Lead-scoring i HubSpot er notorisk: alle har det opsat, ingen stoler på det, sælgere ignorerer det. Det er ikke værktøjets fejl — det er en design-fejl. Her er hvordan man gør det rigtigt.
Hvorfor det fejler i 95% af setups
- For mange faktorer — folk vil score på 20 ting, og modellen ender med at score alle som "medium"
- Ingen sandhedsdata — scoring kalibreres ikke mod hvem der faktisk lukkede
- Sælgere ser ikke scoren — den ligger i et felt de ikke kigger på
- Score betyder ingenting — der er ingen klar handling per score-niveau
Vores 5-trins build
Trin 1: Definér din ICP fra reelle data
Hent jeres top 20 lukkede deals fra de sidste 12 måneder. Find mønstre:
- Størrelse (ansatte, omsætning)
- Branche
- Titel på primær kontakt
- Tech stack hvis relevant
- Geografi
Det er din ICP. Skriv den ned. Få ledelsen og sælgerne til at signere af på den.
Trin 2: Vælg 5-7 scoring-faktorer max
Hold det enkelt. To kategorier:
Fit-score (hvem er de):
- Match på branche (10-30 point)
- Match på størrelse (10-30 point)
- Match på rolle/titel (10-30 point)
- Geografi (5-15 point)
Engagement-score (hvor varme er de):
- Pricing-page besøgt (20 point)
- Demo-anmodning (50 point)
- 2+ blog-besøg på 7 dage (15 point)
Drop alt andet. Mere kompleksitet ≠ mere præcis.
Trin 3: Klar handling pr. score-tærskel
- Score > 80: Direkte til sælger — slack-notifikation, opfordring til opkald inden 24t
- Score 50-80: Email-sequence på 5 mails over 4 uger med relevant indhold
- Score 30-50: Newsletter + retargeting
- Score < 30: Sleep / quarterly check
Hvis I ikke definerer disse handlinger, er scoring ubrugelig.
Trin 4: Vis scoren der hvor sælgere arbejder
Score i et obskurt felt på contact-recorden er usynligt. Sæt det op så:
- Score vises i view-toppen på alle contacts
- Slack-notifikation når score krydser 80
- Dagligt digest til hver sælger med deres top-10 lead-scores
- Visuel indikator i kanban-views
Trin 5: Kalibrér mod virkelighed
Hver måned, gennemgå:
- Hvilken score havde de leads vi lukkede?
- Var der "low-score" leads der lukkede? Justér modellen.
- Var der "high-score" leads der ikke konverterede? Hvorfor?
Det her er det vigtigste trin og det få faktisk gør.
De typiske fejl
1. "Pricing page-besøg = 50 point"
For meget vægt på enkelt-handlinger giver støj. Fold flere signaler sammen i stedet.
2. Negative score for "ikke ICP"
Spar dig selv — bare giv 0 for ikke-fit i stedet for -20. Letter modellen.
3. Email-aktivitet overscored
"Åbnede email" er stort set ubrugeligt med iOS Mail Privacy. "Klikkede på link" er bedre — men begrænset.
4. Forms vægtes ens
"Tilmeld nyhedsbrev" = 5 point, "Book demo" = 80 point. Behandl dem ikke ens.
5. Static score uden decay
En lead der var hot for 6 måneder siden er ikke hot nu. Tilføj decay (score falder over tid uden ny aktivitet).
AI-scoring som overlay
Som vi har skrevet om før, kan AI lave kvalitativ scoring på toppen af regelbaseret. For SMV-segmentet er regelbaseret ofte nok. For B2B med komplekse buyer-personas tilføjer AI-laget reel værdi:
- Sender lead-data + interaktioner + ICP-definition til Claude
- Claude returnerer 0-100 score + begrundelse
- Kombiner med regelbaseret score (gennemsnit eller vægtning)
Implementerings-tid
- ICP-analyse + scoring-model design: 4-6 timer
- HubSpot-opsætning + automation: 6-12 timer
- Sælger-training + workflow-integration: 2-4 timer
- Total: 1-2 ugers projekt
Det er ikke et halv-års transformation. Det er en målbar workflow-forbedring.
Leder du efter en strategisk partner?
Læsning flytter ikke nålen i sig selv. Vi implementerer disse strategier for krævende B2B virksomheder hver dag. Få en skræddersyet roadmap.
Få en 30-min Strategisession