Lead scoring in CRM: zo bepaal je welke leads klaar zijn voor sales

Met lead scoring in CRM bepaal je welke leads de meeste aandacht verdienen. Je geeft daarbij punten op basis van kenmerken en gedrag. Een lead kan bijvoorbeeld punten krijgen omdat het bedrijf precies binnen je doelgroep valt, maar ook omdat iemand je prijzenpagina bekijkt of een demo aanvraagt.

Een goed lead scoring model kijkt daarom niet alleen naar hoeveel interesse iemand toont. Je wilt twee dingen weten: past deze lead bij ons bedrijf én laat de lead voldoende koopintentie zien? Door beide te combineren, kan marketing betere leads doorgeven aan sales.

Wat is lead scoring?

Lead scoring is een methode om leads te beoordelen en prioriteren.

Iedere lead krijgt een score op basis van vooraf bepaalde criteria. Hoe interessanter een kenmerk of actie is, hoe zwaarder deze kan meetellen.

Een eenvoudig voorbeeld:

Iemand die alleen een blogartikel leest, hoeft dus niet direct interessant te zijn voor sales. Een beslisser bij een passend bedrijf die vervolgens de prijzenpagina bekijkt en een demo aanvraagt, is waarschijnlijk een stuk relevanter.

Het doel is niet om zoveel mogelijk punten uit te delen.

Je probeert te voorspellen welke leads de grootste kans hebben om een echte verkoopkans te worden.

Kijk niet alleen naar één leadscore

Stel dat twee leads allebei 70 punten hebben.

Zijn ze dan even interessant?

Niet per se.

Lead A kan precies binnen je ideale doelgroep vallen, maar nauwelijks interesse hebben getoond. Lead B kan je website iedere dag bezoeken, terwijl het bedrijf helemaal niet bij je product past.

Daarom is het nuttig om onderscheid te maken tussen fit en engagement.

Fit: past de lead bij je ideale klant?

Fit gaat over wie de persoon en het bedrijf zijn.

Je kunt bijvoorbeeld kijken naar:

• branche;
• bedrijfsgrootte;
• omzet;
• locatie;
• functie;
• senioriteit;
• type organisatie;
• gebruikte technologie;
• beslissingsbevoegdheid.

Een softwarebedrijf dat zich richt op Nederlandse organisaties met 50 tot 250 medewerkers kan bijvoorbeeld extra punten geven aan bedrijven binnen precies die groep.

Engagement: hoeveel interesse toont de lead?

Engagement gaat over gedrag.

Bijvoorbeeld:

• website bezoeken;
• productpagina bekijken;
• case lezen;
• e-mail aanklikken;
• webinar volgen;
• whitepaper downloaden;
• prijzenpagina bekijken;
• contact opnemen;
• demo aanvragen.

Hoe dichter een actie bij een mogelijke aankoop ligt, hoe zwaarder je deze meestal wilt laten meetellen.

Een demo-aanvraag is bijvoorbeeld vaak een sterker signaal dan het lezen van één algemeen blogartikel.

Waarom fit en engagement apart bekijken?

Met twee dimensies kun je veel beter bepalen wat er met een lead moet gebeuren.

Vooral de combinatie rechtsboven is interessant.

Een lead past bij je ideale klant én toont duidelijke interesse.

Dat betekent overigens nog steeds niet automatisch dat de lead gaat kopen. Lead scoring helpt je prioriteren. Het is geen garantie op een verkoop.

Zo maak je een lead scoring model

Een lead scoring model maken begint niet met willekeurig bepalen dat een klik 5 punten waard is en een download 10 punten.

Begin bij je bestaande klanten en verkoopdata.

Stap 1. Analyseer gewonnen en verloren deals

Pak eerst historische CRM-data erbij.

Kijk bijvoorbeeld naar leads die uiteindelijk klant zijn geworden.

Welke kenmerken hadden deze bedrijven gemeen?

Welke functies hadden de contactpersonen?

Welke acties voerden ze uit voordat sales contact opnam?

Bekijk vervolgens ook verloren deals.

