Lead scoring

Lead scoring betekent dat je elke lead in je CRM een getal geeft dat je reps vertelt hoe groot de kans is dat die persoon koopt. Dat getal is gebaseerd op hoe goed iemand bij je ideale klant past en wat diegene heeft gedaan op je site, in je e-mails en elders.

Een hoog getal betekent dat een rep vandaag moet bellen. Bij een laag getal kan de lead voorlopig in nurture blijven.

Elk team met meer leads dan verkooptijd heeft hier een vorm van nodig. Het probleem is dat de meeste lead-scoringmodellen die wij moeten repareren, zijn gebouwd rond wat de marketingtool makkelijk kon tellen. Bovenaan de lijst staan dan mensen die elke nieuwsbrief openen en nooit op een sales-e-mail reageren.

TL;DR

• Een lead score geeft punten voor dingen die een verkoop voorspellen (een functietitel uit het koopteam, een bezoek aan de prijspagina, een demo-aanvraag) en trekt punten af voor dingen die een lead uitsluiten (een studentenmailadres, een concurrent, een uitschrijving). Komt een lead boven de drempel die je met sales hebt afgesproken, dan wordt het een MQL en gaat hij naar een rep.

• Houd fit (wie de lead is, gemeten tegen je ICP) en engagement (wat de lead doet) als twee aparte scores. Daarom geeft de gecombineerde score van HubSpot elk contact een label van A1 tot C3, en splitst Salesforce Account Engagement de twee in een score en een grade.

• Stop met punten geven voor e-mailopens. Apple Mail downloadt de inhoud van e-mails op de achtergrond, of iemand ze nu leest of niet, en dat blaast scores op. Leg het gewicht bij bezoeken aan de prijspagina, demo-aanvragen, replies en intentsignalen van derden.

• Scoor in B2B eerst het account en dan pas de persoon. Volgens Forrester zijn er gemiddeld 13 mensen bij een koopbeslissing betrokken. Tel engagement dus op naar bedrijfsniveau en ga alleen achter leads aan bij accounts die passen.

• Begin met een hybride model op basis van regels en voeg predictive lead scoring toe zodra je de historie ervoor hebt. Einstein Lead Scoring van Salesforce wil bijvoorbeeld minstens 1.000 leads die in de afgelopen 200 dagen zijn aangemaakt, waarvan er minstens 120 zijn geconverteerd.

• Houd de score eerlijk met enrichment, score decay en een check per kwartaal waarin je hoge en lage scores naast je closed-won deals legt. Verschuif daarna de gewichten waar score en resultaat niet overeenkomen.

• Nebor bouwt lead scoring in je eigen HubSpot of Salesforce, met fit, engagement en intent apart van elkaar. We dragen het over met de onderbouwing op papier, zodat je team de gewichten later zelf kan aanpassen. Plan gerust een gesprek in om jouw situatie door te nemen.

Hoe een lead-scoringmodel punten optelt, aftrekt en bepaalt wie er gebeld wordt

Technisch gezien is een lead score een lopend totaal. Je kiest de kenmerken en acties waarvan je denkt dat ze een verkoop voorspellen, geeft elk een puntenwaarde en laat je CRM ze per contact optellen. Je kiest ook de dingen die een lead uitsluiten en geeft die negatieve punten. Zo kan een rommelrecord niet naar boven klimmen alleen omdat het druk bezig is.

Hieronder zie je het soort startoverzicht dat we met een B2B-softwareklant zouden schetsen, nog voordat er iets is bijgesteld. De getallen zijn voorbeelden. Je eigen gewichten haal je uit de deals die je hebt gewonnen en verloren.

Gaat een lead over de drempel die je met sales hebt afgesproken, dan wordt het een marketing qualified lead (MQL) en wordt hij naar een rep gerouteerd. De rep accepteert hem als sales qualified lead (SQL) of stuurt hem terug met een reden. Die redenen behoren tot de nuttigste data die je ooit over je model krijgt.

Dit sorteren betaalt zich uit zodra demand generation de funnel sneller vult dan je reps kunnen bijhouden. Kan een rep maar veertig goede calls per dag doen, dan bepaalt de score welke veertig.

Het rekenwerk zet je in HubSpot of Salesforce in een middag op. De gewichten goed krijgen duurt veel langer. Elke puntenwaarde is een aanname over waarom iemand koopt, en het model is nooit beter dan de aannames die je erin stopt.

Fit en engagement beantwoorden verschillende vragen, dus geef ze elk een eigen score

Fit gaat over wie de lead is. Je kijkt naar stabiele kenmerken zoals functietitel, branche en bedrijfsgrootte, en legt die naast je ideal customer profile. Engagement gaat over wat de lead nu doet, zoals pagina's bezoeken, formulieren invullen of op e-mails reageren.

Dat is het onderscheid tussen fit score en intent score, toegepast op één persoon. Van alles in een lead-scoringmodel is dit de splitsing die we het hardst zouden bewaken.

