اگر تیم فروش شما میگوید «لیدها بیکیفیتاند» و تیم بازاریابی میگوید «فروش پیگیری نمیکند»، معمولاً مشکل در یک نقطه مشترک است: شما معیار مشترکی برای سنجش کیفیت و آمادگی خرید ندارید. «سیستم امتیازدهی لید (Lead Scoring)» دقیقاً همین معیار مشترک را میسازد تا هر لید، بر اساس دادههای رفتاری و پروفایلی، یک نمره بگیرد و مسیرش (پرورش، تماس فروش، یا کنارگذاری) مشخص شود.
در این راهنما یک چارچوب عملی برای طراحی lead scoring model در B2B و B2C ارائه میکنم: از انتخاب سیگنالها و وزندهی تا تعیین آستانههای MQL/SQL، هماهنگسازی بازاریابی و فروش، و یک جدول نمونه آماده برای پیادهسازی در CRM یا اکسل.
فهرست مطالب
- لید اسکورینگ چیست و چه مشکلی را حل میکند؟
- پیشنیازها: داده، فرآیند و هدف
- چارچوب سیگنالها: پروفایلی در برابر رفتاری
- ساخت ICP و پرسونای تصمیمگیر برای امتیازدهی پروفایلی
- امتیازدهی رفتاری: نیت خرید را چطور از رفتار استخراج کنیم؟
- وزندهی و آستانهها: از نمره تا MQL/SQL
- جدول نمونه Lead Scoring برای CRM/اکسل
- همراستاسازی فروش و بازاریابی (SLA) در لید اسکورینگ
- پیادهسازی عملی در CRM یا اکسل (گامبهگام)
- چکلیست اجرایی ۳۰ روزه
- اشتباهات رایج
- سؤالات متداول
لید اسکورینگ چیست و چه مشکلی را حل میکند؟
لید اسکورینگ یعنی اختصاص دادن یک امتیاز عددی به هر سرنخ (Lead) تا مشخص شود «چقدر به مشتری شدن نزدیک است». این امتیاز معمولاً از دو بخش ساخته میشود:
- امتیاز پروفایلی (Profile/Fit): این لید چقدر با مشتری ایدهآل شما همخوان است؟ (مثلاً صنعت، اندازه شرکت، منطقه، نقش شغلی)
- امتیاز رفتاری (Behavior/Intent): این لید چقدر نشانههای نیت خرید نشان داده است؟ (مثلاً بازدید از صفحه قیمت، درخواست دمو، دانلود کاتالوگ)
خروجی یک lead scoring model خوب، فقط «عدد» نیست؛ یک زبان مشترک بین تیمهاست که سه تصمیم را استاندارد میکند:
- کدام لیدها باید وارد پرورش (Nurture) شوند؟
- کدام لیدها آماده تحویل به فروش هستند (MQL)؟
- کدام لیدها واقعاً باید به عنوان فرصت جدی پیگیری شوند (SQL)؟
پیشنیازها: داده، فرآیند و هدف
قبل از ساخت lead scoring model، این سه مورد را روشن کنید؛ وگرنه مدل شما بهجای کمک، اختلاف ایجاد میکند.
۱) هدف کسبوکار از امتیازدهی چیست؟
هدف باید قابلاندازهگیری باشد، مثل:
- کاهش زمان پاسخگویی فروش به لیدهای داغ
- افزایش نرخ تبدیل MQL به SQL
- بهبود کیفیت ورودی قیف فروش بدون افزایش هزینه جذب
در اینجا بد نیست نگاه کلانتان به اقتصاد جذب و تبدیل را هم شفاف کنید؛ اگر میخواهید تصمیمگیریتان روی «ارزش» باشد نه صرفاً «حجم»، محاسبه LTV و CAC کمک میکند: محاسبه ارزش طول عمر مشتری (LTV) و هزینه جذب (CAC).
