Lead scoring per priorità: come dire al commerciale dove iniziare la giornata
Senza lead scoring, il commerciale lavora in ordine di arrivo. Con lead scoring, lavora in ordine di valore. Come costruire un modello che funziona davvero.
Senza lead scoring, il commerciale lavora in ordine di arrivo
Quando i lead arrivano e nessuno li ordina, il commerciale lavora in ordine FIFO: primo arrivato, primo gestito. Sembra equo, ma è strutturalmente irrazionale: il lead più valutabile può arrivare alle 16:45 e venire gestito il giorno dopo, quando ormai sta parlando con un concorrente.
Lead scoring inverte la logica: ordina i lead per valore atteso, non per data di arrivo. Il commerciale apre la sua dashboard al mattino e sa esattamente dove iniziare. Questa semplice gerarchia raddoppia il tasso di chiusura sui top scorers.
Le due dimensioni del scoring: fit + engagement
Dimensione 1: fit. Quanto questo lead assomiglia al cliente ideale? Variabili: dimensione azienda, settore, ruolo del decisore, area geografica. Dimensione 2: engagement. Quanto questo lead ha mostrato interesse? Variabili: pagine visitate, materiali scaricati, email aperte, partecipazione a webinar.
Tenere le due dimensioni separate è essenziale. Alta fit + basso engagement = lead da nurturing. Bassa fit + alto engagement = potenziale fan ma non cliente. Sommare tutto in un singolo numero distrugge la possibilità di gestire i lead in modo intelligente.
Costruire la matrice fit-engagement
La matrice 2×2 visualizza il portafoglio lead: alto fit + alto engagement (priorità massima, chiamata in 1 ora), alto fit + basso engagement (nurturing aggressivo per scaldarlo), basso fit + alto engagement (qualificazione manuale per capire se è caso particolare), basso fit + basso engagement (esclusione o nurturing leggero).
Ognuno dei 4 quadranti merita un trattamento operativo diverso. Il commerciale lavora prima il quadrante 1, il marketing prende in carico il 2, il senior valuta caso per caso il 3, il sistema gestisce automaticamente il 4. Niente intervento umano sprecato.
Assegnare i punti: peso dei comportamenti
Visita pagina pricing = +20 punti. Richiesta demo = +50 punti. Download case study = +10 punti. Apertura email = +2 punti. Click email = +5 punti. Iscrizione webinar = +15. Partecipazione webinar = +30.
Punti negativi per comportamenti di drop-off: nessuna interazione in 90 giorni = -20 punti. Unsubscribe = -50 punti. Bounce email = -10 punti. Il punteggio totale segue il lead: si aggiorna ogni volta che agisce, in positivo o negativo.
Soglia di passaggio MQL → SQL
Una volta calcolato lo score, serve una soglia: oltre questa, il lead diventa SQL e va al commerciale. La soglia non è arbitraria, va calibrata sui dati storici. Quale punteggio mediano avevano i clienti chiusi nei 6 mesi precedenti?
Esempio: clienti storici avevano score mediano di 75. Soglia SQL = 70. Più aggressivi (60) = più lead al commerciale, qualità più bassa. Più conservativi (80) = meno lead, qualità più alta. La calibrazione si rivede ogni trimestre.
Manutenzione del modello: ogni 90 giorni
Il lead scoring non è statico. Ogni 90 giorni, rivedere: quali score hanno generato i lead chiusi negli ultimi 3 mesi? Quali score hanno generato i lead persi? I pesi vanno aggiustati per ridurre falsi positivi e falsi negativi.
L'iterazione converge: dopo 4-6 trimestri il modello diventa stabile e rispecchia accuratamente il funnel reale. A quel punto è un asset commerciale, non un esperimento.
Gli errori che rendono inutile il lead scoring
Errore 1: pesi assegnati per intuizione, mai calibrati sui dati. Errore 2: scoring sommato in singolo punto invece di tenuto separato per fit e engagement. Errore 3: nessuna comunicazione al commerciale che il punteggio significa qualcosa.
Errore 4: scoring statico, mai rivisto. Errore 5: scoring senza azione associata — vedere il punteggio non basta, deve cambiare il workflow del commerciale (priorità della lista, urgenza del follow-up).
