Lead scoring er ofte det punkt, hvor mange B2B-virksomheder går fra travlhed til reel prioritering. Ikke fordi flere leads i sig selv skaber mere salg, men fordi salgsarbejdet bliver langt skarpere, når vi kan se forskel på nysgerrighed, reel interesse og konkret købsparathed.
I praksis handler det om at give hvert lead en score ud fra data. Det kan være firmografi, adfærd, dialoghistorik og ikke mindst input fra telemarketing. Når modellen er sat rigtigt op, bliver det lettere at beslutte, hvem der skal kontaktes først, hvem der skal modnes, og hvem der ikke bør bruge mere salgstid lige nu.
Hvad lead scoring i B2B dækker over
Lead scoring i B2B er en metode til at vurdere, hvor attraktivt et lead er, og hvor tæt det er på et salg. Vi omsætter relevante signaler til point, så salg og marketing arbejder ud fra samme billede.
Den simple version er regelbaseret. Her siger vi eksempelvis, at et lead får point for at komme fra en ønsket branche, have den rigtige virksomhedsstørrelse eller vise tydelig interesse på website, i mail eller i telefon. Den mere avancerede version bruger historiske data til at vægte signalerne mere præcist, men mange virksomheder kommer langt med en enkel model, hvis datagrundlaget er i orden.
Det afgørende er ikke, om modellen ser avanceret ud. Det afgørende er, om den hjælper os med at prioritere rigtigt.
Hvorfor lead scoring styrker B2B-salg og mødebooking
Når vi arbejder med mødebooking og leadgenerering, ser vi ofte det samme mønster: gode leads drukner i mængden, hvis alle behandles ens. Et lead scoring-setup gør det muligt at bruge tid og opfølgning dér, hvor sandsynligheden for dialog og møde er størst.
Det giver typisk tre gevinster. Salgsteamet bruger mindre tid på kolde emner. Marketing får en tydeligere idé om, hvilke leads der faktisk bliver til pipeline. Og ledelsen får et mere brugbart grundlag for at måle kvalitet frem for ren volumen.
Det er også her, telemarketing-data bliver interessante. Mange digitale signaler viser opmærksomhed, men en kvalificeret samtale viser ofte noget mere. Når en kontaktperson tager telefonen, svarer konkret og accepterer næste skridt, har vi et signal, der ofte er mere værd end flere websitebesøg.
Sådan bygger vi en brugbar lead scoring-model i B2B
En god model starter ikke med software. Den starter med kriterier.
Vi begynder normalt med at definere, hvordan et godt lead ser ud. Hvilke brancher er mest relevante? Hvilke virksomhedsstørrelser passer bedst? Hvilke jobtitler fører oftest til møder og salg? Og hvilke handlinger viser reel købsinteresse?
Derefter deler vi kriterierne op i to hovedgrupper: fit og engagement. Fit fortæller, om leadet ligner den type virksomhed, vi gerne vil arbejde med. Engagement fortæller, om leadet faktisk bevæger sig mod dialog og køb.
En enkel model kan se sådan ud:
| Kategori | Kriterium | Eksempel på point |
|---|---|---|
| Firmografi | Relevant branche | +15 |
| Firmografi | 50-500 ansatte | +10 |
| Kontaktprofil | Beslutningstager eller leder | +15 |
| Kontaktprofil | Student/ikke relevant rolle | -15 |
| Digital adfærd | Besøg på prisside eller serviceside | +10 |
| Digital adfærd | Download af materiale | +8 |
| Telemarketing | Talt med relevant person | +12 |
| Telemarketing | Samtale over 5 minutter | +10 |
| Telemarketing | Møde accepteret | +25 |
| Negativt signal | Ikke interesse nu | -10 |
| Negativt signal | Forkert kontaktdata | -20 |
Pointene er kun et udgangspunkt. De skal justeres løbende efter resultater.
Lead scoring-kriterier der ofte virker i B2B
De bedste kriterier er sjældent de mest kreative. De er de mest nyttige.
I B2B ser vi igen og igen, at fire datatyper har stor værdi: firmografiske data, kontaktdata, adfærdsdata og samtaledata. Samlet giver de et mere retvisende billede end én datakilde alene.
Når vi vurderer, hvilke kriterier der skal med, kigger vi typisk på dette:
- Branche
- Virksomhedsstørrelse
- Geografi
- Jobtitel
- Webaktivitet
- Respons på kontakt
- Tidligere dialog
- Mødeinteresse
Det er fristende at måle alt. Det er sjældent en god idé. Jo flere kriterier vi lægger ind uden klar sammenhæng til salg, desto mere uklar bliver modellen.
Telemarketing-data gør lead scoring mere præcis
Telemarketing-data bliver ofte undervurderet i lead scoring, selv om de kan være noget af det mest handlingsnære, vi har. En hjemmesidevisning kan være tilfældig. En reel telefonsamtale er sjældent tilfældig.
Når vi integrerer telemarketing i lead scoring, kan vi se noget, som digitale spor ikke viser alene: om vi faktisk har været i dialog med den rigtige person, hvor kvalificeret samtalen var, og om der er momentum i næste skridt.
Det gør en stor forskel i prioriteringen mellem leads med samme digitale adfærd. To virksomheder kan have besøgt samme side på website. Men hvis den ene også har haft en god samtale med en beslutningstager, står den næsten altid stærkere.
