Lead scoring is een methode om je leads te rangschikken met een getal dat laat zien hoe klaar ze zijn om te kopen, op basis van hoe goed ze bij je ideale klant passen en hoe betrokken ze bij je zijn. Het maakt van een rommelige stapel leads een lijst met prioriteiten, zodat je team weet wie het als eerste moet bellen.

Het idee is logisch en bijna universeel, want elk team met meer leads dan tijd heeft een manier nodig om te bepalen waar het begint. Een score op elke lead belooft je reps naar de beste kansen te wijzen, in plaats van ze de lijst in willekeurige volgorde te laten afwerken.

Het probleem is dat de meeste lead scoring-modellen uiteindelijk het verkeerde gedrag belonen. Ze geven hoge scores aan mensen die veel e-mails openen, maar die nooit van plan waren te kopen.

Lead scoring begrijpen betekent begrijpen hoe het werkt, en waarom zoveel modellen uiteindelijk betrokkenheid meten in plaats van koopbereidheid.

TL;DR

Lead scoring geeft elke lead een getal op basis van twee dingen: hoe goed hij past bij je ideal customer profile en hoe actief hij met je bezig is. Zo kan je team voorrang geven aan de leads die het meest waarschijnlijk converteren.

Teams hebben meer leads dan tijd. Wie ze in willekeurige volgorde afwerkt, verspilt moeite aan slechte fits terwijl hete prospects afkoelen. Een goede score zet de beste leads bovenaan.

Het gevaar is dat je betrokkenheid beloont die niets over kopen zegt. Dan scoort een nieuwsgierige nieuwsbrieflezer hoger dan een account met een perfecte fit dat dicht bij een beslissing zit.

De uitweg: geef fit het juiste gewicht, scoor op gedrag dat conversie voorspelt, trek punten af voor diskwalificerende signalen en stem het model af op wie echt sluit.

Wat is lead scoring precies, en waar staat het getal voor?

Lead scoring is het koppelen van een getal aan elke lead dat laat zien hoe veelbelovend hij is.

De score bundelt wat je over de lead weet in één waarde. Een hoge score betekent een lead die je nu moet oppakken, een lage score betekent een lead waarop je kunt wachten of die je kunt negeren.

De meeste modellen scoren op twee brede dimensies. Fit gaat over wie de lead is, zoals functie, bedrijfsgrootte en branche, en of dat past bij je ideale klant. Betrokkenheid gaat over wat de lead doet, zoals je site bezoeken, e-mails openen of content downloaden, en of dat op actieve interesse wijst.

Het model telt die op, vaak op een schaal van nul tot honderd, tot één getal dat de lead rangschikt ten opzichte van alle andere.

De score is er om een menigte leads in een volgorde te zetten waar je team mee aan de slag kan. Als leads sneller binnenkomen dan je team aankan, bepaal je met lead scoring met wie je als eerste praat. De meest veelbelovende komen bovenaan, de minst veelbelovende onderaan.

Het is een tool om te prioriteren, gebouwd om beperkte salestijd naar de leads te sturen die het meest waarschijnlijk klant worden.

Hoe werkt lead scoring echt onder de motorkap, punt voor punt?

Onder de motorkap is lead scoring vooral optellen en aftrekken volgens een set regels die jij bepaalt. Je beslist welke kenmerken en welk gedrag ertoe doen, geeft elk daarvan punten en laat het systeem voor elke lead een score optellen.

Je geeft pluspunten voor dingen die op koopbereidheid wijzen, zoals de juiste functietitel, werken bij een bedrijf dat in je profiel past, je prijspagina bezoeken of een demo aanvragen.

Je trekt punten af voor diskwalificerende signalen, zoals een uitschrijving, een privé-e-maildomein of een functie die nooit koopt.

Naarmate een lead punten verzamelt, stijgt zijn score. Zodra hij over een gekozen drempel gaat, geldt hij als klaar om aan sales over te dragen, vaak de stap van marketing-qualified lead naar sales-qualified lead.

Dit doet er het meest toe als demand generation de bovenkant van je funnel sneller vult dan reps kunnen bijhouden.

De mechaniek is simpel, maar het oordeel erachter bepaalt of een model slaagt of faalt. De punten die je toekent, leggen vast wat jij denkt dat een goede klant voorspelt. Een model is dus zo goed als die overtuigingen.

De mechaniek werkend krijgen is makkelijk. De gewichten goed krijgen, zodat de score echte koopbereidheid weerspiegelt, is het echte werk.

