اگر حجم لیدها زیاد شده اما تیم فروش هنوز میگوید «لیدها بیکیفیتاند»، یا مارکتینگ میگوید «فروش پیگیری نمیکند»، معمولاً مشکل از نبودِ یک زبان مشترک برای تعریف کیفیت سرنخ است. اینجاست که lead scoring model بهعنوان یک چارچوب مشترک وارد میشود: مدلی که با تکیه بر دادههای CRM و رفتار کاربر، به هر لید امتیاز میدهد تا مشخص شود کدام لیدها باید سریعتر و با چه رویکردی پیگیری شوند.
در این راهنما یک مسیر مرحلهبهمرحله میسازیم: انتخاب سیگنالهای رفتاری و پروفایلی، وزندهی، ساخت امتیاز نهایی، تعریف آستانههای MQL/SQL، اعتبارسنجی با دادههای تبدیل واقعی و در نهایت بهینهسازی دورهای. همچنین یک قالب جدول وزندهی و چند قانون آماده ارائه میکنیم تا بتوانید سریع شروع کنید.
این مقاله برای چه کسانی است؟
- مدیران رشد، مدیران بازاریابی و مدیران فروش که میخواهند تعریف مشترکی از «لید باکیفیت» داشته باشند.
- تیمهای CRM/RevOps که میخواهند امتیازدهی را قابل اندازهگیری و قابل دفاع کنند.
- کسبوکارهای B2B (و حتی B2C با فروش مشاورهای) که چرخه فروش چندمرحلهای دارند.
فهرست مطالب
- چرا به مدل امتیازدهی لید نیاز داریم؟
- پیشنیازهای دادهای: CRM و ردیابی رفتار
- چارچوب انتخاب سیگنالها (پروفایلی/رفتاری)
- روش وزندهی و ساخت امتیاز نهایی
- تعریف آستانههای MQL/SQL و قوانین مسیردهی
- قالب آماده: جدول وزندهی و قوانین نمونه
- اعتبارسنجی با داده تبدیل واقعی و اصلاح مدل
- پیادهسازی عملی در CRM و عملیات تیمها
- بهینهسازی دورهای و جلوگیری از فرسودگی مدل
- اشتباهات رایج
- چکلیست اجرایی سریع
- سؤالات متداول
چرا به مدل امتیازدهی لید نیاز داریم؟
یک lead scoring model خوب دو کار را همزمان انجام میدهد: (۱) اولویتبندی پیگیری فروش، (۲) بازخورد دادن به مارکتینگ درباره کیفیت لیدهای ورودی. وقتی امتیازدهی ندارید، معمولاً این اتفاقها میافتد:
- فروش به جای تمرکز روی لیدهای آماده، زمانش را روی سرنخهای سرد یا نامرتبط میگذارد.
- مارکتینگ تنها با معیارهایی مثل تعداد لید یا CPL قضاوت میشود، نه با «احتمال تبدیل».
- بحثهای داخلی سلیقهای میشود: «این لید خوب بود/بد بود» بدون داده قابل اتکا.
مزیت کلیدی امتیازدهی این است که «رفتار» و «تناسب» را به زبان عدد تبدیل میکند؛ عددی که هم میشود بر اساس آن SLA ساخت، هم میشود با داده تبدیل واقعی صحتش را سنجید.
پیشنیازهای دادهای: CRM و ردیابی رفتار
قبل از طراحی lead scoring model مطمئن شوید دادههای حداقلی را دارید؛ اگر داده ناقص باشد، مدل شما فقط یک جدول زیباست. دو منبع اصلی داده:
- CRM: اطلاعات پروفایلی، تاریخچه تعاملات فروش، مرحله قیف، نتیجه نهایی (Won/Lost)، منبع لید.
- رفتار کاربر روی وب/اپ: مشاهده صفحات، رویدادها، کلیکها، ثبتنامها، دانلودها، بازدیدهای تکراری.
حداقل دادههایی که باید استاندارد شوند
- تعریف یکتای لید (شناسه، ایمیل/موبایل) و جلوگیری از تکراری شدن.
- ثبت منبع/مدیوم و کمپین (ترجیحاً با UTMها).
