dołoży punkty, ale nie poprawi decyzji.
Źródła
- HubSpot, "Understand the lead scoring tool" – opisuje, jak budować score dla kontaktów, firm i szans w CRM.
- Salesforce Help, "Einstein Lead Scoring" – pokazuje scoring oparty na podobieństwie do leadów, które wcześniej konwertowały.
- Pipedrive, "How to use lead scoring to up your sales team performance and revenues" – porządkuje różnicę między danymi jawnymi i zachowaniem leadów oraz opisuje typowe błędy.
- Pipedrive Support, "Scores in Pipedrive" – pokazuje, jak zespół może sprawdzić kryteria i zobaczyć, skąd bierze się wynik.