Wat is het verschil tussen fit scoring en engagement scoring?

Lead scoring combineert twee heel verschillende vragen, en die gescheiden houden is de sleutel tot een goed model. De ene vraagt wie, de andere vraagt hoe geïnteresseerd.

Fit scoring gaat over de vraag of een lead het soort persoon en bedrijf is waaraan je zou moeten verkopen, op basis van stabiele kenmerken als functie, branche en bedrijfsgrootte, allemaal gemeten tegen je ideal customer profile.

Engagement scoring gaat over de vraag of ze interesse tonen, op basis van gedrag als opens, clicks, bezoeken en downloads. Dat is in feite het onderscheid tussen fit score en intent score, toegepast op het niveau van de lead.

Een lead kan hoog scoren op het ene en laag op het andere, zoals een prospect met een perfecte fit die nauwelijks betrokken is, of een heel betrokken contact dat helemaal niet in je profiel past. Die twee leads vragen een heel andere aanpak.

Hier komt ook inbound-led outbound om de hoek kijken, want een lead met een geweldige fit die net betrokken raakt, is precies het soort account dat een tijdige, op signalen gebaseerde benadering waard is.

De fout die veel modellen maken, is dat ze die twee samenvoegen tot één getal dat het onderscheid verbergt. Een gecombineerde score van zeventig kan een lead met een geweldige fit en lichte interesse zijn, of een lead met een slechte fit die overal op klikt. Dat is niet dezelfde kans.

Sterke modellen houden fit en betrokkenheid apart zichtbaar, omdat het soort hoog scorende lead dat je hebt bepaalt of en hoe je hem opvolgt.

Hoe verschilt lead scoring van een ICP-score op accountniveau?

Deze twee worden verward omdat ze allebei een score opleveren, terwijl ze op verschillende niveaus werken en verschillende vragen beantwoorden. De ene scoort mensen, de andere scoort bedrijven.

Lead scoring scoort van oudsher individuele leads, de specifieke mensen die je funnel binnenkomen, en combineert hun persoonlijke fit met hun gedrag.

Een ICP scoring model scoort accounts. Het meet hoe goed een heel bedrijf bij je ideale profiel past, los van wat één persoon doet.

Lead scoring vraagt dus of deze persoon nu de moeite waard is, en ICP scoring vraagt of dit bedrijf überhaupt het soort bedrijf is waar je op moet mikken.

In de praktijk stapelen de twee op elkaar. ICP scoring op accountniveau bepaalt welke bedrijven aandacht verdienen, en lead scoring vindt de juiste mensen en het juiste moment binnen die bedrijven.

De vraag over het bedrijf komt eerst, en dan pas de vraag over de persoon. Een heel betrokken lead bij een bedrijf dat niet past, is meestal nog steeds geen goede besteding van je tijd. Scoring op persoonsniveau scherpt daarna je focus aan binnen de accounts die door de selectie kwamen.

Waarom belonen zoveel lead scoring-modellen precies de verkeerde dingen?

Dit is de ongemakkelijke waarheid die we steeds zien bij lead scoring: veel modellen meten uiteindelijk activiteit die niets over kopen voorspelt. Zien hoe dat gebeurt, is de sleutel om het te voorkomen.

De meest voorkomende fout is makkelijke betrokkenheid overwaarderen, zoals e-mail opens en contentdownloads. Die zijn simpel te meten, maar hangen zwak samen met echte koopintentie.

Een nieuwsgierige lezer die elke nieuwsbrief opent en elke gids downloadt, kan een hoge score opbouwen zonder enige intentie om te kopen. Een serieuze prospect die zonder veel te klikken twee keer je prijspagina bekijkt, scoort intussen lager.

Het model beloont het gedrag dat makkelijk te meten is, in plaats van het gedrag dat omzet voorspelt.

Zo krijgen teams hoog scorende leads die niet converteren, en sales reps die de score niet meer vertrouwen.

De correctie is gedrag wegen naar hoe sterk het kopen voorspelt. Geef echt gewicht aan acties met hoge intent, zoals prijspaginabezoeken en demo-aanvragen, en weinig gewicht aan activiteit met een zwak signaal, zoals één enkele open.

Een score is alleen nuttig als een hoog getal echt betekent dat een lead eerder koopt, en daarvoor moet je scoren op uitkomsten in plaats van op ruwe activiteit.

Hoe passen intent en koopsignalen in een lead scoring-model?