- رویدادهای کلیدی (Event) برای رفتارهای مهم: ارسال فرم، درخواست دمو، مشاهده قیمت، دانلود کاتالوگ.
اگر هنوز ردیابی رویدادها و UTMها را دقیق پیاده نکردهاید، اول این کار را انجام دهید؛ سپس وارد امتیازدهی شوید. برای راهاندازی درست، میتوانید از این راهنما استفاده کنید: راهنمای عملی راهاندازی ردیابی رویدادها و UTM برای کمپینهای دادهمحور.
چارچوب انتخاب سیگنالها (پروفایلی/رفتاری)
هسته هر lead scoring model مجموعه سیگنالهایی است که واقعاً با «احتمال تبدیل» ارتباط دارند. برای انتخاب سیگنالها، از دو دسته اصلی استفاده کنید:
۱) سیگنالهای تناسب (Fit) یا پروفایلی
اینها نشان میدهند آیا این لید اساساً مشتری بالقوه شما هست یا نه. نمونهها:
- صنعت/حوزه فعالیت
- اندازه شرکت (تعداد نفرات یا درآمد)
- سمت و نقش تصمیمگیر (Decision-maker)
- کشور/شهر یا محدوده خدماتدهی
- کیس استفاده (Use case) انتخابشده در فرم
۲) سیگنالهای قصد خرید (Intent) یا رفتاری
اینها نشان میدهند لید چقدر «نزدیک» به خرید است. نمونههای رفتاری کاربردی:
- بازدید از صفحه قیمتگذاری یا مقایسه
- تعداد جلسات (Sessions) در ۷ روز اخیر
- مشاهده صفحات محصول/ویژگیها
- درخواست دمو/مشاوره یا پر کردن فرمهای با قصد بالا
- تعامل ایمیلی (Email engagement): کلیک روی لینکهای کلیدی (اگر دادهاش را دارید)
چطور سیگنالهای درست را پیدا کنیم؟
به جای حدس، از دادههای گذشته شروع کنید: لیدهایی که تبدیل شدهاند (Won/Closed) را جدا کنید و ببینید قبل از تبدیل چه ویژگیها و رفتارهایی داشتهاند. اگر هنوز داده کافی ندارید، یک نسخه اولیه بسازید و سریع وارد فاز اعتبارسنجی شوید.
روش وزندهی و ساخت امتیاز نهایی
در یک lead scoring model ساده و عملی، امتیاز نهایی معمولاً ترکیبی از «Fit + Intent» است. توصیه اجرایی این است که این دو را جدا نگه دارید تا هم فروش بهتر بفهمد «چرا» لید امتیاز گرفته، هم اصلاح مدل راحتتر شود.
مدل امتیازدهی پیشنهادی (دو بخشی)
- Fit Score (0–100): تناسب پروفایلی با ICP
- Intent Score (0–100): شدت رفتارهای نشاندهنده قصد خرید
سپس یک امتیاز ترکیبی بسازید:
- Total Score = (0.55 × Intent) + (0.45 × Fit)
این نسبتها قطعی نیستند؛ اگر چرخه فروش شما بیشتر وابسته به «تناسب» است (مثلاً بازار محدود یا محصول بسیار تخصصی)، وزن Fit را بالاتر ببرید.
قوانین وزندهی: ساده، قابل دفاع، قابل اصلاح
- هر سیگنال باید تعریف دقیق داشته باشد (مثلاً «بازدید از قیمت» یعنی کدام URLها و چند بار؟).
- وزنها باید قابل توضیح باشند (چرا 20 امتیاز؟ بر اساس تجربه/داده).
- امتیازدهی منفی فراموش نشود (مثلاً صنعت نامرتبط، ایمیل عمومی، کشور خارج از پوشش).
- Decay یا کاهش امتیاز با گذشت زمان را در نظر بگیرید (بهخصوص برای رفتارها).
تعریف آستانههای MQL/SQL و قوانین مسیردهی
هدف lead scoring model فقط عدد دادن نیست؛ هدف این است که بر اساس آستانهها تصمیم عملی بگیرید. آستانهها باید با ظرفیت تیم فروش و نرخ تبدیل واقعی همخوان باشند.
تعریف پیشنهادی MQL و SQL
- MQL: لید از نظر تناسب حداقلی را دارد و یک یا چند رفتار معنادار انجام داده؛ آماده nurture یا تماس اولیه محدود.