۲) تعریفهای مشترک: Lead، MQL، SQL
باید یک تعریف مشترک کتبی داشته باشید. مثال ساده:
- Lead: هر فرد/شرکتی که اطلاعات تماس داده یا قابلشناسایی شده است.
- MQL (Marketing Qualified Lead): لیدِ مناسب از نظر Fit + رفتارهای نشاندهنده علاقه اولیه.
- SQL (Sales Qualified Lead): لیدِ مناسب + نیت خرید بالا + شرایط حداقلی فروش (مثلاً بودجه/اختیار/زمان).
۳) حداقل دادههای لازم
برای یک lead scoring model عملی، لازم نیست از روز اول همه چیز کامل باشد؛ اما حداقل اینها را داشته باشید:
- منبع لید (کمپین، ارجاع، فرم سایت، تماس ورودی)
- چند فیلد پروفایلی کلیدی (نقش، صنعت، اندازه/نیاز)
- ثبت رویدادهای رفتاری مهم (بازدید صفحات کلیدی، ارسال فرم، ایمیل کلیک/باز شدن)
چارچوب سیگنالها: پروفایلی در برابر رفتاری
اشتباه رایج این است که همه چیز را با هم قاطی کنیم. در یک lead scoring model حرفهای، شما دو سؤال جدا میپرسید:
- Fit: آیا این لید «مناسب» ما هست؟
- Intent: آیا این لید «الان» قصد خرید دارد؟
بهترین ساختار عملی این است که امتیاز کل را از جمع دو امتیاز بسازید:
- Total Score = Profile Score + Behavior Score
در B2B معمولاً Fit وزن بیشتری میگیرد (چون اندازه شرکت/صنعت مهم است). در B2C معمولاً رفتار وزن بیشتری دارد (چون تصمیم خرید سریعتر و رفتارمحورتر است).
ساخت ICP و پرسونای تصمیمگیر برای امتیازدهی پروفایلی
امتیاز پروفایلی بر اساس «مشتری ایدهآل (ICP)» ساخته میشود. اگر ICP ندارید، هر امتیازدهی تبدیل میشود به حدس و سلیقه.
گام ۱: مشتریهای برتر را استخراج کنید
لیست ۲۰ تا ۵۰ مشتری «موفق» را مشخص کنید (آنهایی که:
- ماندگاری بالاتر دارند
- کمترین هزینه پشتیبانی را ایجاد میکنند
- بیشترین سود یا تمدید را دارند
) و ویژگیهای مشترکشان را پیدا کنید.
گام ۲: فیلدهای پروفایلی را کم و دقیق انتخاب کنید
برای شروع، ۴ تا ۶ سیگنال کافی است. نمونه سیگنالهای Fit:
- صنعت/حوزه (Industry)
- اندازه کسبوکار (تعداد کارکنان یا فروش)
- نقش/سمت (Job Role)
- کشور/شهر (اگر مهم است)
- نوع نیاز (Use case)
قاعده: اگر یک فیلد را نمیتوانید بهصورت پایدار جمعآوری کنید، وارد مدل نکنید.
گام ۳: امتیازهای مثبت و منفی (Disqualify) تعریف کنید
یک lead scoring model قوی فقط امتیاز مثبت نمیدهد؛ شرایط رد شدن هم دارد. مثال:
- اگر صنعت در لیست ممنوعه است: -30
- اگر ایمیل عمومی/نامعتبر است یا شماره ناقص: -15
- اگر اندازه شرکت زیر حداقل قابل فروش است: -20
امتیازدهی رفتاری: نیت خرید را چطور از رفتار استخراج کنیم؟
امتیاز رفتاری باید روی رفتارهایی متمرکز باشد که «نیت خرید» را نشان میدهند، نه صرفاً «مصرف محتوا». در یک lead scoring model، هر رفتار را در یکی از این سه سطح دستهبندی کنید:
- آگاهی (Awareness): بازدید از مقالات، مشاهده صفحات عمومی
- ارزیابی (Consideration): دانلود راهنما، مشاهده صفحه محصول، مقایسه
- تصمیم (Decision): بازدید قیمت، درخواست دمو/مشاوره، پر کردن فرم تماس فروش
نمونه رفتارهای پیشنهادی (قابل استفاده در CRM/اکسل)
- بازدید صفحه قیمت یا تعرفهها: امتیاز بالا
- بازدید صفحه «درخواست دمو/مشاوره»: امتیاز بالا
- دانلود فایل راهنمای خرید یا کاتالوگ: امتیاز متوسط رو به بالا
- بازگشت چندباره طی ۷ روز: امتیاز متوسط
- تعامل با ایمیلهای محصول (کلیک): امتیاز متوسط
اگر از اتوماسیون بازاریابی استفاده میکنید، ثبت و امتیازدهی این رویدادها بسیار دقیقتر و کمهزینهتر میشود.
