توسط : اگر تیم فروش شما هر روز با دهها یا صدها سرنخ (Lead) روبهروست، «حس شهودی» برای اولویتبندی خیلی زود شکست میخورد: بعضی لیدها زودتر از بقیه آماده خرید هستند، بعضیها فقط کنجکاوند، و بعضیها اساساً با بازار هدف شما تطابق ندارند. راهحل عملی و قابلپیادهسازی، ساخت یک lead scoring model است؛ مدلی که با ترکیب معیارهای رفتاری و ویژگیهای فردی/شرکتی به هر لید امتیاز میدهد و به تیم فروش میگوید «الان روی کدام لید وقت بگذاریم».
در این راهنما، یک چارچوب مرحلهبهمرحله برای ساخت مدل امتیازدهی لید ارائه میکنم: از تعریف معیارها و وزندهی تا تعیین آستانههای MQL (Marketing Qualified Lead) و SQL (Sales Qualified Lead)، همراه با یک مثال واقعی از جدول امتیازدهی و قالب آماده اکسل برای پیادهسازی سریع در CRM.
فهرست مطالب
- چرا امتیازدهی لید لازم است؟
- اصول یک مدل خوب
- تعریف ICP و هدف مدل
- انتخاب معیارها: رفتاری و مشخصاتی
- وزندهی و امتیازدهی
- آستانههای MQL/SQL و قوانین تحویل به فروش
- قالب اکسل: ساختار پیشنهادی
- مثال واقعی از جدول امتیازدهی
- پیادهسازی در CRM و اتوماسیون
- چکلیست اجرایی
- اشتباهات رایج
- سؤالات متداول
چرا امتیازدهی لید لازم است؟
امتیازدهی لید یعنی تبدیل «کیفیت لید» به یک عدد قابلمقایسه. این کار سه خروجی عملی دارد:
- افزایش بهرهوری فروش: زمان فروشندگان روی لیدهایی میرود که احتمال تبدیل بالاتری دارند.
- همراستایی فروش و بازاریابی: تعریف روشن از MQL و SQL، دعوای «لیدها بد بودند/پیگیری بد بود» را کم میکند.
- بهبود نرخ تبدیل قیف: وقتی معیارها شفاف باشد، میتوانید مرحلهبهمرحله قیف را اصلاح کنید (منبع جذب، پیامها، پیشنهادها).
نکته مهم: یک lead scoring model خوب لزوماً پیچیده نیست؛ باید «قابلاجرا» باشد و هر ماه بتوان آن را اصلاح کرد.
اصول یک مدل Lead Scoring خوب (قبل از ساخت جدول)
قبل از اینکه اکسل را باز کنید، این اصول را روشن کنید:
- یک هدف مشخص: آیا هدف، کاهش زمان پاسخگویی است؟ افزایش نرخ تبدیل SQL به قرارداد؟ یا کاهش لیدهای بیکیفیت؟
- قابل توضیح بودن: فروش باید بفهمد چرا یک لید ۷۰ امتیاز گرفته و دیگری ۲۰.
- قابل کالیبره شدن: مدل باید با دادههای واقعی اصلاح شود (نه فقط نظر افراد).
- تفکیک رفتار از تطابق: «علاقه» (رفتار) با «تناسب» (Fit) یکی نیست.
اگر تیم شما فروش مشاورهای دارد، امتیازدهی باید به کشف نیاز و کیفیت گفتوگو هم متکی باشد؛ برای بهبود این بخش میتوانید مقاله فروش مشاورهای چیست و چگونه عمل میکند؟ را هم ببینید.
گام ۱: تعریف ICP و مشخص کردن خروجی مدل
اولین پایهی مدل، تعریف ICP (Ideal Customer Profile) است: مشتری ایدهآل شما چه ویژگیهایی دارد؟ این بخش بیشتر برای کسبوکارهای B2B حیاتی است، اما در B2C هم میتوان «پروفایل مشتری ایدهآل» را تعریف کرد.