- SQL: لید هم Fit بالا دارد هم Intent بالا؛ باید سریع به فروش ارجاع شود.
نمونه آستانه عملی (قابل تنظیم)
- اگر Intent ≥ 70 و Fit ≥ 60 → SQL
- اگر Intent بین 40 تا 69 و Fit ≥ 50 → MQL
- اگر Fit پایین یا Intent پایین → Nurture / بررسی بیشتر
قانونهای مسیردهی (Routing) که تیمها را همراستا میکند
- SQLها ظرف ۱۵ دقیقه تا ۲ ساعت باید به مالک فروش تخصیص داده شوند.
- اگر SQL ظرف ۲۴ ساعت تماس نگرفت، به سرپرست فروش هشدار برود.
- MQLها وارد سکانس محتوا/ایمیل شوند و با افزایش Intent به SQL ارتقا بگیرند.
قالب آماده: جدول وزندهی و قوانین نمونه
در ادامه یک نمونه جدول وزندهی میبینید که میتوانید برای نسخه ۱ مدل استفاده کنید. این نمونه عمداً «ساده و قابل اجرا» است تا سریع وارد چرخه یادگیری شوید؛ سپس با داده تبدیل واقعی اصلاحش کنید. این همان جایی است که lead scoring model از یک ایده به یک سیستم عملیاتی تبدیل میشود.
| دسته | سیگنال | شرط/تعریف | امتیاز | نوع |
|---|---|---|---|---|
| Fit | سمت شغلی مرتبط | مدیر/سرپرست/Owner در حوزه مرتبط | +20 | پروفایلی |
| Fit | اندازه شرکت | در بازه ایدهآل شما | +15 | پروفایلی |
| Fit | ایمیل عمومی | gmail/yahoo و مشابه | -10 | پروفایلی |
| Intent | بازدید صفحه قیمت | حداقل 1 بار در 7 روز اخیر | +25 | رفتاری |
| Intent | درخواست دمو/مشاوره | ارسال فرم یا کلیک رویداد مربوطه | +40 | رفتاری |
| Intent | بازدیدهای تکراری | 3 جلسه یا بیشتر در 7 روز | +15 | رفتاری |
| Intent | عدم فعالیت | هیچ رویداد مهمی در 21 روز اخیر | -20 | رفتاری |
چند قانون آماده (Rules) برای شروع سریع
- اگر رویداد «درخواست دمو» رخ داد، Intent حداقل روی 70 قفل شود (برای 7 روز).
- اگر صنعت = نامرتبط، Fit سقف 30 داشته باشد حتی اگر سایر فیلدها خوب هستند.
- اگر لید از کمپینهای آموزشی وارد شده و فقط محتوا خوانده، به جای ارجاع فوری به فروش وارد nurture شود.
اعتبارسنجی با داده تبدیل واقعی و اصلاح مدل
بدون اعتبارسنجی، lead scoring model تبدیل به یک «نظر» میشود. اعتبارسنجی یعنی بررسی کنید آیا امتیاز بالاتر واقعاً با احتمال تبدیل بالاتر همراه است یا نه.
گامهای اعتبارسنجی (با دادههای ۳ تا ۶ ماه اخیر)
- لیدها را به بازههای امتیازی تقسیم کنید (مثلاً 0–30، 31–60، 61–80، 81–100).
- برای هر بازه، نرخ تبدیل به فرصت فروش و نرخ برد (Won) را حساب کنید.
- اگر بازههای بالاتر نرخ تبدیل بالاتری ندارند، وزنها یا سیگنالها مشکل دارند.
چطور بفهمیم کدام سیگنالها واقعاً اثر دارند؟
- سیگنالهای «قصد بالا» را جداگانه تحلیل کنید: مثلاً درخواست دمو در مقابل بازدید وبلاگ.
- ببینید کدام فیلدهای فرم با برد مرتبطاند (سمت، اندازه شرکت، کیس استفاده).
- سیگنالهایی که فقط حجم میآورند اما تبدیل نمیآورند را کموزن کنید.