Decay (کاهش امتیاز با گذشت زمان)
یکی از تفاوتهای مدلهای حرفهای با مدلهای ابتدایی این است که رفتارهای قدیمی ارزش کمتری دارند. اگر کسی ۶ ماه پیش صفحه قیمت را دیده ولی از آن زمان هیچ تعاملی نداشته، نباید همچنان «داغ» محسوب شود. راه ساده:
- اگر در ۱۴ روز اخیر فعالیتی نبوده: -10
- اگر در ۳۰ روز اخیر فعالیتی نبوده: -20
وزندهی و آستانهها: از نمره تا MQL/SQL
وزندهی یعنی تصمیم بگیرید هر سیگنال چه سهمی از امتیاز کل دارد. برای شروع، بهتر است یک سقف ساده تعیین کنید:
- Profile Score: از 0 تا 50
- Behavior Score: از 0 تا 50
- Total Score: از 0 تا 100
این ساختار به شما کمک میکند مدل را قابلفهم و قابلگفتوگو نگه دارید. سپس آستانهها را تعریف کنید:
- 0–39: لید سرد (پرورش محتوا)
- 40–69: لید گرم (Nurture هدفمند + مانیتورینگ)
- 70–100: MQL (تحویل به فروش)
و برای SQL معمولاً یک شرط اضافه لازم است؛ مثلاً:
- SQL = Total Score ≥ 80 + یک رویداد تصمیم (مثل درخواست دمو) یا تأیید تلفنی
اگر بازار شما رقابتی است و زمان واکنش مهم است، بهتر است آستانه MQL را کمی پایینتر بگذارید اما با «شرط رویدادی» کنترل کنید (مثلاً بازدید قیمت + Fit مناسب).
جدول نمونه Lead Scoring برای CRM/اکسل
جدول زیر یک نمونه عملی است که میتوانید مستقیم در اکسل یا CRM پیاده کنید. اعداد پیشنهادیاند و باید با دادههای واقعی شما تنظیم شوند.
| نوع سیگنال | سیگنال | شرط/مثال | امتیاز | یادداشت اجرایی |
|---|---|---|---|---|
| پروفایلی (Fit) | اندازه کسبوکار | بیش از حداقل قابل فروش | +15 | از فرم یا enrichment |
| پروفایلی (Fit) | صنعت هدف | در لیست صنایع اولویت | +10 | لیست را هر فصل بازبینی کنید |
| پروفایلی (Fit) | نقش تصمیمگیر | مدیر/مالک/Head | +15 | برای B2B حیاتی است |
| پروفایلی (Fit) | نامناسب/غیرهدف | صنعت ممنوعه یا اندازه خیلی کوچک | -30 | میتواند Disqualify باشد |
| رفتاری (Intent) | بازدید صفحه قیمت | حداقل 1 بار در 7 روز | +20 | سیگنال تصمیم |
| رفتاری (Intent) | درخواست دمو/مشاوره | ارسال فرم یا تماس | +30 | مستقیم به فروش ارسال شود |
| رفتاری (Intent) | دانلود راهنمای خرید | دانلود فایل | +12 | نیازمند تگگذاری محتواست |
| رفتاری (Intent) | تعامل ایمیل | کلیک روی لینک محصول | +8 | بازشدن ایمیل بهتنهایی کافی نیست |
| رفتاری (Decay) | عدم فعالیت | ۱۴ روز بدون رویداد | -10 | هر روز/هفته محاسبه شود |
نکته مهم: این جدول را طوری بسازید که «قابل توضیح» باشد؛ اگر فروش نتواند بفهمد چرا یک لید MQL شده، به مدل اعتماد نمیکند. این موضوع در موفقیت lead scoring model تعیینکننده است.