Als beide in één gemengd getal terechtkomen, kan een score van 70 een koper met een perfecte fit en lichte interesse zijn, of een student met een slechte fit die overal op klikt. Die twee leads vragen een totaal andere aanpak, en één getal verbergt welke van de twee je voor je hebt.

De grote CRM's zijn rond deze splitsing gebouwd.

Met de lead-scoringtool van HubSpot bouw je aparte scores voor fit, engagement en een combinatie van beide. De gecombineerde score geeft elk contact een label van A tot C voor fit en van 1 tot 3 voor engagement. Een contact met weinig fit en veel engagement verschijnt als C1, zodat je reps in één oogopslag zien wat voor soort warme lead ze voor zich hebben.

Salesforce Account Engagement (de tool die vroeger Pardot heette) doet hetzelfde met een getal voor activiteit en een lettercijfer voor fit. De grading-module op Trailhead zegt het zonder omwegen: een actieve, geïnteresseerde lead kan nog steeds slecht bij je bedrijf passen.

Zodra de twee gescheiden zijn, vertelt elke combinatie je wat je moet doen.

Een lead met een sterke fit die stil is gevallen, hoort op een lijst voor een goed getimede outbound-actie zodra hij een signaal laat zien. Dat is het idee achter inbound-led outbound. Een lead met een slechte fit en veel activiteit gaat naar nurture, hoe druk zijn klikgeschiedenis er ook uitziet.

Werk je met HubSpot? In onze gids over HubSpot lead scoring lopen we de hele setup door, inclusief hoe je de twee scores apart houdt.

Waarom de drukste lead in je CRM vaak degene is die nooit koopt

De fout die we het vaakst zien, is een model dat activiteit beloont omdat die makkelijk te tellen is. Neem twee leads uit dezelfde week. De eerste opende veertien nieuwsbrieven, downloadde vijf gidsen, klikte wat rond op de blog en scoort 84. De tweede past precies bij je ICP, bekeek twee keer de prijzen en scoort 38.

Je rep belt eerst de 84, krijgt een beleefd "ik ben me alleen aan het oriënteren" en begint zich af te vragen of de score wel iets betekent. Na een paar weken zo kijken reps er niet meer naar en gaan ze weer op hun eigen gevoel af.

E-mailopens richten hier de meeste schade aan. Mail Privacy Protection van Apple downloadt standaard externe content op de achtergrond, of de ontvanger nu iets met de e-mail doet of niet. Een open van een Apple Mail-gebruiker kan dus niets meer betekenen dan dat de e-mail is aangekomen. Wij laten opens buiten elk lead-scoringmodel dat we bouwen.

De oplossing is om elk gedrag te wegen naar hoe dicht het bij een aankoop zit. Een demo-aanvraag, een reactie op een sales-e-mail, een tweede bezoek aan de prijspagina of een blik op je vergelijkingspagina's hoort echt gewicht te krijgen. Eén blogbezoek of een aanmelding voor een webinar hoort heel weinig te krijgen.

Signalen van buiten je eigen tools helpen hier enorm. Intent data kan laten zien dat het bedrijf van een lead op sites van derden onderzoek doet naar jouw categorie. Koopsignalen zoals een nieuwe salesleider, een investeringsronde of een wervingsgolf vertellen je wanneer een passend account waarschijnlijk in beweging komt.

Een lead bij een account dat opvallend veel onderzoek doet naar jouw categorie en je prijspagina bezoekt, is een veel betere call dan iemand die zich op je blog heeft geabonneerd. Op die timing inspelen is precies waar signal-based selling om draait, en de lead score is de plek waar die signalen horen te landen.

Scoor in B2B eerst het bedrijf en daarna de mensen die er werken

Lead scoring werkt van oudsher op het niveau van één persoon. Een ICP-scoringsmodel scoort het hele account tegen je ideale profiel, los van wat één persoon doet. Ze beantwoorden verschillende vragen, en in B2B moet de vraag over het bedrijf eerst komen.

B2B-aankopen worden door groepen mensen gedaan. Uit het onderzoek naar koopgedrag van Forrester uit 2024 blijkt dat er gemiddeld 13 mensen binnen een organisatie bij de koopbeslissing betrokken zijn. Een score op persoonsniveau ziet er steeds maar één en mist het patroon bij de rest.

Drie mensen van hetzelfde account die elk 30 scoren, kunnen een veel sterker signaal zijn dan één persoon met 80. Toch zet een pure lead score die ene 80 hoger. Daarom tellen wij engagement op naar bedrijfsniveau en laten we reps beide getallen naast elkaar zien.

In de praktijk ziet de volgorde er zo uit. De accountscore bepaalt welke bedrijven überhaupt aandacht verdienen. De lead score kiest daarna binnen elk bedrijf de juiste persoon en het juiste moment om contact op te nemen. Een heel betrokken lead bij een bedrijf dat niet bij je profiel past, blijft een slechte besteding van de middag van je rep.