آزمون تغییرات مدل بدون ریسک
وقتی میخواهید وزنها را تغییر دهید، بهتر است یک دوره کوتاه آزمون A/B (A/B testing) یا حداقل مقایسه نسخهها انجام دهید: نسخه قبلی در کنار نسخه جدید، تا ببینید کدام بهتر SQL واقعی تولید میکند. اگر میخواهید این کار را اصولیتر انجام دهید، این راهنما کمک میکند: راهنای عملی پیادهسازی تست A/B دادهمحور.
پیادهسازی عملی در CRM و عملیات تیمها
بهترین lead scoring model هم اگر وارد فرآیندهای روزمره نشود، اثر نمیگذارد. پیادهسازی عملی یعنی: امتیاز در CRM قابل مشاهده باشد، قوانین ارجاع مشخص باشند، و خروجی مدل وارد گزارشها شود.
حداقل خروجیهایی که باید در CRM داشته باشید
- دو فیلد جدا: Fit Score و Intent Score
- یک فیلد وضعیت: Lead Stage (مثلاً Cold / MQL / SQL)
- آخرین دلیل امتیاز (مثلاً «Visited pricing page» یا «Requested demo»)
همراستاسازی فروش و مارکتینگ با SLA
- تعریف کنید SQL دقیقاً چیست (آستانهها + شرایط).
- زمان پاسخگویی فروش به SQL را رسمی کنید.
- بازخورد فروش را ساختاریافته جمعآوری کنید: چرا رد شد؟ نامرتبط؟ بودجه؟ زمانبندی؟
بهینهسازی دورهای و جلوگیری از فرسودگی مدل
بازار، کانالها و رفتار کاربران تغییر میکند؛ بنابراین lead scoring model هم باید زنده بماند. بهینهسازی دورهای یعنی وزنها و آستانهها را با داده جدید تنظیم کنید، نه اینکه هر ماه مدل را از صفر بسازید.
ریتم پیشنهادی بهینهسازی
- هفتگی: بررسی کیفیت SQLها و نرخ تماس موفق
- ماهانه: تحلیل تبدیل بر اساس بازههای امتیاز و اصلاح وزنهای واضحاً غلط
- فصلی: بازنگری سیگنالها، اضافه/حذف رویدادها، بازتعریف ICP در صورت نیاز
گزارشهایی که باید همیشه داشته باشید
- نرخ تبدیل MQL→SQL و SQL→Won
- میانگین زمان پاسخ فروش به SQL
- کانالهایی که SQL باکیفیتتر میآورند
اگر میخواهید گزارشدهی و پایش را حرفهایتر کنید، یک نگاه هم به این مطلب بیندازید: معرفی داشبوردهای بازاریابی برای تجزیه و تحلیل داده.
اشتباهات رایج
- امتیازدهی صرفاً بر اساس پروفایل: Fit لازم است اما کافی نیست؛ Intent باید وزن قابل توجهی داشته باشد.
- وزنهای بسیار پیچیده: مدل پیچیده معمولاً نگهداری نمیشود و تیمها به آن اعتماد نمیکنند.
- نداشتن امتیاز منفی: حذف سیگنالهای منفی باعث میشود لیدهای نامرتبط هم بالا بیایند.
- تعریف نکردن آستانه و اقدام: اگر امتیاز به تصمیم تبدیل نشود، فقط یک عدد تزئینی است.
- عدم اعتبارسنجی با تبدیل واقعی: مدل باید با داده Won/Lost محک بخورد، نه با حس تیمها.
- بیتوجهی به کاهش اثر رفتار با زمان: رفتاری که ۳ ماه پیش رخ داده، نباید مثل دیروز ارزش داشته باشد.
چکلیست اجرایی سریع (برای هفته اول)
- تعریف کنید ICP شما دقیقاً چیست و ۳ معیار Fit اصلی را انتخاب کنید.
- ۵ تا ۷ سیگنال Intent با قصد بالا تعیین کنید (قیمت، دمو، صفحات محصول، تکرار بازدید).
- Fit و Intent را جدا امتیازدهی کنید (هر کدام 0–100).
- ۳ آستانه بسازید: Cold / MQL / SQL و برای هر کدام اقدام مشخص کنید.
- امتیاز منفی برای موارد نامرتبط تعریف کنید (صنعت نامناسب، ایمیل عمومی، خارج از محدوده خدمات).
