Salgsansvarlige, marketingteams og virksomhedsejere med indgående B2B-henvendelser.
Definér den beslutning, scoren skal støtte
Lead scoring er først nyttig, når det er klart, hvad teamet skal gøre anderledes. Skal en sælger prioritere dagens indbakke, vælge hvem der skal have en behovsafklaring, eller sortere irrelevante henvendelser fra en manuel kø? Det er forskellige beslutninger. Begynd med én af dem og beskriv, hvilket resultat der ville gøre arbejdet bedre.
Denne guide fokuserer på kvalificering af indgående B2B-henvendelser og overdragelsen til CRM. Den dækker ikke hele marketingtragten eller automatisk udsendelse af kampagner. En kontakt, som har udfyldt en formular, er ikke nødvendigvis et salgsklart lead. Det kan være en studerende, en eksisterende kunde med et supportbehov eller en leverandør, der vil sælge noget til jer.
Aftal derfor en fælles definition mellem marketing og salg. Et kvalificeret lead kan eksempelvis være en virksomhed med et problem, I kan løse, en relevant kontakt og grundlag for en konkret afklaringssamtale. Definitionen behøver ikke kræve kendt budget i alle tilfælde. Det vigtige er, at sælgerne kan bruge den konsekvent, og at systemet kan forklare, hvorfor en henvendelse opfylder eller mangler et kriterium.
Skil fit, behov og adfærd fra hinanden
Virksomhedsfit beskriver, om opgaven og kunden passer til jeres tilbud. Behov beskriver det problem, kontakten faktisk har udtrykt. Adfærd beskriver observerede handlinger, eksempelvis en indsendt forespørgsel eller et gennemført møde. Blandes alt i ét tal fra starten, bliver det svært at se, hvorfor et lead prioriteres.
HubSpot skelner i sin dokumentation mellem fit, engagement og kombinerede scores. Det er en nyttig strukturel reference, selv hvis I bruger et andet CRM. Jeres konkrete kriterier bør afspejle jeres forretning og de data, I har et passende grundlag for at anvende. En besøgsaktivitet bør ikke automatisk betyde, at der findes et reelt projekt.
Behold de tre dimensioner synlige i overdragelsen. En virksomhed kan passe godt, men endnu ikke have et aktuelt behov. En meget aktiv kontakt kan arbejde i en virksomhed, som ligger uden for jeres leveranceområde. Et stærkt udtrykt behov kan samtidig mangle praktiske oplysninger. Disse situationer kræver forskellige næste skridt. Et afklarende spørgsmål kan være mere relevant end både en automatisk afvisning og en ivrig salgsopfølgning.
| Dimension | Egnet dokumentation | Bør ikke udledes automatisk |
|---|---|---|
| Fit | Opgavetype og bekræftede systemer | Virksomhedsstørrelse ud fra en persons navn |
| Behov | Kontaktens beskrivelse af problemet | Budget ud fra formuleringens professionalisme |
| Adfærd | Indsendt forespørgsel eller gennemført møde | Købsintention fra ét tilfældigt sidebesøg |
| Datakvalitet | Kilde, tidspunkt og bekræftelsesstatus | At manglende data betyder et dårligt lead |
Lav et datakort, før modellen får adgang
Vælg de felter, som faktisk skal støtte beslutningen. Et enkelt grundlag kan bestå af henvendelses-id, virksomhedsnavn, kontaktmail, besked, kilde, tidspunkt og eventuelt et eksisterende CRM-id. Tilføj kun andre oplysninger, når deres formål er tydeligt. En større datamængde gør ikke automatisk kvalificeringen mere korrekt.
Skeln mellem oplyst, bekræftet, beregnet og ukendt. Hvis afsenderen skriver, at virksomheden bruger et bestemt økonomisystem, er det en oplysning fra henvendelsen. Hvis systemet findes i en nyligt kontrolleret kundepost, har det en anden status. Begge kan være nyttige, men de må ikke blandes til en ubegrundet sandhed. Gem også den relevante dato, så gamle oplysninger ikke fremstår aktuelle.
Planlæg identitetsmatch særskilt. En mailadresse eller et virksomhedsnavn kan være ændret, og flere kontakter kan høre til samme virksomhed. Et sikkert internt id er stærkere end et løst navnematch. Ved tvivl skal flowet lave en afklaringsopgave frem for at skrive ind på den mest sandsynlige kunde. Det er især vigtigt, hvis en fejl kan blande oplysninger fra forskellige virksomheder i sælgerens næste kontakt.
Fra første afklaring til noget, der virker.
Definér et kvalificeret lead
Afstem behov, fit, datakvalitet og korrekt næste handling med salg.