Lead scoring op basis van regels, predictive of hybride, en waar je mee begint

Er zijn vier gangbare manieren om een lead-scoringmodel te bouwen. Ze verschillen vooral in waar de gewichten vandaan komen.

• Scoring op fit kijkt alleen naar wie de lead is, met functietitel, bedrijfsgrootte en branche uit je firmografische data. Dat is stabiel, maar het vertelt je niet wanneer iemand klaar is.

• Scoring op engagement kijkt alleen naar gedrag. Dat is actueel, maar nieuwsgierige lezers zetten het makkelijk op het verkeerde been.

• Predictive lead scoring gebruikt machine learning op je eerdere leads om de patronen te vinden die aan een conversie voorafgingen. Een model bepaalt de gewichten dan op basis van je eigen resultaten.

• Hybride scoring combineert fit, engagement en intent in één model met regels die je zelf instelt. Daar komen de meeste B2B-teams uiteindelijk uit.

Predictive scoring klinkt als de logische keuze, maar het heeft historie nodig om van te leren. De Einstein Lead Scoring-gids van Salesforce vraagt om minstens 1.000 leads die in de afgelopen 200 dagen zijn aangemaakt, waarvan er minstens 120 zijn geconverteerd naar een account en contact.

Onder dat volume valt Einstein terug op een globaal model, gebouwd op anonieme data van veel Salesforce-klanten. Dat kan een redelijk begin zijn. Het leert alleen van de kopers van andere bedrijven, en jouw kopers lijken daar misschien helemaal niet op.

Ons advies aan de meeste teams: begin met een hybride model dat je kunt lezen en uitleggen, laat het een paar kwartalen draaien en test pas daarna een predictive score ertegen. Een model dat je reps begrijpen, wordt gebruikt. En je leert meer van de leads die ze terugsturen dan van welke black box ook.

Een lead-scoringmodel eerlijk houden zodra het live staat en je reps erop vertrouwen

Na de lancering gaan twee dingen schuiven, en allebei maken ze de score fout zonder dat iemand het merkt. Het eerste is de data die erin gaat, het tweede zijn de gewichten.

Slechte input geeft antwoorden die precies lijken, terwijl ze dat niet zijn. Een lead met een perfecte fit scoort laag omdat het veld voor bedrijfsgrootte leeg is, of een slechte fit scoort hoog omdat een oude functietitel nooit is bijgewerkt.

Data enrichment die die velden vult en ververst, hoort bij het beheren van de score. Dat geldt ook voor het opschonen van duplicaten, voordat ze de activiteit van één persoon over twee records verdelen.

Oude activiteit moet ook vervagen. Een bezoek aan de prijspagina van vorige week zegt iets, hetzelfde bezoek van afgelopen voorjaar zegt veel minder.

HubSpot heeft een instelling voor score decay die punten verlaagt naarmate een gebeurtenis langer geleden is. Wij zetten die standaard aan, want een lead hoort niet eeuwig warm te blijven op basis van één drukke maand.

De gewichten moet je regelmatig naast de werkelijkheid leggen. Haal één keer per kwartaal de leads op die over je drempel gingen en kijk hoeveel daarvan opportunities werden. Haal daarna de deals op die je hebt gewonnen en kijk wat die kopers scoorden toen ze binnenkwamen. Waar die twee niet overeenkomen, kloppen de gewichten niet.

De leads die je reps hebben afgewezen, verdienen dezelfde aandacht. Sturen ze steeds leads uit één branche terug, of scoort één functietitel steeds hoog zonder ooit te converteren? Dan is dat een gewicht om te verlagen.

Een model dat je zo controleert, houdt het vertrouwen van je team. Een model dat nooit wordt gecontroleerd, glijdt terug naar het belonen van de verkeerde dingen.

Samenvatting

Elk onderdeel van een lead-scoringmodel is een inschatting van wie er koopt, vastgelegd in punten. De fit score schat in welke bedrijven en rollen in je pipeline horen, de engagementscore schat in welke acties betekenen dat iemand klaar is, en de negatieve punten schatten in wat een lead uitsluit.

Die inschattingen worden op een voorspelbare manier beter. Je houdt fit en engagement apart, zodat je ziet wat het getal drijft. Je geeft gewicht aan acties die dicht bij een aankoop zitten, je scoort het account vóór de persoon en je vergelijkt de resultaten elk kwartaal met je gesloten deals.

De test die telt: bellen je reps de bovenkant van de lijst als eerste, omdat ze erin geloven? Als de score ze steeds naar mensen stuurt die nooit gingen kopen, kijken ze er niet meer naar. Dan wordt het hele systeem een getal dat niemand leest.

Wil je hulp bij die van jou? Wij bouwen lead scoring in je eigen HubSpot of Salesforce, koppelen het aan je routing en dragen het over met de onderbouwing achter elk gewicht. Zo kan je team het blijven bijstellen, ook lang nadat wij weg zijn.

Veelgestelde vragen