Moderne lead scoring haalt steeds vaker signalen van echt koopgedrag binnen, en dat houdt het verankerd in koopbereidheid in plaats van in ijdele betrokkenheid. Die signalen zijn een van de sterkste inputs die een model kan hebben.

Naast je eigen first-party engagement kun je intent data en buying signals toevoegen die laten zien dat het bedrijf van een lead actief onderzoek doet naar jouw categorie, leveranciers vergelijkt of op een andere manier richting een beslissing beweegt.

Dat gedrag zit veel dichter bij een aankoop dan een geopende e-mail. Als je het zwaar laat wegen, weerspiegelt je score echte koopbereidheid.

Een lead van een account dat opvallend veel onderzoek doet naar jouw categorie en je prijspagina bezoekt, is een veel hetere prospect dan iemand die zich alleen op je blog heeft geabonneerd. Dat is precies het soort timing waarop signal-based selling is gebouwd.

Daarom combineert de beste moderne scoring klassieke fit en betrokkenheid met echte intent. De signalen vertellen je dat een lead bestaat en past, en ook dat hij het gedrag vertoont van iemand die nu in de markt is. Dat is precies de timinginformatie die een score hoort te vangen.

Intent in het model opnemen is voor een groot deel hoe lead scoring verschuift van interesse meten naar echte salesbereidheid meten.

Uit welke lead scoring-modellen kun je kiezen?

Er zijn een paar standaardaanpakken om een scoringmodel te bouwen, en als je ze kent, kies je makkelijker de juiste voor jouw situatie. Ze verschillen vooral in waar ze op leunen.

De belangrijkste aanpakken zien er zo uit.

• Scoring op fit, gericht op wie de lead is, met kenmerken als functie, bedrijfsgrootte en branche, gebaseerd op firmographic data.

• Scoring op engagement, gericht op wat de lead doet, met gedrag als bezoeken, clicks en downloads om interesse in te schatten.

• Predictive scoring, dat machine learning op je historische data gebruikt om de patronen te vinden die echt aan eerdere conversies voorafgingen, in plaats van te leunen op gewichten die mensen hebben gegokt.

• Hybride scoring, dat fit, engagement en vaak intent in één model combineert. Daar komen de meeste teams uit, omdat het de signalen in balans brengt.

De meeste bedrijven komen uit bij een hybride model, omdat geen enkele dimensie het hele verhaal vertelt.

Predictive scoring is aantrekkelijk omdat het de gewichten baseert op echte uitkomsten in plaats van op meningen. Het heeft wel genoeg data nodig om te werken. De meeste teams die we adviseren, beginnen daarom met een verstandig hybride model op basis van regels en voegen voorspelling toe naarmate ze historie opbouwen.

Waarom heeft lead scoring schone data nodig om te werken?

Elke score is alleen een berekening, en een berekening op slechte input geeft foute antwoorden die precies lijken. Hoe betrouwbaar je scores zijn, hangt volledig af van de data eronder.

Als je fitdata fout is of ontbreekt, schat het model verkeerd in wie een lead is. Het scoort een prospect met een perfecte fit laag omdat de bedrijfsgrootte leeg is, of een slechte fit hoog omdat het record misleidend is.

Hier komt data enrichment om de hoek kijken, want pas met juiste firmografische gegevens en functiegegevens betekent de fit-helft van de score iets. Ook engagementdata moet betrouwbaar zijn: het moet het gedrag vastleggen dat ertoe doet en dat aan de juiste lead koppelen.

Het grotere risico is dat een slechte score met gezag misleidt. Je rep ziet een lead met een score van negentig, neemt aan dat hij heet is en handelt daarnaar. Een score op slechte data stuurt inspanning dus actief de verkeerde kant op, terwijl hij er officieel uitziet.

Schone, complete data is geen bijzaak bij lead scoring. Het is het fundament dat bepaalt of je de scores überhaupt kunt vertrouwen.

Hoe voorkom je dat een lead scoring-model langzaam veroudert?

Geen enkel scoringmodel blijft uit zichzelf nauwkeurig, omdat wat een goede klant voorspelt steeds verschuift. De gewichten raken verouderd terwijl niemand kijkt.

Je markt verandert, je product ontwikkelt zich en je begrip van wie converteert wordt beter. Keuzes die een jaar geleden logisch waren, kunnen nu dus niet meer kloppen.

In onze ervaring houd je een model alleen eerlijk door het regelmatig naast de werkelijkheid te leggen. Kijk of hoog scorende leads echt sloten en of laag scorende leads toch goede klanten bleken.