- قانون کاهش امتیاز برای عدم فعالیت اضافه کنید.
- در CRM فیلدها را بسازید و در نمای کارشناس فروش نمایش دهید.
- یک جلسه ۴۵ دقیقهای با فروش بگذارید: تعریف SQL و SLA را نهایی کنید.
- بعد از ۳۰ روز، اولین اعتبارسنجی را با داده تبدیل انجام دهید.
سؤالات متداول
1) بهترین تعداد سیگنالها برای شروع مدل امتیازدهی لید چقدر است؟
برای نسخه اول، معمولاً ۸ تا ۱۵ سیگنال کافی است (۳–۵ Fit و ۵–۱۰ Intent). در lead scoring model هرچه سادهتر شروع کنید، سریعتر میتوانید یاد بگیرید و اصلاح کنید.
2) آیا امتیازدهی لید برای همه کسبوکارها ضروری است؟
اگر فروش شما تراکنشی و بسیار ساده است (مثلاً پرداخت آنلاین بدون تیم فروش)، شاید نیاز به مدل کامل نداشته باشید؛ اما اگر چرخه فروش چندمرحلهای و پیگیری انسانی دارید، امتیازدهی تقریباً همیشه ارزش ایجاد میکند.
3) آستانههای MQL/SQL را چطور دقیق تعیین کنیم؟
ابتدا با یک حدس مبتنی بر تجربه شروع کنید، سپس با دادههای واقعی تنظیم کنید: ببینید SQLهای امتیاز بالا چه نرخ بردی دارند و ظرفیت پاسخگویی فروش چقدر است؛ آستانه باید طوری باشد که «کمیت قابل پیگیری» و «کیفیت مطلوب» همزمان تأمین شود.
4) اگر داده رفتاری نداریم، میشود مدل را فقط با CRM ساخت؟
میشود، اما دقت پایینتر میآید. پیشنهاد این است که نسخه اولیه را با Fit بسازید و همزمان ردیابی رویدادهای کلیدی را راه بیندازید تا Intent هم اضافه شود؛ ترکیب این دو، lead scoring model را قابل اعتماد میکند.
5) امتیازدهی دستی بهتر است یا خودکار؟
منطقیترین مسیر این است: نسخه ۱ را با قوانین ساده بسازید و خودکار کنید؛ سپس با داده تبدیل واقعی اصلاح کنید. امتیازدهی کاملاً دستی معمولاً مقیاسپذیر نیست و اختلافنظر ایجاد میکند.
6) با لیدهایی که امتیاز بالا دارند اما فروش میگوید بیکیفیتاند چه کنیم؟
دو احتمال رایج وجود دارد: (۱) Fit درست تعریف نشده (ICP یا فیلدها مشکل دارد)، (۲) Intent از رفتارهای کمارزش آمده (مثلاً مطالعه محتوا). در این حالت باید دلایل رد شدن را ساختاریافته ثبت کنید و وزنها/سیگنالها را با داده Lost اصلاح کنید.
7) هر چند وقت یکبار باید مدل را آپدیت کنیم؟
بازبینی سبک ماهانه و بازطراحی جدی فصلی کافی است، مگر اینکه تغییر بزرگی در محصول/قیمت/کانالها رخ دهد. نکته مهم این است که تغییرات را نسخهبندی کنید تا اثر هر تغییر بر تبدیل قابل ردیابی باشد.
8) چطور مطمئن شویم مدل باعث افت حجم SQL نمیشود؟
اگر آستانهها را بالا میبرید، همزمان باید برنامه nurture و بهبود Intent را تقویت کنید تا لیدهای متوسط به SQL تبدیل شوند؛ همچنین میتوانید بهجای کاهش حجم، SQLها را به دو سطح «داغ» و «گرم» تقسیم کنید تا فروش اولویتبندی بهتری داشته باشد.
اگر بخواهید این راهنما را برای صنعت یا قیف فروش خودتان دقیقتر کنید، کافی است سه چیز را مشخص کنید: ICP، سه رویداد رفتاریِ با قصد بالا، و تعریف «تبدیل موفق» در CRM؛ سپس lead scoring model را روی دادههای واقعیتان کالیبره کنید.