Brug AI til fortolkning med synlig evidens
AI kan hjælpe med at udtrække formål, problem, nævnte systemer og manglende oplysninger fra en fritekst. Giv den en afgrænset opgave: vurder henvendelsens indhold og returnér et struktureret forslag med korte begrundelser. Den skal kunne svare ukendt eller kræver afklaring. Lad faste regler håndtere entydige felter og eksisterende CRM-status.
Et tænkt input er: 'Vi kopierer ordredata fra webshoppen til økonomisystemet og vil gerne høre, om det kan automatiseres. Vi bruger System A og har endnu ikke fastlagt et budget.' Et passende output beskriver behovet som dataoverførsel mellem to systemer, angiver budget som ukendt og foreslår afklaring af felter, volumen og fejl. Modellen må ikke omskrive ønsket til et godkendt projekt eller en bestemt økonomisk ramme.
Bed om korte tekstuddrag eller feltreferencer som evidens. En begrundelse som 'stærkt potentiale' er ikke nok. 'Beskriver en gentagen manuel overførsel og nævner de to systemer' er efterprøveligt. Valider derefter outputtet og lad den aftalte kvalificeringsregel bestemme ruten. På den måde bliver AI et fortolkningslag, mens virksomhedens beslutningskriterier forbliver synlige og mulige at ændre.
Start med få regler og eksplicitte undtagelser
Det første system behøver ikke hundrede pointregler. Brug hellere få kategorier, som sælgerne kan forklare: relevant og klar til afklaring, relevant men mangler oplysninger, eksisterende kundesag og uden for tilbuddet. Hvis en score er nyttig til rækkefølge, så vis dens bestanddele og den regelversion, der producerede den.
Aftal undtagelser, som ikke må drukne i summen. En supporthenvendelse fra en eksisterende kunde skal normalt ikke behandles som et nyt salgslead, uanset hvor mange produktoplysninger mailen indeholder. En tydelig anmodning om ikke at blive kontaktet kan heller ikke ophæves af høj aktivitet. En score er en prioriteringshjælp og skaber ikke i sig selv tilladelse til en bestemt kommunikation.
Adfærd kan miste betydning med tiden. En gammel forespørgsel og et nyligt møde er forskellige signaler. HubSpot dokumenterer blandt andet tidsafgrænsning og aftagende engagementværdier. I jeres egen løsning skal den valgte regel være enkel nok til at kunne forklares: hvilke hændelser tæller, hvor længe og hvor ofte? Kontrollér især, at gentagne tekniske registreringer ikke giver en kontakt kunstigt høj prioritet.
Giv sælgeren en handlingsklar CRM-opgave
En god overdragelse indeholder mere end et tal. Sælgeren skal se, hvem henvendelsen vedrører, hvad kunden ønsker, hvilke oplysninger der er bekræftet, hvad der mangler, og hvorfor systemet foreslår næste handling. Link til den oprindelige henvendelse og vis, at resuméet er et forslag, som kan korrigeres.
Brug en stabil henvendelsesreference, så samme hændelse ikke opretter flere opgaver. Adskil kontakt, virksomhed og salgsmulighed: ikke alle nye kontakter bør udløse en ny deal. En opdatering skal heller ikke overskrive en sælgers eksisterende vurdering uden en aftalt regel. Hvis en medarbejder manuelt ændrer kategori, skal den korrektion være synlig og kunne beskyttes mod automatisk tilbageskrivning.
Et eksempel på en overdragelse er: behov integration af ordredata; grundlag kundens formular; ukendte forhold antal ordrer og særlige felter; foreslået handling teknisk afklaring; ansvarlig den aftalte salgsfunktion. Bekræft, at opgaven faktisk er gemt og tildelt korrekt. Et vellykket integrationskald er kun ét trin. Den endelige kontrol er, om den rette medarbejder kan finde og arbejde videre med sagen uden at rekonstruere hele henvendelsen.
Test både de gode fund og de oversete leads
Saml et repræsentativt udvalg af historiske henvendelser, som I har et passende grundlag for at anvende. Lad fagpersoner vurdere dem efter den aftalte definition, og behold et særskilt testsæt, som ikke bruges til at justere prompten. Medtag almindelige sager og relevante grænsetilfælde, men rapportér dem tydeligt hver for sig.
Precision viser, hvor mange af de leads, systemet kalder relevante, der faktisk er relevante. Recall viser, hvor mange af alle relevante leads det finder. Begge er nødvendige. Et system kan give sælgeren en meget ren liste ved at overse de svære muligheder. Gennemgå derfor også et udvalg af de henvendelser, systemet vil nedprioritere.
