Скоринг лидов: что это и как настроить

Автор

Единого автора нет; метод сложился в практике и встроен в CRM и системы автоматизации маркетинга, первого задокументированного применения нет

Уровень

201 · Инструмент

Подходит

малый и средний бизнес, растущая компания

Время на внедрение

одна рабочая сессия на первую модель; один квартал закрытых сделок, чтобы оценить результат

Что понадобится

выгрузка из CRM по прошлым лидам с итогом (выиграна, проиграна, ещё в работе) и датой создания каждого лида · список действий, которые вы можете отслеживать: запрос демо, заход на страницу с ценами, ответы на письма · один человек из продаж, который скажет, кому из лидов он позвонил бы первым

Скоринг лидов — способ ранжировать потенциальных клиентов по вероятности покупки, чтобы продажи сначала звонили самым перспективным. Число получается из баллов, которые задали вручную, или из модели, обученной на прошлых результатах, и оно участвует в передаче лида между MQL и SQL.

Скоринг по правилам: соответствие плюс поведение

В скоринге по правилам вы сами выбираете признаки и действия, за которые начисляются баллы. Вендоры описывают две части. Bitrix24 делит их на соответствие (кто этот лид) и вовлечённость (что он сделал). В документации Marketo от Adobe есть демографическая оценка для соответствия и поведенческая для намерения, а HubSpot предлагает оценки соответствия, вовлечённости и комбинированные.

Держите две части раздельно. Лиду с высоким соответствием и без активности нужен прогрев. Лид с бурной активностью и плохим соответствием может оказаться студентом или конкурентом. Одно общее число скрывает, какой из случаев перед вами.

Соответствие проще записать. Salesforce называет типичными критериями географию, должность, размер компании и отрасль, а черновик даёт профиль идеального клиента. Бюджет, полномочия, потребность и сроки из BANT чаще лучше задавать менеджеру вопросами, чем превращать в поля для оценки.

Откуда берутся значения баллов? Часто из догадок. Аналитик Forrester пишет, что баллы и пороги обычно основаны на догадках и произвольных оценках. Поэтому проверка важнее таблицы баллов.

Затухание баллов: почему старые баллы должны таять

Затухание уменьшает баллы лида по мере того, как действие стареет или лид затихает. Без него оценки только растут, и верх списка заполняют те, кто был активен давно.

Вендоры реализуют это по-разному. HubSpot позволяет снижать баллы события раз в 1, 3, 6 или 12 месяцев: месяц считается за 30 дней, а расчёт идёт от исходных баллов. В обучении по Account Engagement от Salesforce затухание описано как снижение оценки за бездействие, а обнуляют оценки правилом автоматизации; у поведенческого скоринга Einstein затухание встроено. В руководстве Adobe есть отрицательный триггер за бездействие, но постепенного затухания нет.

Подберите скорость затухания под ваш цикл продаж: запрос демо трёхмесячной давности мало что говорит, если сделки закрываются за две недели. Скорость важна и в другом смысле: исследование Harvard Business Review 2011 года показало, что большинство компаний отвечают на онлайн-обращения гораздо медленнее, чем нужно.

Предиктивный скоринг: учимся на прошлых победах

Предиктивная оценка — это вероятность, которую выдаёт модель, обученная на исторических лидах и их исходах. Версия HubSpot оценивает шанс, что открытый контакт станет клиентом в течение 90 дней, делит контакты на четыре равных уровня приоритета и доступна только на тарифах Enterprise. HubSpot называет это машинным обучением по принципу чёрного ящика: вы видите входы и выходы, но не то, как каждый вход двигает оценку. Einstein Lead Scoring от Salesforce анализирует исторические поля лидов и оценивает, насколько текущие лиды похожи на тех, кто раньше сконвертировался. Его близкий родственник, Einstein Behavior Scoring в Account Engagement, ставит потенциальным клиентам оценку от 0 до 100 и работает лучше всего при примерно годе данных о вовлечённости и не менее чем 20 потенциальных клиентах, связанных со сделками.