برای B2B چه چیزهایی را در ICP بیاوریم؟
- صنعت (Industry)
- اندازه شرکت (تعداد کارمند/درآمد)
- نقش تصمیمگیر (CEO, Head of Sales, …)
- بلوغ دیجیتال یا ابزارهای فعلی
- محدوده جغرافیایی/زبان/قوانین
برای B2C چه چیزهایی مهمتر است؟
- سن/شغل/سطح درآمد (در حدی که داده دارید)
- هدف خرید و نوع مسئله
- حساسیت به قیمت و رفتار خرید
در پایان این گام، یک جمله خروجی میخواهید: «این lead scoring model لیدهایی را برای تماس فروش اولویت میدهد که هم با ICP تطابق دارند و هم سیگنالهای جدی قصد خرید نشان دادهاند.»
گام ۲: انتخاب معیارها (رفتاری + مشخصاتی)
پیشنهاد حرفهای: امتیازدهی را به دو ستون اصلی تقسیم کنید:
- Fit Score (تناسب): آیا این لید «برای ما مناسب است»؟
- Intent Score (قصد/علاقه): آیا این لید «الان در حال نزدیک شدن به خرید است»؟
این تفکیک باعث میشود مدل قابل دفاعتر شود و فروشنده بتواند تصمیم بگیرد: «این لید خیلی علاقه دارد ولی فیت نیست» یا «فیت عالی است اما هنوز قصد خرید ندارد».
الف) معیارهای مشخصاتی (Demographic / Firmographic)
برای B2B، معمولاً «فرمографیک (Firmographic)» مهم است: اندازه شرکت، صنعت، نقش فرد، بودجه احتمالی. برای B2C بیشتر «جمعیتشناختی (Demographic)» و تناسب با پرسونای خرید.
- عنوان شغلی/نقش (Decision maker vs Influencer)
- اندازه شرکت (SMB/Enterprise)
- صنعتهای هدف و غیرهدف
- کشور/شهرهای قابل سرویسدهی
ب) معیارهای رفتاری (Behavioral)
- ثبتنام در دمو/مشاوره
- بازدید از صفحات کلیدی (قیمت، کیساستادی، مقایسه)
- دانلود فایل (مثلاً کاتالوگ/راهنما) بدون متن قابلخواندن در تصویر/فایلهای عمومی
- پاسخ به ایمیل/کلیک روی لینکها
- تماس ورودی یا درخواست تماس
اگر تماس تلفنی بخش مهمی از فرایند شماست، بهتر است «کیفیت مکالمه» هم بهصورت یک معیار ثبت شود (مثل وجود بودجه، زمانبندی خرید، اختیار تصمیم). برای تقویت این بخش، مقاله راهکارهای افزایش فروش از طریق فروش تلفنی میتواند کمک کند.
ج) معیارهای منفی (Negative Scoring) برای حذف وقتگیرها
یکی از تفاوتهای مدلهای بالغ با مدلهای ابتدایی، استفاده از امتیاز منفی است:
- ایمیل شخصی غیرمرتبط برای B2B (بسته به محصول شما)
- دانشجو/متقاضی استخدام (در صورتی که لیدهای اشتباه زیاد دارید)
- کشور/منطقه خارج از محدوده سرویس
- عدم تطابق شدید با حداقلهای ICP
در یک lead scoring model عملی، امتیاز منفی کمک میکند لیدهای «پُرسروصدا» ولی بیکیفیت، صدر لیست فروش را اشغال نکنند.
گام ۳: وزندهی معیارها (چطور عددها را منطقی تعیین کنیم؟)
وزندهی یعنی تعیین کنید هر معیار چقدر در «آمادگی خرید» اثر دارد. سادهترین روش برای شروع، امتیازدهی ۰ تا ۱۰ (یا ۰ تا ۲۰) برای هر معیار و سپس جمع امتیازهاست.