Brug konkrete fejltyper: jobansøgning behandlet som køb, eksisterende kunde behandlet som ny, forkert virksomheds-id, opdigtet budget og manglende hastebehov. Angiv også, hvordan tvetydige sager skal håndteres. Testen bør kontrollere både vurderingen og CRM-resultatet. En korrekt kategori hjælper ikke, hvis opgaven ender hos den forkerte sælger eller ikke bliver synlig. Gem forbedringer som nye testeksempler, så den samme fejl kan opdages igen ved en senere ændring.
Mål kvalificerede samtaler og manuel indsats
Begynd med en baseline for den eksisterende proces: antal indgående henvendelser, andel accepteret af salg, tid til første relevante behandling og typiske årsager til afvisning. Aftal hvad accepteret betyder. Det bør beskrive, at salg kan arbejde videre med sagen, ikke blot at nogen har klikket på en opgave.
I piloten sammenlignes tilsvarende henvendelser med den tidligere eller parallelle manuelle proces. Mål også tid til kontrol og rettelser. Et hurtigt AI-resumé kan skabe ekstra arbejde, hvis sælgeren skal verificere mange ubekræftede detaljer. Registrér derfor de konkrete korrektioner og spørg, om overdragelsen gjorde næste samtale lettere. Se efter forskelle mellem kanaler og opgavetyper.
Konvertering til en vundet aftale kan være et senere signal, men påvirkes af pris, kapacitet, salgstid og marked. Undgå at tilskrive en ændring i omsætning til scoremodellen alene. En første dokumenteret gevinst kan være mere ensartet kvalificering eller færre fejlroutede sager. Kald frigjort tid for kapacitet, indtil virksomheden har besluttet, hvordan den bruges. Det giver et mere troværdigt beslutningsgrundlag end en automatisk beregnet indtjeningsprognose.
Rul ud med manuel korrektion og klare stopregler
Start i en skyggeperiode, hvor systemet foreslår en vurdering uden at ændre sælgernes normale behandling. Sammenhold forslagene med medarbejdernes vurderinger. Uenighed er nyttig: den kan vise en modelfejl, men også at salgsdefinitionen er uklar. Afklar årsagen, før en ny regel indføres.
Lad derefter systemet klargøre CRM-opgaver på et afgrænset område med en tydelig reviewmulighed. Stop eller rull tilbage ved forkert kundematch, skjulte datatab eller systematiske fejl i en vigtig kategori. Kvalitetsgrænser skal fastlægges ud fra jeres proces, ikke lånes som en universel procent fra en anden virksomhed. Gem versionsnummer på regler og prompt, så en ændring kan spores.
Udpeg en ejer, som samler salgskorrektioner og vurderer behovet for ændringer. Gennemgå også, om datakilder eller tilbud har ændret sig. En ny ydelse kan gøre tidligere afviste henvendelser relevante. Afleveringen bør derfor indeholde kriterier, felter, testeksempler, stopprocedure og ansvar. Når de dele er på plads, kan lead scoring blive en stabil hjælp til prioritering frem for en sort boks, som sælgerne enten blindt følger eller helt ignorerer.
Det bliver vi ofte spurgt om.
Skal vi have mange historiske salg for at begynde?
Ikke til en første regelbaseret kvalificering med AI-udtræk af fritekst. En statistisk model, som skal lære købsadfærd fra historiske udfald, kræver derimod et egnet datagrundlag og særskilt validering.
Kan AI selv fastlægge budgettet?
Den kan udtrække et budget, som kontakten faktisk har oplyst. Mangler oplysningen, skal den markeres ukendt og eventuelt afklares, ikke estimeres som et sikkert CRM-faktum.
Er en høj leadscore lig med samtykke til marketing?
Nej. Kvalificering og grundlaget for kommunikation er forskellige spørgsmål. Scoren må ikke bruges til at tilsidesætte kontaktpræferencer eller de regler, virksomheden skal følge.
Hvordan ved vi, om salg faktisk har nytte af løsningen?
Mål accepterede henvendelser, korrektioner, tid til relevant behandling og kvaliteten af næste samtale. Antallet af oprettede CRM-poster er ikke i sig selv et nyttemål.
Læs videre ved kilden.
Vores beslutningsmodeller er rådgivning fra Mosel Studio. Tekniske fakta og rammer understøttes af kilderne her.
- HubSpot: Build lead scores
Fit, engagement og kombinerede scores samt regler for felter og hændelser.
- HubSpot: Understand the lead scoring tool
Scoregrupper, tidsafgrænsning, ændringer og anvendelse i CRM.
- scikit-learn: precision_score
Definition, positiv klasse og håndtering af tomme nævnere.
- scikit-learn: recall_score
Definition og sammenfatning på tværs af klasser.