همراستاسازی فروش و بازاریابی (SLA) در لید اسکورینگ
مدل امتیازدهی بدون قرارداد اجرایی بین تیمها ناقص است. شما به یک SLA ساده نیاز دارید: چه چیزی تحویل میشود، در چه زمانی، و با چه کیفیتی.
اجزای پیشنهادی SLA
- تعریف MQL: آستانه امتیاز + شرطهای لازم (مثلاً Fit حداقل)
- زمان پاسخگویی فروش: مثلاً تماس ظرف ۲۴ ساعت
- نتیجهگذاری در CRM: فروش باید Outcome را ثبت کند (تماس موفق/ناموفق، رد صلاحیت، پیگیری بعدی)
- بازخورد ماهانه: بررسی اینکه کدام سیگنالها SQL واقعی ساختهاند
اگر دنبال یک «نقطه شروع» برای همراستاسازی پیام و نیاز مشتری هستید، چارچوب JTBD کمک میکند سیگنالهای رفتاری و محتواییتان معنا پیدا کند: نوشتن پیام بازاریابی با چارچوب JTBD.
پیادهسازی عملی در CRM یا اکسل (گامبهگام)
برای اینکه lead scoring model از پاورپوینت به عملیات برسد، این مسیر را پیشنهاد میکنم.
گام ۱: لیست رویدادها و فیلدها را استاندارد کنید
- رویدادهای کلیدی (Page view قیمت، فرم دمو، دانلود، کلیک ایمیل)
- فیلدهای Fit (صنعت، اندازه، نقش)
گام ۲: یک نسخه MVP با ۱۰–۱۵ قانون بسازید
در نسخه اول وسواس به خرج ندهید؛ ۵–۶ قانون Fit و ۵–۸ قانون رفتار کافی است. هدف، یادگیری از داده واقعی است.
گام ۳: محاسبه امتیاز را شفاف و قابل ردیابی کنید
چه در اکسل چه در CRM، هر امتیاز باید «قابل توضیح» باشد. پیشنهاد: ستونهای جداگانه برای Profile Score، Behavior Score و Total Score داشته باشید.
گام ۴: مسیرهای بعد از امتیاز را تعریف کنید
- اگر MQL شد: ایجاد تسک برای فروش + اطلاعرسانی
- اگر گرم است: ورود به کمپین nurture
- اگر رد صلاحیت شد: برچسب Disqualified + دلیل
گام ۵: کالیبراسیون با داده (ماهانه)
هر ماه بررسی کنید:
- چند درصد MQLها واقعاً SQL شدند؟
- کدام سیگنالها بیشترین پیشبینی را داشتند؟
- آیا یک کانال خاص امتیازهای کاذب میسازد؟
اگر میبینید «حجم MQL زیاد اما SQL کم» است، یا آستانهها بالا/پاییناند یا وزنهای رفتاری نیاز به اصلاح دارد. این بخش همان جایی است که lead scoring model شما بالغ میشود.