Misschien blijkt dat kleine bedrijven vaak informatie aanvragen, maar uiteindelijk nauwelijks klant worden. Of dat leads die een bepaalde pagina bezoeken juist opvallend vaak converteren.

Deze informatie is waardevoller dan aannames.

Heb je nog weinig data? Dan moet je in eerste instantie met hypotheses werken. Zie je eerste lead scoring model dan vooral als een startpunt dat je later verbetert.

Stap 2. Bepaal je ideale klantprofiel

Vervolgens bepaal je welke kenmerken een aantrekkelijke klant heeft.

In B2B wordt hiervoor vaak een Ideal Customer Profile, oftewel ICP, gebruikt.

Stel dat je software verkoopt aan middelgrote zakelijke dienstverleners.

Je ideale klant kan bijvoorbeeld zijn:

Nederland of België

50 tot 250 medewerkers

Zakelijke dienstverlening

Marketing- of salesmanager als contactpersoon

Die eigenschappen kunnen samen de basis vormen voor je fit score.

Let hierbij ook op kenmerken van bedrijven die juist géén goede klant zijn.

Als organisaties met minder dan tien medewerkers vrijwel nooit klant worden, is dat ook relevante informatie.

Stap 3. Bepaal welke acties koopintentie aangeven

Daarna kijk je naar gedrag.

Niet iedere actie heeft dezelfde commerciële waarde.

Een mogelijk model:

Deze punten zijn alleen voorbeelden.

Neem ze dus niet één op één over.

Voor jouw bedrijf kan een webinar bijvoorbeeld nauwelijks samenhangen met verkoop, terwijl leads die een bepaalde case bekijken juist opvallend vaak klant worden.

Gebruik uiteindelijk je eigen data om de gewichten te verbeteren.

Kijk naar de sterkte van koopintentie

Een handige manier om gedrag te beoordelen is door te vragen:

Hoe dicht ligt deze actie bij een mogelijke aankoop?

Iemand die zoekt naar algemene informatie bevindt zich waarschijnlijk in een andere fase dan iemand die prijzen vergelijkt.

Je kunt gedrag bijvoorbeeld grofweg indelen in drie niveaus.

Lage intentie

• algemeen blogartikel lezen;
• socialmediapost bekijken;
• nieuwsbrief openen.

Middelmatige intentie

• productpagina bekijken;
• case lezen;
• webinar volgen;
• meerdere bezoeken in korte tijd.

Hoge intentie

• prijzen bekijken;
• product vergelijken;
• contact opnemen;
• offerte aanvragen;
• demo aanvragen.

Zo voorkom je dat twintig kleine interacties automatisch zwaarder wegen dan één actie die heel duidelijk op koopintentie wijst.

Gebruik ook negatieve lead scoring

Een goed model kan niet alleen punten toevoegen.

Sommige kenmerken of acties moeten juist punten aftrekken.

Dit heet negatieve lead scoring.

Bijvoorbeeld:

Waarom is dit nodig?

Stel dat een student voor onderzoek bijna iedere pagina van je website bekijkt, verschillende downloads aanvraagt en meerdere e-mails opent.

Zonder negatieve scoring kan deze persoon een zeer hoge leadscore krijgen.

Commercieel is de lead misschien helemaal niet interessant.

Negatieve scoring helpt dit corrigeren.

Laat oude interesse minder zwaar meetellen

Gedrag heeft niet onbeperkt dezelfde waarde.

Iemand die gisteren drie productpagina’s en je prijzenpagina heeft bekeken, is waarschijnlijk relevanter dan iemand die dit negen maanden geleden deed en sindsdien niets meer heeft gedaan.

Daarom kun je werken met score decay.

Daarbij neemt de waarde van engagement na verloop van tijd af.

Een eenvoudige regel kan bijvoorbeeld zijn:

30 dagen geen activiteit → -5 punten

60 dagen geen activiteit → nog eens -10 punten

90 dagen geen activiteit → lead terug naar nurturing

De exacte termijnen hangen af van je sales cycle.

Verkoop je een product waarvoor bedrijven normaal binnen twee weken beslissen? Dan veroudert interesse relatief snel.

Bij complexe B2B-contracten met een verkooptraject van negen maanden ligt dat anders.