روش پیشنهادی برای وزندهی اولیه
- لیست معیارها را محدود کنید: برای نسخه ۱ مدل، ۸ تا ۱۵ معیار کافی است.
- معیارهای «قصد خرید» را سنگینتر کنید: مثل درخواست دمو، بازدید قیمت، پاسخ به پیام فروش.
- معیارهای «تناسب» را بهعنوان فیلتر حیاتی ببینید: اگر فیت خیلی پایین است، حتی Intent بالا هم باید با احتیاط به فروش برسد.
- از فروش بازخورد بگیرید: فروشندگان معمولاً میدانند چه سیگنالهایی واقعاً به قرارداد نزدیک است.
اگر میخواهید رفتار فروشندگان در پیگیری را هم استاندارد کنید، مطالعه چگونه فروشندههای حرفهای پرسشگری میکنند؟ کمک میکند تا معیارهای «کیفیت تماس» را بهتر تعریف کنید.
حداکثر چند اصطلاح فنی لازم دارید؟
برای اینکه مدل قابلاستفاده بماند، همین چند اصطلاح کافی است: ICP، MQL، SQL، CRM، Fit، Intent، کالیبراسیون (Calibration). بیش از این، معمولاً تیم را درگیر پیچیدگی بیفایده میکند.
گام ۴: تعیین آستانههای MQL/SQL و قوانین تحویل به فروش
مدل بدون آستانهها ناقص است. باید مشخص کنید:
- از چه امتیازی به بالا، لید MQL محسوب میشود؟
- از چه امتیازی به بالا (یا با چه شرطهایی) لید SQL میشود و باید حتماً توسط فروش پیگیری شود؟
پیشنهاد یک ساختار ساده آستانه
- ۰ تا ۲۹: Nurture (نیاز به پرورش/آموزش)
- ۳۰ تا ۵۹: MQL (آمادهتر؛ نیمهگرم)
- ۶۰ به بالا: SQL (اولویت تماس/جلسه)
اما بهتر از «فقط امتیاز کل»، استفاده از «قانون ترکیبی» است؛ مثال: SQL فقط وقتی فعال شود که Fit ≥ ۲۰ و Intent ≥ ۴۰. این کار جلوی SQL شدن لیدهای نامناسب با رفتارهای اتفاقی را میگیرد.
در هر حال، در هر بازه زمانی (مثلاً ماهانه) باید بررسی کنید این آستانهها چه اثری بر نرخ تبدیل داشتهاند تا lead scoring model شما کالیبره شود.
گام ۵: قالب اکسل پیشنهادی (ساختار ستونها)
برای پیادهسازی سریع، اکسل باید هم برای بازاریابی قابل تکمیل باشد و هم برای فروش قابل فهم. یک قالب استاندارد این ستونها را دارد:
- شناسه لید / نام شرکت
- منبع لید
- معیارهای Fit (هر کدام با امتیاز)
- معیارهای Intent (هر کدام با امتیاز)
- امتیازهای منفی
- Fit Total، Intent Total، Total Score
- وضعیت (Nurture / MQL / SQL)
- مالک پیگیری (Sales owner)
- یادداشت تماس/نتیجه
فرمولها ساده باشند. مثال:
- Total Score = Fit Total + Intent Total + Negative Total
- Status با IF های متوالی بر اساس آستانهها و قوانین ترکیبی
نکته اجرایی: حتی اگر نهایتاً در CRM پیادهسازی میکنید، نسخه اکسل برای «نسخه ۱» و جلسات همراستاسازی تیم عالی است.