Дункан и Элкан на конференции KDD в 2015 году утверждали, что ручная настройка скоринга подвержена ошибкам, и построили модели, которые исправляют смещение выборки, возникающее из решений старой системы. Нигорд и Мезеи показали, что обучение с учителем, например случайный лес, может оценивать вероятность покупки, причём данные прошлых покупателей они ограничили периодом до покупки. В кейсе Frontiers in Artificial Intelligence 2025 года взяли 23 154 записи Microsoft Dynamics с 67 полями, очистили их до 16 600 записей с 22 полями и сравнили 15 алгоритмов на разбиении 70/30 на обучающую и тестовую выборки. Gradient Boosting показал точность 0,9839, но авторы отмечают, что целевой признак сильно несбалансирован, а из-за этого точность может вводить в заблуждение, и что данные одной компании малого и среднего бизнеса ограничивают обобщение. Среди самых влиятельных признаков оказались источник лида и поле с причиной статуса, которое менеджер заполняет уже после работы с лидом. Это и есть риск утечки, о котором речь ниже.

Обычный путь: начать с правил, накопить чистые данные об исходах, затем сравнить модель с правилами на более поздних лидах. В таком порядке устроена трёхфазная схема Д’Хаена и Ван ден Пуля из Гентского университета, которая начинается только с данных о действующих клиентах, а Ву, Андреев и Бенюсеф из Оттавского университета в 2024 году добавляют намерение купить.

Проверка на закрытых выигранных сделках

Проверка — это расчёт оценки прошлым лидам такой, какой она была в день их появления, и сравнение: выигрывали ли высокие оценки чаще. Без неё оценка — просто мнение.

Возьмём иллюстративный квартал: 2000 лидов и 100 закрытых выигранных сделок, общая доля побед 5%. В верхних 20% по оценке (400 лидов) 60 побед, то есть 15%. В средних 40% (800 лидов) 30 побед, 3,75%. В нижних 40% (800 лидов) 10 побед, 1,25%. Высокая группа выигрывает в 12 раз чаще нижней. Это арифметика, а не эталон.

Четыре правила не дают проверке обмануть вас.

1. Проверяйте на лидах более поздних, чем те, на которых строили. Разбиение с учётом времени есть в scikit-learn потому, что обычные разбиения обучают модель на будущих данных, а оценивают на прошлых.
2. Закройте утечку. Утечка — это использование информации, которой не было бы в момент прогноза, например статуса, выставленного после контакта с продажами. В демонстрации scikit-learn отбор признаков по всем 200 образцам до разбиения дал точность 0,76 на случайных данных, где случайный результат равен 0,5.
3. Сравнивайте с базовым уровнем. Для средней точности случайное ранжирование даёт долю положительных образцов, поэтому при 5% выигранных модель должна превзойти 5%, а не 50%.
4. Проверьте калибровку, если называете вероятности. Калиброванная оценка 0,8 означает, что около 80% таких лидов положительные.

Скрытая ловушка — смещение выборки. Менеджеры работали только с теми лидами, которые старая оценка поставила высоко, поэтому их исходы преобладают в данных; именно с этим боролись модели Дункана и Элкана. Исследование в Journal of Marketing 2013 года, в котором участвовали 461 менеджер из четырёх компаний, показало, что предварительная квалификация лидов и управленческий контроль определяют, сколько внимания менеджеры уделяют маркетинговым лидам. Оценку, которой никто не следует, проверить нельзя.

Когда группы разделились, дайте им названия. В собственном примере HubSpot компания Sprocket использовала High (от 70 до 100), Medium (от 40 до 69) и Low (от 0 до 39) и передавала высокую группу менеджерам через воркфлоу.

Где скоринг не справляется

Оценка по отдельному человеку не видит комитетов. По данным Forrester, 28% B2B-покупателей принимали решение в группах из четырёх–девяти человек, а 46% — в группах из двух–трёх, и аналитики доказывают, что оценка группы покупателей лучше, чем оценка отдельных лидов. Если в ваших сделках участвует несколько человек, суммируйте оценки на уровне компании. Та же идея, оценивать поведение, чтобы предсказать исход, работает и после продажи: в health score клиента и прогнозировании оттока. План Growth Lab начинается с исхода, который вы хотите предсказывать оценкой.

