Алгоритмы скоринга B2B-лидов в CRM: формулы и правила

В B2B-сегменте с длинными циклами продаж и высокой стоимостью рабочего времени менеджеров обработка каждого нецелевого входящего обращения обходится компании от 1 500 до 10 000 рублей прямой упущенной выгоды. Когда отдел продаж вынужден вручную квалифицировать десятки заявок, горячие целевые клиенты простаивают в очереди, а конверсия из лида в сделку стремительно падает.

Внедрение алгоритмов автоматического скоринга лидов (Lead Scoring) в CRM-систему (Bitrix24, amoCRM, 1С:CRM или кастомную платформу) позволяет ранжировать входящие обращения по вероятности закрытия сделки, автоматически распределять лиды по менеджерам и вовремя переводить контакты из статуса MQL (Marketing Qualified Lead) в SQL (Sales Qualified Lead).

Двухкомпонентная архитектура скоринга B2B-лида

Надёжная модель скоринга оценивает потенциал покупателя по двум независимым осям: Явные характеристики (Explicit Fit) и Неявная активность (Implicit Intent).

                           Явный скоринг (Fit Score)
                          (Фирмографика / Профиль)
                                    ▲
                                    │
                  Высокое соответствие, │ Высокое соответствие,
                  Низкая активность    │ Высокая активность
                  (Сегмент: "Взращивание")│ (Сегмент: "СРОЧНО ЗВОНИТЬ")
                  [MQL -> Нужен касание]│ [SQL -> Оффер за 15 мин]
                                    │
  ◄─────────────────────────────────┼─────────────────────────────────►
                                    │      Неявный скоринг (Intent Score)
                  Низкое соответствие, │ Низкое соответствие, (Поведение / Активность)
                  Низкая активность    │ Высокая активность
                  (Сегмент: "Дисквалиф")│ (Сегмент: "Студенты/Конкуренты")
                  [Отсев / Спам]       │ [Вторичный автоответчик]
                                    │
                                    ▼

1. Explicit Scoring (Fit Score): Оценка портрета компании-заказчика. Использует фирмографические данные: отрасль, выручку, штатную численность, должность ЛПР (Лица, Принимающего Решения).
2. Implicit Scoring (Intent Score): Оценка цифрового следа и вовлеченности. Фиксирует посещение ключевых страниц (прайс-лист, кейсы, интеграции), просмотры коммерческих предложений, открытия писем и активность в Telegram-боте.

Математическая модель расчета итогового рейтинга

Итоговый балл лида ( S_{\text{total}} ) вычисляется по формуле взвешенной суммы с учетом коэффициента временного затухания (Time Decay):

[ S_{\text{total}} = (w_f \cdot S_{\text{firmo}} + w_b \cdot S_{\text{behav}}) - D_{\text{decay}} ]

Где:

• ( S_{\text{firmo}} ) — фирмографический балл соответствия профилю целевого клиента (0–100);
• ( S_{\text{behav}} ) — поведенческий балл вовлеченности (0–100);
• ( w_f, w_b ) — весовые коэффициенты важнейших осей (( w_f = 0.6 ), ( w_b = 0.4 ));
• ( D_{\text{decay}} ) — штрафной балл за неактивность лида в течение 30–60 дней.

Матрица начисления и списания баллов скоринга

1. Явные характеристики (Explicit / Fit Criteria)

2. Поведенческие триггеры (Implicit / Intent Criteria)

Алгоритм и скрипт авто-квалификации лида на Python

Ниже представлен пример микросервиса на Python, который принимает данные вебхука CRM, рассчитывает итоговый скоринг и возвращает рекомендацию по распределению сделки:

from datetime import datetime, timedelta

def calculate_b2b_lead_score(lead_data: dict) -> dict:
    fit_score = 0
    intent_score = 0
    
    # 1. Анализ домена и почты
    email = lead_data.get("email", "").lower()
    public_domains = ["gmail.com", "mail.ru", "yandex.ru", "bk.ru"]
    domain = email.split("@")[-1] if "@" in email else ""
    
    if domain in public_domains:
        fit_score -= 15
    elif domain:
        fit_score += 20
        
    # 2. Анализ размера компании
    employees = lead_data.get("company_employees", 0)
    if employees >= 200:
        fit_score += 30
    elif employees >= 30:
        fit_score += 15
        
    # 3. Анализ должности
    role = lead_data.get("job_title", "").lower()
    if any(title in role for title in ["ceo", "cto", "директор", "руководитель"]):
        fit_score += 25
    elif any(title in role for title in ["студент", "стажер"]):
        fit_score -= 20

    # 4. Поведенческие факторы
    visits = lead_data.get("page_views", [])
    if "/pricing" in visits or "/calculator" in visits:
        intent_score += 25
    if lead_data.get("downloaded_whitepaper"):
        intent_score += 15
    if lead_data.get("kp_viewed_percent", 0) > 75:
        intent_score += 35
        
    # Итоговый взвешенный расчёт
    total_score = max(0, int(0.6 * fit_score + 0.4 * intent_score))
    
    # Определение статуса лида
    if total_score >= 50:
        status = "SQL_HOT"
        action = "Назначить старшего менеджера, звонок в течение 15 минут"
    elif total_score >= 25:
        status = "MQL_WARM"
        action = "Передать в автоцепочку прогрева / квалификатор"
    else:
        status = "DISQUALIFIED"
        action = "Отправить в раздаточный материал, не тратить время менеджера"

    return {
        "total_score": total_score,
        "status": status,
        "recommended_action": action
    }

Автоматические правила распределения лидов в CRM

На основе итогового балла скоринга в CRM создаются автоматические триггеры и бизнес-процессы:

1. Горячий лид (( S \ge 50 )): Создается задача с высоким приоритетом на дежурного менеджера по продажам. Отправляется уведомление в Telegram-чат отдела продаж.
2. Тёплый лид (( 25 \le S < 50 )): Включается автоматическая рассылка кейсов из аналогичной отрасли. Лид остается под контролем маркетолога.
3. Холодный / Низкий балл (( S < 25 )): Лид помечается как «Не целевой профиль», закрывается без создания сделки, предотвращая загрязнение воронки.

Рекомендации по оптимизации скоринга

• Не усложняйте систему на старте: Начните с 5 ключевых критериев (отрасль, должность, посещение цен, скачивание КП, корпоративный email).
• Калибруйте веса раз в 3 месяца: Сравнивайте конверсию лидов с высокими баллами и фактически закрытых успешных сделок.
• Слушайте обратную связь менеджеров: Если продавец отмечает, что лид с 70 баллами оказался нецелевым, скорректируйте штрафные коэффициенты.

Желаете автоматизировать скоринг лидов и настроить умное распределение заявок в вашей CRM-системе? Инженеры EvaLab спроектируют алгоритм скоринга и интегрируют его с вашей CRM. Закажите расчет проекта прямо сейчас!