چکلیست اجرایی ۳۰ روزه
- هفته ۱: تعریف مشترک Lead/MQL/SQL و انتخاب ۴–۶ فیلد Fit
- هفته ۱: انتخاب ۶–۱۰ رویداد رفتاری کلیدی (بهخصوص تصمیممحور)
- هفته ۲: ساخت جدول امتیازدهی نسخه MVP (حداکثر ۱۵ قانون)
- هفته ۲: تعیین آستانهها و نوشتن SLA کوتاه (زمان پاسخگویی و نتیجهگذاری)
- هفته ۳: پیادهسازی در CRM/اکسل و تست با ۳۰–۵۰ لید اخیر
- هفته ۴: تحویل رسمی به فروش، آموزش کوتاه، و شروع پایش هفتگی
اشتباهات رایج
- امتیازدهی به «شاخصهای بیربط»: مثلاً بازدید از صفحه بلاگ را مثل درخواست دمو امتیاز بدهید.
- وزندهی بر اساس نظر، نه داده: شروع با نظر طبیعی است، اما باید سریعاً با داده کالیبره شود.
- نداشتن امتیازهای منفی: اگر Disqualify ندارید، مدل شما لیدهای نامناسب را هم داغ نشان میدهد.
- فراموش کردن Decay: بدون کاهش امتیاز با زمان، قیف فروش پر از «داغهای قدیمی» میشود.
- تحویل MQL بدون SLA: باعث همان دعوای همیشگی بین تیمها میشود.
- پیچیدگی از روز اول: یک lead scoring model پیچیده، بدون پایش و اعتماد تیم فروش شکست میخورد.
سؤالات متداول
۱) بهترین عدد برای آستانه MQL و SQL چیست؟
عدد «بهترین» عمومی وجود ندارد؛ باید با دادههای تبدیل شما کالیبره شود. برای شروع میتوانید 70 برای MQL و 80 برای SQL بگذارید و ماهانه اصلاح کنید.
۲) در B2C هم lead scoring model معنا دارد؟
بله، اما معمولاً وزن رفتار (Intent) بیشتر از Fit است و سیگنالها بیشتر بر اساس تعامل محصول/سبد/بازدید قیمت تعریف میشوند.
۳) آیا باز شدن ایمیل را باید امتیاز بدهیم؟
اگر هم امتیاز میدهید، کم. باز شدن ایمیل همیشه نشانه نیت خرید نیست؛ کلیک روی لینکهای محصول یا صفحه قیمت ارزشمندتر است.
۴) اگر داده پروفایلی کامل نداریم چه کنیم؟
مدل را با ۲–۳ فیلد قابلجمعآوری شروع کنید و بهمرور با بهبود فرمها، enrichment یا تکمیل توسط فروش، Fit را دقیقتر کنید.
۵) چند قانون امتیازدهی کافی است؟
برای نسخه اول، ۱۰ تا ۱۵ قانون. هدف یادگیری و اعتمادسازی است؛ سپس بر اساس نرخ تبدیل، قوانین را اصلاح یا اضافه کنید.
۶) هر چند وقت یکبار باید مدل را بازبینی کنیم؟
در سه ماه اول، ماهانه؛ بعد از پایدار شدن، هر فصل. هر تغییر بزرگ در محصول/قیمت/کانال جذب نیز نیازمند بازنگری است.
۷) چطور بفهمیم مدل ما واقعاً کار میکند؟
اگر بعد از اجرای lead scoring model، زمان پاسخگویی به لیدهای داغ کمتر شود، نرخ تبدیل MQL به SQL بالا برود، و فروش کمتر «لید بیکیفیت» گزارش کند، مدل در مسیر درست است.
۸) آیا میتوانیم یک مدل واحد برای همه محصولات/بخشها داشته باشیم؟
اگر محصولات/بخشها رفتار خرید متفاوت دارند، بهتر است حداقل «وزنها و آستانهها» را جدا کنید؛ یک مدل واحد معمولاً سیگنالها را غلط تفسیر میکند.
جمعبندی: یک lead scoring model موفق، ترکیبی از طراحی ساده، داده قابل اتکا، و قرارداد اجرایی بین فروش و بازاریابی است. با یک نسخه MVP شروع کنید، با داده کالیبره کنید، و مدل را به زبان مشترک تیمها تبدیل کنید.