Как применять: Скоринг лидов: что это и как настроить по шагам

1. Зафиксируйте результат, который хотите предсказывать. Выберите один исход, например выигранную сделку в течение 90 дней после создания лида. Запишите его вместе с полем CRM, которое это подтверждает. Результат: один исход «да или нет», по которому проверяется вся оценка.
2. Выгрузите прошлые лиды и отметьте выигранные. Выгрузите лиды за последние 6–12 месяцев с датой создания, источником, данными о компании, активностью и итогом. Результат: таблица, где каждая строка — лид, а в одной колонке указано, выигран он или нет.
3. Разделите оценку на соответствие профилю и вовлечённость. Для соответствия перечислите признаки, которые совпадают с вашим профилем идеального клиента, а для вовлечённости — действия, которые показывают намерение купить. Каждому дайте число баллов с учётом того, как часто он встречался среди выигранных сделок. Добавьте отрицательные баллы за сигналы вроде захода на страницу вакансий. Результат: две короткие карточки оценки, одна для соответствия, другая для вовлечённости.
4. Задайте затухание и потолок. Решите, как быстро стареют баллы за активность, и ограничьте, сколько баллов может добавить одно повторяющееся действие. Результат: правило вроде «через 30 дней баллы снижаются, а одно действие считается не больше двух раз».
5. Проверьте оценку на закрытых выигранных сделках. Посчитайте старым лидам оценку такой, какой она была бы в день их появления. Разделите их на высокую, среднюю и низкую группы и посчитайте долю выигранных в каждой. Результат: таблица по группам, которая показывает, выигрывают ли лиды с высокой оценкой чаще.
6. Привяжите действие к каждой группе. Решите, что происходит в каждой группе: звонок в течение часа, цепочка прогрева или ничего. Назовите ответственного. Результат: оценка, которая меняет то, что люди делают в понедельник.
7. Пересматривайте по расписанию. Каждый квартал повторяйте проверку по группам на свежих сделках и меняйте баллы или пороги только там, где это подтверждают данные. Результат: оценка, которая успевает за рынком.

Примеры

Платёжная платформа, которая продаёт интернет-магазинам

Иллюстративный пример. Платёжная компания оценивает соответствие по месячному обороту по картам, стране и типу бизнеса, а вовлечённость — по заходу на страницу с ценами, регистрации в тестовой среде и ответу на письмо менеджера. Мерчант с оборотом ниже минимального получает отрицательные баллы за соответствие, как бы часто он ни заходил на сайт. Мерчант с большим оборотом, который на этой неделе зарегистрировался в тестовой среде, попадает в группу «звонить сейчас». Мерчант с большим оборотом, который молчит 90 дней, переходит в прогрев: баллы за вовлечённость затухли.

Частная сеть стоматологий, которая записывает на консультацию по имплантации

Иллюстративный пример. Сеть клиник оценивает обращения с сайта по расстоянию до клиники, запрошенному лечению и тому, записался ли человек на время или только прочитал страницу. Обращение по имплантации из радиуса 20 км, где указан телефон, обрабатывают первым. Студента из другого города, который скачал прайс-лист, — нет. Имена и сведения о здоровье в полях оценки не хранятся: используются только категория лечения и действие по записи.

Софтверная компания из 12 человек и 30 лидов в месяц

Иллюстративный пример. При таком числе лидов модели нечему учиться. Основатель записывает на одной странице пять правил соответствия и три правила поведения, каждую пятницу считает баллы вручную и раз в квартал смотрит, какие лиды выиграли.

Когда применять

Применяйте скоринг лидов, когда заявок приходит больше, чем продажи успевают обработать, качество заметно различается, а в CRM накопились итоги за несколько месяцев.

Когда не применять

Не нужен, когда один человек может прочитать каждую заявку, когда вы продаёте небольшому списку именных клиентов или когда решение принимает комитет. В этих случаях оценивайте компании или группы, принимающие решение.

Частые ошибки

• Назначают баллы на глаз и никогда не проверяют. Аналитики Forrester отмечают, что баллы и пороги обычно основаны на догадках.
• Дают баллам за активность копиться без затухания, и тот, кто кликал десять писем в прошлом году, оказывается выше покупателя, который вчера запросил коммерческое предложение.
• Смешивают соответствие профилю и поведение в одно число, и никто не может сказать, высокая оценка у лида из-за того, кто он, или из-за того, на что он кликнул.
• Обучают или проверяют модель на данных, которые появляются только после работы продаж с лидом, например на полях статуса лида, и оценка выглядит лучше, чем есть.
• Оценивают скоринг только по лидам, которым продажи решили позвонить, и не видят хороших лидов, которых старые правила никому не передавали.

Вопросы и ответы

Что такое скоринг лидов?

