AI Lead Scoring

Защо lead scoring има значение

При 100 входящи lead-а/месец, добър търговец може да се свърже с всеки. При 500 lead-а/месец трябва да приоритизираш. При 5,000 lead-а/месец имаш нужда от автоматизация или изпускаш възможности.

Lead scoring-ът присвоява на всеки lead число (обикновено 0-100) на база сигнали, които корелират със затваряне. Sales екипът работи първо с топ 20%, а възстановява средните 60% чрез автоматизиран nurture.

Какви сигнали използва Monfri

Оценяваме по три измерения:

1. Демографско съответствие (кои са)

• Размер на компанията (служители, приходи — чрез enrichment)
• Индустрия / vertical
• Роля / seniority на контакта
• Географски регион
• Етап на финансиране на компанията (за B2B SaaS)

2. Поведенческа ангажираност (какво правят)

• Посетени страници (pricing страница = силен сигнал)
• Email ангажираност (отваряния, кликове в последните 30 дни)
• Запазено демо, стартиран trial, дълбочина на използване
• Recency — активност в последните 7 дни се претегля 3× спрямо преди 30 дни

3. Firmographic + намерение (контекст)

• Съществуващ етап на сделка (ако вече е в pipeline)
• Referral източник (demo заявки конвертират 3× спрямо inbound form попълвания)
• Множество контакти от същата компания (buying committee се формира)

Как моделът учи

Започваме с rule-based baseline (разумни тегла, които можеш да настроиш) и прогресивно настройваме на база закрити/загубени сделки.

Cold start (първите 30 дни)

Задаваш тегла ръчно: "посещение на pricing = +15 точки", "demo заявка = +30", "< 10 служители = -10". Това по същество е ръчно scoring, което повечето екипи вече правят в spreadsheet.

Warm model (30-90 дни)

След ~50 закрити-спечелени и 200 закрити-загубени сделки, нашият модел прави регресия върху факторите, които корелират с печалби. Виждаш препоръки за тегла: "Реалният win rate при посетили pricing е 12% срещу 3% baseline — предложи повишаване на теглото на този сигнал".

Mature model (90+ дни)

При ~500 закрити сделки моделът се справя с претеглянето автоматично. Инспектираш и override-ваш при нужда. Тогава "AI" реално работи, не е театър.

Честни очаквания за точност

Lead scoring-ът не е магия. Реалистични резултати:

• Топ-квартил lead-ове (score 75+): 30-50% затварят за 60 дни. Приоритизирай лично.
• Средна половина lead-ове (score 25-75): 5-15% затварят. Автоматизиран nurture + лек touch.
• Долен квартил lead-ове (score <25): <3% затварят. Само newsletter.

Ако vendor обещава "90% точно lead scoring", питай каква метрика мери. Реален B2B SaaS lead scoring с добри данни ти дава 40-60% подобрение в конверсия на sales rep час, не порядък.

Настройка в Monfri

1. Включи Lead Scoring: Settings → CRM → Lead Scoring
2. Прегледай default теглата (имаме индустриални benchmarks)
3. Добави custom сигнали: всяко custom поле или event, което следиш, може да бъде сигнал
4. Задай прагове: дефинирай "hot" (>70), "warm" (30-70), "cold" (<30)
5. Свържи с автоматизация: "когато lead достигне 70+, assign на Tier 1 търговец" или "когато lead падне под 20, enroll в re-engagement последователност"

Ограничения, които трябва да знаеш

• Качеството на данните е по-важно от алгоритъма. Garbage in = garbage out. Инвестирай в чисти CRM данни преди сложно scoring.
• Хората надделяват над модела. Твоят търговец знае неща, които моделът не знае — нека override-ват score-ове ръчно.
• Scoring-ът не е заместител на преценка. Използвай го за приоритизация, не за елиминиране на lead-ове от разглеждане.
• Рекалибрирай на тримесечие. Buying patterns се сменят. Преглед на теглата на модела на всеки 3 месеца.