Lead scoring: model punktowy, progi MQL i SQL oraz kalibracja
Lead scoring to przypisywanie punktów kontaktom handlowym według dopasowania do profilu klienta i zachowania, aby ustalić, które z nich przekazać sprzedaży. Artykuł opisuje budowę modelu punktowego, definicje MQL i SQL, przeliczony przykład kalibracji progu oraz typowe błędy.
Kwoty i wartości w przykładach są danymi ilustracyjnymi, które pokazują sposób obliczeń. W projektach stosujemy dane klienta.
Dominik Dębski · Lemur Media · · czas czytania: 4 min
Sprawdził: Dominik Dębski, 1.11.2026
Czym jest lead scoring?
Lead scoring (ocena punktowa leadów) to model, który przypisuje każdemu kontaktowi punkty za cechy firmy i osoby oraz za działania, a po przekroczeniu progu przekazuje kontakt sprzedaży. Model łączy dwa wymiary: dopasowanie (fit), czyli zgodność z profilem idealnego klienta, oraz zaangażowanie, czyli zachowanie kontaktu na stronie, w e-mailach i na wydarzeniach.
Wynik modelu wyznacza moment przejścia między etapami lejka. Terminy marketing qualified lead (MQL, lead zakwalifikowany przez marketing) i sales qualified lead (SQL, lead zakwalifikowany przez sprzedaż) spopularyzowała firma badawcza SiriusDecisions (przejęta przez Forrester Research; przejęcie ogłoszono w 2018 roku, sfinalizowano w styczniu 2019 roku) w modelu Demand Waterfall, opisującym drogę od zapytania do wygranej sprzedaży.
Jak zbudować model punktowy?
Model buduje się z punktów za dopasowanie, punktów za zachowanie i punktów ujemnych, a wagi wynikają z analizy wcześniejszych leadów, które zamieniły się w klientów. Przykładowy model dla firmy SaaS B2B sprzedającej do firm zatrudniających 50–999 osób:
| Kryterium | Punkty |
|---|---|
| Firma 50–249 osób | +15 |
| Firma 250–999 osób | +20 |
| Branża docelowa | +15 |
| Stanowisko: zarząd lub dyrektor | +20 |
| Stanowisko: menedżer | +10 |
| Prośba o demonstrację | +30 |
| Wizyta na stronie cennika | +10 |
| Udział w webinarze | +10 |
| Pobranie materiału | +5 za każdy |
| Adres prywatny, student lub konkurencja | −50 |
| Brak aktywności przez 30 dni | −10 |
Próg MQL wynosi 60 punktów. Lead A z firmy 250–999 osób, z branży docelowej, na stanowisku dyrektora, który odwiedził cennik i wziął udział w webinarze, ma 20 + 15 + 20 + 10 + 10 = 75 punktów i trafia do sprzedaży. Lead B z firmy 50–249 osób, menedżer, który pobrał dwa materiały i był na webinarze, ma 15 + 10 + 10 + 10 = 45 punktów i pozostaje w działaniach marketingu.
Jak skalibrować próg MQL?
Próg kalibruje się, porównując odsetek leadów, które sprzedaż zakwalifikowała jako SQL, w przedziałach punktowych. Przykład obejmuje 1 000 leadów z jednego kwartału.
| Przedział punktów | Leady | SQL | Konwersja do SQL |
|---|---|---|---|
| 0–39 | 600 | 6 | 1,0% |
| 40–59 | 250 | 15 | 6,0% |
| 60–79 | 120 | 24 | 20,0% |
| 80 i więcej | 30 | 12 | 40,0% |
| Razem | 1 000 | 57 | 5,7% |
Przy progu 60 sprzedaż otrzymuje 150 MQL, z których 36 zostaje SQL (24,0%). Poza progiem pozostaje jednak 21 z 57 SQL, czyli 36,8%. Obniżenie progu do 40 punktów daje 400 MQL i 51 SQL (12,75% konwersji) oraz 89,5% wszystkich SQL. Wybór zależy od przepustowości zespołu sprzedaży: przy ograniczonej liczbie handlowców wyższy próg chroni ich czas, a niższy wymaga etapu wstępnej kwalifikacji przez zespół SDR.
Jak uzgodnić definicje ze sprzedażą?
- Wspólna, pisemna definicja MQL i SQL zatwierdzona przez dyrektorów marketingu i sprzedaży.
- Termin reakcji sprzedaży na MQL, np. kontakt w ciągu jednego dnia roboczego.
- Obowiązkowy powód odrzucenia leada w CRM, wybierany z zamkniętej listy.
- Miesięczny przegląd konwersji w przedziałach punktowych i korekta wag.
Czym różni się scoring regułowy od predykcyjnego?
Scoring regułowy opiera się na wagach ustalonych przez ludzi, a scoring predykcyjny na modelu statystycznym, który sam wyznacza wagi na podstawie historii leadów i wygranych transakcji. Model regułowy jest przejrzysty i łatwy do zmiany, dlatego dobrze sprawdza się na początku, gdy firma ma niewiele danych. Model predykcyjny wymaga kilkuset zamkniętych szans sprzedażowych i spójnych danych w CRM.
| Cecha | Scoring regułowy | Scoring predykcyjny |
|---|---|---|
| Źródło wag | Analiza i decyzja zespołu | Model uczony na danych historycznych |
| Wymagane dane | Kilkadziesiąt wygranych transakcji | Kilkaset zamkniętych szans i pełna historia aktywności |
| Przejrzystość | Wysoka, każdy punkt ma uzasadnienie | Niższa, wymaga objaśnienia wyników |
| Typowa skala firmy | 1–49 osób i 50–249 osób | 250–999 osób i większe |
W obu przypadkach o jakości modelu decyduje kompletność danych w CRM i powrót informacji od sprzedaży.
Jakie są typowe błędy?
- Wagi ustalone na podstawie opinii, bez analizy leadów, które zostały klientami.
- Punkty za otwarcie e-maili, które przy automatycznym otwieraniu wiadomości przez programy pocztowe nie mówią nic o zainteresowaniu.
- Brak punktów ujemnych i wygasania punktów: lead sprzed roku utrzymuje wysoki wynik.
- Model bez powrotu informacji ze sprzedaży: bez powodów odrzucenia nie da się poprawić wag.
Źródła
- Wikipedia: SiriusDecisions
- Forrester: Forrester Completes Acquisition Of SiriusDecisions (3.01.2019)
- Forrester: The Demand Waterfall, What Sales Operations Needs to Know (Steve Silver, 2018)
- Apple Newsroom: Apple advances its privacy leadership with iOS 15, iPadOS 15, macOS Monterey, and watchOS 8 (7.06.2021), Mail Privacy Protection