Wanneer is een lead klaar voor sales?

Nu komt een belangrijk onderdeel van je lead scoring model: de drempelwaarde.

Je kunt bijvoorbeeld beginnen met:

Maar ook hier geldt:

60 punten is geen universele grens.

Een goede drempelwaarde bepaal je uiteindelijk met data.

Kijk bijvoorbeeld naar leads die in het verleden klant zijn geworden. Welke score zouden zij hebben gehad op het moment dat sales contact opnam?

Controleer daarna hoeveel leads boven je gekozen grens daadwerkelijk interessante verkoopkansen worden.

Als bijna iedere lead boven 60 punten door sales wordt afgewezen, is je model waarschijnlijk te ruim.

Wat is het verschil tussen een MQL en SQL?

Lead scoring wordt vaak gebruikt om te bepalen wanneer een lead een Marketing Qualified Lead (MQL) wordt.

Een MQL heeft volgens de criteria van marketing voldoende interessante signalen gegeven.

Dat betekent nog niet automatisch dat er een echte verkoopkans bestaat.

Sales kan de lead vervolgens verder kwalificeren.

Bijvoorbeeld:

Een Sales Qualified Lead (SQL) is door sales beoordeeld en wordt als serieuze verkoopmogelijkheid gezien.

Zodra er daadwerkelijk een verkoopkans ontstaat, kun je deze vervolgens door een CRM-pipeline laten lopen.

Voorbeeld van lead scoring in B2B

Een compleet voorbeeld maakt duidelijker hoe dit in de praktijk werkt.

Stel dat een B2B-softwarebedrijf zich richt op Nederlandse en Belgische bedrijven met 50 tot 250 medewerkers.

Het bedrijf gebruikt twee scores.

Fit score

Engagement score

Nu komt Sanne binnen als lead.

Sanne is marketingmanager bij een Nederlands bedrijf met 120 medewerkers dat precies binnen de gewenste branche valt.

Haar fit score wordt:

Bedrijfsgrootte: +20

Juiste branche: +15

Nederland: +5

Beslisser: +15

Totale fit score: 55

Vervolgens bekijkt Sanne een case, productpagina, prijzenpagina en vraagt ze een demo aan.

Haar engagement score:

Case: +5

Productpagina: +8

Prijzenpagina: +15

Demo: +30

Totale engagement score: 58

Dit is een interessante lead.

Niet simpelweg omdat:

maar vooral omdat beide signalen sterk zijn.

Dat maakt Sanne een logische kandidaat voor snelle opvolging door sales.

Automatiseer de overdracht naar sales

Wanneer je lead scoring in CRM gebruikt, hoef je niet iedere lead handmatig te controleren.

Je kunt regels instellen.

Bijvoorbeeld:

Dit is beter dan alleen een totale score gebruiken.

Een lead met:

Fit 10 + Engagement 80

wordt dan niet automatisch gelijk behandeld als:

Fit 50 + Engagement 50

Terwijl beide bij een simpele optelsom misschien ongeveer dezelfde totaalscore krijgen.

Je kunt automatisering ook gebruiken om leads met weinig engagement juist terug te sturen naar een nurturingproces.

Wat gaat vaak fout bij lead scoring?

Een uitgebreid scoremodel is niet automatisch een goed scoremodel.

Deze fouten zie je snel ontstaan.

Alles levert punten op

Een e-mail openen, blog lezen, pagina bezoeken en socialmediabericht aanklikken leveren allemaal punten op.

Daardoor kunnen actieve bezoekers vanzelf een hoge score krijgen zonder dat ze serieuze koopintentie hebben.

Maak daarom onderscheid tussen activiteit en commercieel relevante activiteit.

E-mail opens tellen te zwaar mee

Een geopende e-mail is een relatief zwak signaal.

Een klik naar een relevante productpagina vertelt meestal meer. Een ingevuld contactformulier of demo-aanvraag is nog sterker.

Gebruik e-mailinteractie daarom als één van de signalen, niet als bewijs dat iemand klaar is voor sales.

Je gebruikt geen negatieve scores

Hierdoor kunnen slechte matches alleen maar stijgen.