Daarna pas je de gewichten aan waar de score en de uitkomsten niet overeenkomen, omdat de data over wie echt converteert de waarheid is waar je model mee moet blijven kloppen.

De fout is een scoringmodel opzetten en het als af beschouwen. Een bevroren model drijft elk kwartaal verder weg van de werkelijkheid. Erger nog: het leert je team om scoring helemaal niet meer te vertrouwen zodra een paar hoge scores mislukken.

Een model dat je controleert en bijstelt, blijft in lijn met wie echt koopt. Daardoor blijven je reps erop vertrouwen en ernaar handelen.

Welke veelgemaakte fouten bij lead scoring ondermijnen het vertrouwen van reps?

Een handvol fouten komt in veel lead scoring-programma's terug, en de meeste ontstaan doordat het model wegdrijft van echt koopgedrag. Als je ze benoemt, bouw je makkelijker een model dat reps vertrouwen.

De grootste is ijdele betrokkenheid belonen: punten stapelen op makkelijke acties zoals opens die geen aankoop voorspellen.

Kort daarachter komt fit negeren, waardoor betrokken leads met een slechte fit naar boven drijven. Het spiegelbeeld is betrokkenheid negeren en puur op fit scoren, waardoor je niet kunt zien wie nu geïnteresseerd is.

Dan is er het overslaan van negatieve scoring, waarbij niets ooit punten aftrekt voor diskwalificerende signalen. Zo bouwen rommelleads misleidend hoge scores op.

Er is ook de fout om een model te bouwen en het nooit te toetsen aan wie echt converteert, zodat niemand weet of de score werkt.

Voor elk van die fouten werkt dezelfde discipline. Je weegt gedrag naar hoe goed het kopen voorspelt, houdt fit en betrokkenheid allebei in beeld, trekt punten af voor diskwalificerende signalen, voedt het model met schone data en stemt het af op echte conversie-uitkomsten, zodat een hoge score een betere lead betekent.

Heeft een klein of jong team al echt formele lead scoring nodig?

Niet elk team heeft een formeel scoringmodel nodig, want het antwoord hangt af van volume. Het denkwerk doet er ook toe als er nog geen model is.

Heb je zo weinig leads dat je team elke lead persoonlijk kan beoordelen, dan voegt een formeel scoringmodel vooral overhead toe zonder veel voordeel. Een mens die naar elke lead kijkt, doet al het prioriteren dat een score zou automatiseren.

In die fase is een simpel beeld van hoe een goede lead eruitziet genoeg. Lead scoring betaalt zich terug zodra het volume groter wordt dan wat je nog met de hand kunt beoordelen, als je echt een systeem nodig hebt om te bepalen wie je als eerste oppakt.

Het eerlijke antwoord is dus dat scoring een antwoord is op schaal en geen universele eis. In het begin is het een betere investering om te leren welke leads converteren, want dat inzicht leg je later vast in een model.

Als het volume komt, bouw je een veel beter scoringsysteem, omdat je uit ervaring weet wat een goede klant echt voorspelt, in plaats van vanaf het begin gewichten te gokken.

Waarom lead scoring nooit beter is dan wat het beloont

Uiteindelijk is lead scoring een tool om te prioriteren, een manier om beperkte salestijd te richten op de leads die het meest waarschijnlijk kopen.

De hele waarde staat of valt met de vraag of een hoge score echt een betere lead betekent. Dat hangt ervan af of je het gedrag en de kenmerken beloont die conversie voorspellen, en niet de dingen die gewoon makkelijk te tellen zijn.

De teams die er waarde uit halen, houden fit en betrokkenheid allebei in beeld, laten gedrag met hoge intent veel zwaarder wegen dan ijdele activiteit, nemen echte intentsignalen mee, trekken punten af voor diskwalificerende signalen en stemmen het model af op wie sluit.

Ze behandelen de score als een levende hypothese die ze toetsen aan uitkomsten, en niet als een getal dat ze één keer instellen en daarna voor altijd vertrouwen.

De houding die werkt: vraag bij elk punt dat je model toekent of dat gedrag echt een verkoop voorspelt.

Bouw je het model rond echte koopbereidheid in plaats van meetbare drukte, en houd je het eerlijk tegen echte resultaten, dan wordt lead scoring een scherpe gids die je reps vertrouwen. Het is dan geen netjes ogend getal meer dat ze achter de verkeerde mensen aan stuurt.