گام ۶: مثال واقعی از جدول امتیازدهی (B2B SaaS فرضی)
در جدول زیر یک نمونه مقایسهای میبینید که نشان میدهد چرا تفکیک Fit و Intent مهم است. اعداد نمونهاند و باید با دادههای شما تنظیم شوند.
| معیار | نوع | امتیاز لید A | امتیاز لید B | توضیح |
|---|---|---|---|---|
| نقش تصمیمگیر (مدیر/مالک) | Fit | 10 | 4 | لید A تصمیمگیر است، لید B کارشناس |
| اندازه شرکت در بازه هدف | Fit | 8 | 8 | هر دو در بازه مناسب هستند |
| صنعت هدف | Fit | 6 | -5 | صنعت لید B خارج از تمرکز است |
| بازدید صفحه قیمت | Intent | 15 | 0 | سیگنال نزدیک به خرید |
| درخواست دمو/جلسه | Intent | 25 | 10 | لید A درخواست مستقیم داده |
| پاسخ به ایمیل فروش | Intent | 10 | 0 | تعامل مستقیم با فروش |
| امتیاز منفی: ایمیل نامعتبر/کماعتبار | Negative | 0 | -10 | کیفیت داده پایین میآورد |
| جمع Fit | – | 24 | 7 | – |
| جمع Intent | – | 50 | 10 | – |
| امتیاز کل | – | 74 | 7 | طبق آستانهها، لید A = SQL، لید B = Nurture |
این نمونه نشان میدهد یک لید ممکن است با چند رفتار سطحی «گرم» به نظر برسد، اما اگر Fit پایین باشد، پیگیری فروش میتواند اتلاف زمان باشد. این دقیقاً جایی است که lead scoring model ارزش ایجاد میکند.
گام ۷: پیادهسازی در CRM (بدون پیچیدگی اضافه)
برای پیادهسازی، دو رویکرد دارید:
- رویکرد دستی-کنترلی: اکسل یا فیلدهای دستی در CRM؛ مناسب تیمهای کوچک یا شروع کار.
- رویکرد نیمهخودکار: ثبت رفتارها (بازدید صفحات کلیدی، درخواست دمو، کلیک ایمیل) و جمع امتیاز در CRM با قوانین ساده.
قوانین سادهای که بیشترین اثر را دارند
- وقتی لید SQL شد: ایجاد تسک برای تماس در کمتر از X ساعت
- اگر SQL طی Y روز پیگیری نشد: هشدار به مدیر فروش
- اگر لید از SQL به «بیپاسخ» رفت: کاهش امتیاز Intent به مرور زمان (Decay)
Decay (کاهش امتیاز با گذر زمان) را خیلی پیچیده نکنید؛ حتی یک قانون ساده مثل «اگر ۱۴ روز تعامل صفر بود، ۱۰ امتیاز کم کن» در نسخه ۱ کافی است.
چکلیست اجرایی ساخت مدل در ۹۰ دقیقه
- ICP را در ۵ خط بنویسید (بازه صنعت/اندازه/نقش/محدوده سرویس).
- ۱۰ معیار انتخاب کنید: ۵ Fit + ۵ Intent.
- برای هر معیار، امتیازهای ممکن را مشخص کنید (۰/۵/۱۰ یا ۰/۱۰/۲۰).
- ۳ معیار منفی تعیین کنید (حداقل ۱ مورد مربوط به عدم تطابق ICP).
- آستانهها را تعریف کنید (Nurture/MQL/SQL) و یک قانون ترکیبی بگذارید.
- یک فایل اکسل بسازید و با ۲۰ لید اخیر پر کنید.
- نتایج را با تیم فروش مرور کنید: کدامها واقعاً تبدیل شدند؟ کدامها اشتباه بود؟
- ۲ اصلاح سریع روی وزنها انجام دهید.
- نسخه ۱ را برای یک چرخه فروش اجرا کنید و بعد کالیبره کنید.
با این چکلیست، شما یک lead scoring model «قابل اجرا» دارید؛ نه یک پروژه طولانی که هیچوقت تمام نمیشود.
اشتباهات رایج در Lead Scoring (و راه اصلاح)
- اشتباه ۱: امتیازدهی فقط بر اساس رفتار. اصلاح: Fit را جداگانه بسنجید و حداقل Fit برای SQL بگذارید.