Een lead die duidelijk buiten je doelgroep valt, hoort niet bovenaan de saleslijst te komen omdat diegene toevallig veel pagina’s heeft bekeken.

Marketing bepaalt het model alleen

Lead scoring zit precies tussen marketing en sales in.

Marketing weet veel over gedrag voordat iemand met sales spreekt. Sales weet vervolgens welke leads in gesprekken daadwerkelijk interessant blijken.

Gebruik beide bronnen.

Vraag sales bijvoorbeeld:

Welke MQL’s blijken vrijwel nooit interessant?

Welke leads worden juist verrassend vaak klant?

Die feedback helpt het model verbeteren.

Het model wordt nooit aangepast

Je eerste lead scoring model gaat vrijwel zeker niet perfect zijn.

Dat hoeft ook niet.

Het probleem ontstaat wanneer je een model één keer instelt en vervolgens twee jaar niet meer controleert.

Hoe weet je of lead scoring werkt?

Kijk niet alleen naar het aantal MQL’s dat je genereert.

Meer MQL’s betekent niet automatisch betere marketing.

Meet wat er na de score gebeurt.

MQL naar SQL

Hoeveel leads die marketing overdraagt, worden door sales daadwerkelijk geaccepteerd?

SQL naar opportunity

Hoeveel gekwalificeerde leads veranderen in een concrete verkoopkans?

Opportunity naar klant

Hoeveel van deze verkoopkansen worden uiteindelijk gewonnen?

Conversie per scoregroep

Dit is bijzonder nuttig.

Bijvoorbeeld:

Zie je ongeveer zo’n patroon? Dan lijkt je score daadwerkelijk iets te zeggen over de kans op conversie.

Maar stel dat leads met 80+ punten slechts 5% klant worden en leads met 30-59 punten 7%.

Dan is je model waarschijnlijk niet goed gekalibreerd.

Wat is predictive lead scoring?

Bij traditionele lead scoring bepaal je zelf de regels.

Bijvoorbeeld:

Prijzenpagina bekeken = +15

Demo aangevraagd = +30

Verkeerde bedrijfsgrootte = -15

Bij predictive lead scoring gebruikt software historische data om patronen te herkennen die samenhangen met conversie.

Een model kan bijvoorbeeld ontdekken dat een combinatie van bedrijfsgrootte, functie, bepaalde websitebezoeken en eerdere interacties sterk samenhangt met gewonnen deals.

Dat kan nuttig zijn wanneer je veel leads en voldoende betrouwbare historische data hebt.

Het betekent niet dat handmatige lead scoring direct overbodig is.

Voor kleinere datasets is een eenvoudig en begrijpelijk model vaak beter te controleren. Bovendien geldt bij predictive scoring dezelfde basisregel als bij andere datamodellen:

slechte input geeft slechte output.

Ontbreken functies, bedrijfsgroottes of verkoopresultaten regelmatig in je CRM? Dan heeft een voorspellend model minder betrouwbare informatie om van te leren.

Begin eenvoudig en verbeter met echte data

Je eerste lead scoring model hoeft geen ingewikkeld systeem met vijftig regels te zijn.

Begin bijvoorbeeld met vijf belangrijke kenmerken voor fit en vijf gedragingen voor engagement.

Bepaal vervolgens wanneer een lead interessant genoeg is om door marketing aan sales te worden overgedragen.

Daarna begint het belangrijkste werk.

Controleer welke leads daadwerkelijk SQL worden, welke verkoopkansen ontstaan en welke deals uiteindelijk worden gewonnen.

Blijken leads die je prijzenpagina bezoeken opvallend vaak klant te worden? Dan kan dat signaal zwaarder wegen.

Blijkt het downloaden van een whitepaper nauwelijks iets te zeggen over koopintentie? Verlaag dan de score.

Zo verandert lead scoring van een verzameling zelfbedachte punten in een model dat steeds beter aansluit op je werkelijke verkoopproces.

Het uiteindelijke doel is namelijk niet om iedere lead een zo nauwkeurig mogelijk getal te geven. Het doel is dat marketing en sales sneller herkennen welke leads aandacht verdienen en welke leads nog niet klaar zijn voor een verkoopgesprek.