Typiske telemarketing-signaler kan være:
- Kontakt med beslutningstager: leadet får højere score, når vi når den rigtige person frem for en generisk kontakt
- Samtalelængde: længere samtaler peger ofte på større relevans eller interesse
- Samtaleudfald: møde booket, ring igen, ikke relevant eller afvisning bør vægte forskelligt
- Antal kontaktforsøg: gentagne forsøg uden kontakt kan være et svagt signal eller et tegn på lav timing
- Kvalitet i dialogen: konkrete svar om behov, budget eller timing bør tælle positivt
Hvis de data bliver registreret ensartet i CRM, får vi et stærkere grundlag for mødebooking og opfølgning.
Eksempel på lead scoring med telemarketing-data
Lad os tage tre tænkte leads, der alle kommer ind i samme uge.
Lead A er en it-chef i en virksomhed med 200 ansatte. Personen har besøgt en serviceside to gange og downloadet materiale. Vi får kontakt på telefon, taler i syv minutter og aftaler et møde. Det lead bør ligge højt og flyttes hurtigt videre.
Lead B arbejder i en mindre virksomhed uden for målgruppen. Personen har åbnet en mail, men der er ingen tydelig aktivitet på website. Ved telefonisk kontakt viser personen venlig interesse, men uden konkret behov. Det lead skal måske i et modningsflow, ikke direkte i salg.
Lead C matcher målgruppen fint på branche og størrelse, men vi får ikke kontakt trods flere forsøg. Der er lidt digital aktivitet, men ingen tydelige købssignaler. Det lead kan godt være interessant, men bør ikke prioriteres over Lead A.
Vi kan sætte det op sådan her:
- Lead A: høj fit, højt engagement, kvalificeret samtale
- Lead B: lavere fit, lavt engagement, uklar timing
- Lead C: god fit, middel engagement, manglende kontakt
Det er netop her, en scoremodel gør arbejdet konkret. Vi slipper for at diskutere ud fra mavefornemmelse hver gang.
Rule-based eller datadrevet lead scoring i B2B
Mange spørger, om man bør vælge en simpel pointmodel eller en mere datadrevet model. Svaret afhænger mest af datamængde, systemer og intern disciplin.
En regelbaseret model er ofte det rigtige sted at starte. Den er nem at forklare, nem at justere og nem at få salg og marketing til at acceptere. Hvis vi ved, at bestemte brancher, jobtitler og telefonsvar typisk fører til møder, kan vi sætte point på dem med det samme.
En datadrevet model giver mening, når der er nok historiske data til at finde mønstre, vi ikke selv ser tydeligt. Det kan være, at visse kombinationer af branche, samtalelængde og websiteadfærd giver langt bedre konvertering, end vi troede. Her kan systemet hjælpe med at vægte mere præcist.
For de fleste B2B-virksomheder er den bedste løsning ofte en kombination: start enkelt, mål effekten, og byg videre.
Typiske fejl i B2B lead scoring
Det største problem er sjældent selve modellen. Det er måden, den bliver brugt på.
Vi møder ofte virksomheder, der scorer på alt for mange signaler, uden at have testet om signalerne faktisk hænger sammen med møder eller salg. En anden klassiker er, at marketing og salg ikke er enige om, hvad en kvalificeret leadstatus betyder.
Der er også en mere praktisk fejl: dårlige data. Hvis jobtitler, brancher, dispositionskoder og samtaleudfald registreres forskelligt, bliver scoren usikker. Så hjælper selv den bedste model ikke meget.
Typiske fejl er ofte disse:
- For mange kriterier: modellen bliver tung og svær at bruge
- For få negative point: dårlige eller irrelevante leads slipper for nemt igennem
- Manglende CRM-disciplin
- Uens registrering af opkald
- Ingen løbende justering
- Ingen fælles definition af MQL og SQL
Lead scoring er ikke et engangsprojekt. Det skal vedligeholdes.
CRM, mødebooking og daglig opfølgning
En score har kun værdi, hvis den bliver brugt i hverdagen. Derfor bør den være synlig i CRM og tæt koblet til opfølgning, mødebooking og salgsworkflow.
Når vi arbejder med telemarketing og mødebooking, giver det bedst mening, hvis projektleder, mødebooker og salgsansvarlig ser de samme data. Scoren skal ikke gemme sig i en rapport. Den skal være aktiv i prioriteringen.
Det betyder som regel, at vi bør kunne se:
- hvilke leads der er varme lige nu
- hvilke leads der kræver flere kontaktforsøg
- hvilke leads der skal tilbage til marketingmodning
- hvilke leads der bør lukkes som irrelevante
Jo mere operationel modellen er, desto større værdi skaber den.
Sådan kommer man godt i gang med lead scoring i B2B
Det behøver ikke være tungt at starte. Faktisk virker det ofte bedst at holde første version enkel og anvendelig.
Vi anbefaler normalt en proces i fire trin. Først vælges 5 til 10 kriterier, som faktisk hænger sammen med møder og salg. Derefter fastsættes point og negative point. Så kobles modellen til CRM og telemarketing-registrering. Til sidst evalueres den efter nogle uger eller måneder ud fra reelle resultater.
En god start kan være:
- Definér den ideelle kundeprofil
- Vælg de vigtigste købs- og dialogsignaler
- Sæt en klar tærskel for, hvornår et lead er salgsklar
- Justér modellen ud fra faktiske møder og konverteringer
Det vigtigste er ikke at ramme perfekt fra dag ét. Det vigtigste er at skabe en model, som salg faktisk stoler på og bruger.
Når lead scoring fungerer, bliver prioritering ikke et spørgsmål om mavefornemmelse, men om data, timing og kvalitet i dialogen. Og netop dér bliver telemarketing-data et stærkt supplement, fordi de viser noget helt centralt i B2B-salg: om interessen holder, når samtalen bliver konkret.
