Lead Scoring — метод числовой оценки потенциальных клиентов по вероятности конверсии в покупку. Баллы назначаются за поведение, демографические характеристики и предиктивные ML-модели.
Lead Scoring (скоринг лидов) — это методология количественной оценки потенциальных клиентов, которая присваивает каждому лиду числовой балл, отражающий его готовность к покупке и потенциальную ценность для бизнеса. Чем выше скор, тем ближе клиент к конверсии и тем больше внимания ему следует уделять.
Концепция скоринга лидов зародилась в B2B-продажах в 1990-х годах как инструмент приоритизации работы отдела продаж. В условиях ограниченных ресурсов менеджеры по продажам не могут обработать все входящие лиды одинаково качественно, поэтому нужен механизм, определяющий, какие лиды заслуживают немедленного внимания, а какие требуют дальнейшего «прогрева» маркетингом. Первые системы скоринга были ручными: маркетолог субъективно назначал баллы за различные действия и характеристики. Современные системы используют машинное обучение для автоматического определения весов на основе исторических данных о конверсиях.
Lead scoring решает фундаментальную проблему маркетинга и продаж: разрыв между количеством лидов и способностью их обработать. По данным исследований, только 25% лидов действительно готовы к покупке, 50% — квалифицированные, но ещё не готовые, и 25% — некачественные. Без скоринга продавцы тратят 70% времени на лидов, которые никогда не купят, упуская тех, кто готов к сделке.
Lead scoring оказывает прямое влияние на эффективность маркетинга и продаж. Компании, внедрившие скоринг лидов, отмечают рост конверсии из лида в сделку на 20-30%, сокращение цикла продаж на 15-25% и увеличение продуктивности отдела продаж на 30-40%.
Для маркетинга скоринг позволяет оценить качество лидов из разных каналов и кампаний: какие источники генерируют лидов с высоким скором (и, следовательно, высокой вероятностью конверсии), а какие привлекают низкокачественный трафик. Это оптимизирует распределение рекламного бюджета. По данным Forrester, компании с зрелой системой lead scoring генерируют на 50% больше sales-ready лидов при стоимости на 33% ниже.
Для продаж скоринг автоматизирует квалификацию: вместо ручного прозвона всех лидов, менеджер получает приоритизированный список с уже рассчитанными баллами. Лиды с высоким скором обрабатываются в первую очередь (hot leads), средним — попадают в nurturing-цепочку маркетинга (warm leads), низким — помещаются в долгосрочную базу или дисквалифицируются.
Существует три основных подхода к скорингу лидов, которые часто комбинируются:
Behavioral scoring (поведенческий). Баллы назначаются за конкретные действия клиента: посещение страницы pricing (+20), открытие email (+5), клик по ссылке (+10), скачивание white paper (+15), запрос демонстрации (+50), посещение вебинара (+25), добавление товара в корзину (+30). За негативные действия баллы вычитаются: отписка (-20), неактивность 30 дней (-15). Поведенческий скоринг отражает уровень интереса и вовлечённости.
Demographic scoring (демографический). Баллы назначаются за характеристики клиента, которые коррелируют с конверсией: должность CEO/CTO (+30), размер компании 50+ сотрудников (+20), отрасль из целевого списка (+15), регион с высокой конверсией (+10). Для B2C: возраст в целевом диапазоне (+10), город-миллионник (+5), наличие покупок в смежных категориях (+15).
Predictive scoring (предиктивный). ML-модель анализирует исторические данные о конверсиях и автоматически определяет паттерны, предсказывающие покупку. Модель учитывает десятки и сотни признаков, включая те, которые человек не смог бы выявить вручную: комбинации действий, временные паттерны, последовательность событий. Предиктивный скоринг обычно на 20-40% точнее ручного.
Формула комбинированного скора может выглядеть так: Total Score = Behavioral × 0.4 + Demographic × 0.3 + Predictive × 0.3, с нормализацией на шкалу 0-100.