Скоринг лидов — способ ранжировать потенциальных клиентов по вероятности покупки. Он объединяет действия человека, например открытие писем или просмотр страницы с ценами, с его признаками, такими как размер компании или отрасль, и продажи сначала связываются с лидами с самой высокой оценкой.

Чем отличается скоринг по правилам от предиктивного?

В скоринге по правилам признаки и баллы выбирают люди. В предиктивном модель по прошлым лидам узнаёт, какие признаки связаны с выигранной сделкой, и выдаёт вероятность. Правила легко объяснить. Предиктивному скорингу нужна достаточная история, и он может работать как чёрный ящик.

Что такое затухание баллов?

Затухание уменьшает баллы, которые лид получил, по мере того как действие устаревает, или за бездействие. В HubSpot можно снижать баллы события раз в 1, 3, 6 или 12 месяцев. Затухание не даёт лиду, который был активен в прошлом году, оказаться выше того, кто активен сейчас.

Как понять, работает ли ваша оценка лидов?

Посчитайте прошлым лидам оценку такой, какой они выглядели в день появления, разделите их на группы и сравните долю закрытых выигранных сделок в каждой. Работающая оценка показывает, что в высокой группе выигрывают заметно чаще, чем в низкой. Проверяйте на лидах более поздних, чем те, на которых вы её строили.

Сколько лидов нужно для предиктивного скоринга лидов?

Общего минимума нет. В опубликованных исследованиях используют тысячи записей CRM, а вендоры задают свои пределы и сообщают о них в продукте. Если лидов несколько сотен, а выигранных сделок мало, модели не на чем учиться, и надёжнее карточка оценки, собранная вручную.

Источники

1. Bitrix24, What is lead scoring? (vendor glossary)
2. Bitrix24, Turn scores into daily sales execution (vendor documentation)
3. HubSpot Knowledge Base, Set up score properties to qualify leads (vendor documentation)
4. HubSpot Knowledge Base, Build lead scores to qualify contacts, companies, and deals (vendor documentation)
5. HubSpot Knowledge Base, Determine likelihood to close with predictive lead scoring (vendor documentation)
6. Salesforce Trailhead, Get started with lead scoring (vendor training)
7. Salesforce Trailhead, Einstein scoring in Account Engagement (vendor training)
8. Salesforce, Sales Qualified Leads: What They Are and How to Qualify Them (vendor blog)
9. Adobe Experience League, Build Person Scoring Models for Marketo Engage Programs (vendor documentation)
10. Forrester, The Revenue Process Alignment Series, Part 1: The End of MQLs, 2022
11. Forrester, Saying Goodbye To MQLs: A Parting That Is All Sweet And No Sorrow, 2023
12. James Oldroyd, Kristina McElheran, David Elkington, The Short Life of Online Sales Leads, Harvard Business Review, 2011
13. Gaurav Sabnis, Sharmila Chatterjee, Rajdeep Grewal, Gary Lilien, The Sales Lead Black Hole, Journal of Marketing, 2013
14. Robert Nygård, József Mezei, Automating Lead Scoring with Machine Learning: An Experimental Study, HICSS, 2020
15. Brendan Duncan, Charles Elkan, Probabilistic Modeling of a Sales Funnel to Prioritize Leads, KDD, 2015 (bibliographic record and abstract)
16. J. D'Haen, Dirk Van den Poel, Model-supported business-to-business prospect prediction based on an iterative customer acquisition framework, Ghent University working paper, 2013
17. Migao Wu, Pavel Andreev, Morad Benyoucef, Smart Sales: Amplifying the Power of Predictive Lead Scoring in B2B Sales, PACIS, 2024
18. Frontiers in Artificial Intelligence, The relevance of lead prioritization: a B2B lead scoring model based on machine learning, 2025
19. scikit-learn documentation, TimeSeriesSplit
20. scikit-learn documentation, Common pitfalls and recommended practices (data leakage)
21. scikit-learn documentation, Probability calibration
22. scikit-learn documentation, Metrics and scoring: quantifying the quality of predictions

Обновлено 20 октября 2026

Илья ПушинОснователь PUSHERS & COO Fintech ServiceИлья строит операционные системы для растущих компаний в медицине и финтехе. С 2021 года руководит трансграничными платежами в ARBI Exchange, лицензированном обменнике в Таиланде, включая KYC, AML и выход в новые юрисдикции.Об автореLinkedIn