- اشتباه ۲: معیارهای زیاد و پیچیده. اصلاح: نسخه ۱ را با ۸ تا ۱۵ معیار بسازید.
- اشتباه ۳: نبود امتیاز منفی. اصلاح: برای عدم تطابق ICP و دادههای بیکیفیت امتیاز منفی تعریف کنید.
- اشتباه ۴: آستانههای ثابت بدون بازبینی. اصلاح: ماهانه با داده واقعی کالیبره کنید.
- اشتباه ۵: تعریف مبهم MQL/SQL بین فروش و بازاریابی. اصلاح: قوانین را مکتوب کنید و روی داشبورد تیمی نمایش دهید.
سؤالات متداول
۱) هر چند وقت یکبار باید مدل امتیازدهی را تغییر دهیم؟
برای شروع، هر ماه یک بازبینی سبک انجام دهید (بر اساس نرخ تبدیل MQL→SQL و SQL→Deal). بعد از تثبیت، هر فصل کافی است مگر اینکه کانال جذب یا محصول تغییر جدی کند.
۲) برای B2C هم lead scoring model ارزش دارد؟
بله، مخصوصاً اگر حجم لید زیاد است یا چند محصول/پلن دارید. در B2C معمولاً رفتار (Intent) وزن بالاتری دارد و دادههای Fit سادهتر است.
۳) از کجا بفهمیم وزنها درست انتخاب شدهاند؟
با کالیبراسیون: لیدهایی که امتیاز بالاتر گرفتهاند باید بهطور معناداری نرخ تبدیل بالاتری داشته باشند؛ اگر ندارند، معیارها یا وزنها اشتباهاند یا دادههای ورودی ناقص است.
۴) آستانه MQL و SQL را چگونه تعیین کنیم؟
در نسخه ۱، با آزمون و خطا شروع کنید (مثلاً سه سطح ۳۰/۶۰) و سپس با دادههای ۲ تا ۴ هفتهای تنظیم کنید تا حجم SQL با ظرفیت تیم فروش همخوان شود.
۵) آیا باید امتیازها را ۰ تا ۱۰۰ کنیم؟
ضروری نیست. مهم «قابل مقایسه بودن» و «پایداری» است. اما اگر برای گزارشدهی سادهتر است، میتوانید امتیاز کل را نرمالسازی کنید.
۶) اگر داده رفتاری نداریم چه کنیم؟
با معیارهای دستی شروع کنید: نتیجه تماس اولیه، پاسخگویی، منبع لید، و چند سؤال کلیدی در فرم. همزمان برنامه بگذارید تا داده رفتاری حداقلی (مثل بازدید صفحه قیمت یا درخواست دمو) ثبت شود.
۷) آیا امتیازدهی لید جایگزین تجربه فروشنده میشود؟
خیر؛ مدل کمک میکند اولویتبندی و نظم ایجاد شود، اما تصمیم نهایی در موارد خاص میتواند با قضاوت فروشنده و مدیر فروش تنظیم شود (با ثبت دلیل برای یادگیری).
۸) حداقل خروجی که باید از تیم فروش بگیریم چیست؟
دو چیز: (۱) تعریف اینکه «یک SQL خوب» چه ویژگیهایی دارد، (۲) بازخورد منظم روی لیدهایی که مدل بالا میآورد (واقعاً ارزش پیگیری داشتند یا نه). بدون این دو، lead scoring model بهمرور از واقعیت دور میشود.
جمعبندی: امتیازدهی لید وقتی موفق است که ساده شروع شود، Fit و Intent را جدا کند، آستانههای روشن MQL/SQL داشته باشد و بهصورت دورهای با دادههای واقعی کالیبره شود. اگر همین امروز یک اکسل نسخه ۱ بسازید و با ۲۰ لید اخیر تست کنید، ظرف چند روز اثر آن را در سرعت پیگیری و کیفیت جلسات فروش میبینید.