B2B SaaS-компания. Внедрена трёхуровневая система скоринга: hot (80-100 баллов) → передача в продажи немедленно, warm (50-79) → nurturing email-серия + ретаргетинг, cold (0-49) → долгосрочное развитие. Наивысший вес получили: запрос демо (+50), посещение pricing 3+ раз (+35), использование бесплатного тарифа 7+ дней (+30). Результат: конверсия hot leads в сделку — 45% (против 12% без скоринга), а средний цикл сделки сократился с 60 до 38 дней.
E-commerce мода. Предиктивный ML-скоринг на основе RFM-данных и поведения на сайте. Модель определила, что клиенты с высоким скором (75+) совершают повторную покупку в 4.2 раза чаще. Для этого сегмента настроены персонализированные предложения через email и push. Revenue от сегмента high-score вырос на 52% при снижении маркетинговых расходов на 18%.
Финтех-стартап. Behavioral scoring для конверсии из бесплатного в платный аккаунт. Ключевые предикторы: использование API (+40), подключение 3+ интеграций (+35), приглашение коллег (+30). Автоматический триггер для Sales: когда скор достигает 70, менеджер получает уведомление с профилем клиента и рекомендациями по коммуникации. Конверсия в платный тариф увеличилась с 5% до 13%.
Trigly реализует предиктивный AI-скоринг через AIScoringService, который автоматически рассчитывает composite score по шкале 0-100 для каждого клиента в CDP. Скор записывается в поле ai_score с отметкой времени ai_score_updated_at.
Без данных ClickHouse модель использует 4 компонента с весами: engagement (30%) — активность по email и каналам, monetary (30%) — total_revenue и total_orders, recency (20%) — давность последнего взаимодействия, loyalty (20%) — длительность отношений и частота покупок.
При наличии ClickHouse-событий включается расширенная модель с 5 компонентами: engagement (25%), monetary (25%), recency (20%), loyalty (15%) и diversity (15%) — разнообразие типов событий и каналов взаимодействия. EventFeaturesService извлекает ML-признаки из ClickHouse: количество событий, уникальные типы, средний revenue, дни между визитами и другие.
Для предиктивного скоринга доступны три ML-модели на базе GradientBoosting (scikit-learn): ChurnPredictor оценивает вероятность оттока (нет активности 60 дней), LTVPredictor прогнозирует пожизненную ценность, NextPurchasePredictor предсказывает дни до следующей покупки. Каждая модель использует 12 признаков (5 базовых + 7 из ClickHouse).
AI-скор можно использовать для создания динамических сегментов (например, «ai_score > 75»), триггерных кампаний и приоритизации в CRM. Пересчёт скоров запускается через Celery task recalculate_ai_scores.
Lead scoring оценивает вероятность конверсии (покупки) на основе поведения и характеристик. RFM-анализ сегментирует уже существующих клиентов по покупательскому поведению (Recency, Frequency, Monetary). Lead scoring ориентирован на прогноз будущего действия, RFM — на анализ прошлого. В Trigly эти подходы дополняют друг друга: RFM-данные используются как входные признаки для AI-скоринга.
Зависит от скорости изменения поведения клиентов. Для e-commerce рекомендуется пересчёт ежедневно или при каждом значимом событии. Для B2B с длинным циклом — еженедельно. В Trigly скоры пересчитываются через Celery task, который можно настроить на любую периодичность. Ночной task recalculate_rfm обновляет RFM, lifecycle, computed fields и data quality для всех контактов.
Порог индивидуален для каждого бизнеса и определяется эмпирически. Типичный подход: проанализировать скоры клиентов, которые совершили покупку за последние 30 дней, и установить порог на уровне 25-го перцентиля этой группы. Обычно это 65-80 баллов из 100. В Trigly можно создать динамический сегмент с правилом ai_score >= 75 и отслеживать конверсию этого сегмента для калибровки порога.
AI-платформа автоматизации маркетинга с лучшими инструментами