Lead Scoring: hvordan du scorer leads og ved hvem der er klar til at købe
Lead scoring er en metode til at rangere kontakter efter sandsynlighed for konvertering. Lær om scoring-modeller, adfærd vs demografi, og hvornår et lead er sales-ready.
Lead scoring er ifølge Gartner en af de mest effektive metoder til at prioritere salgsindsatsen. Det er en metode til at tildele numeriske point til kontakter baseret på deres egenskaber og adfaerd, så du kan identificere hvem der er tættest på at købe — og prioritere din indsats derefter.
I stedet for at behandle alle leads ens, fortæller lead scoring dig: “Denne kontakt har besøgt prissiden tre gange, åbnet de sidste fem emails og downloadet en case study. Hun er klar til et opkald.” Kontra: “Denne kontakt tilmeldte sig for seks måneder siden og har ikke åbnet en email siden. Han er ikke.”
To dimensioner: demografi og adfærd
En effektiv lead score kombinerer to typer data:
Demografisk scoring (fit)
Handler om hvem kontakten er:
| Signal | Point (eksempel) |
|---|---|
| Jobtitel: C-level / VP | +20 |
| Jobtitel: Praktikant / Studerende | -10 |
| Virksomhedsstørrelse: 50-500 ansatte | +15 |
| Branche: target branche | +10 |
| Lokation: primært marked | +5 |
Demografisk scoring fortæller om kontakten passer til din ideelle kundeprofil.
Adfærdsmæssig scoring (interesse)
Handler om hvad kontakten gør:
| Signal | Point (eksempel) |
|---|---|
| Besøgt prissiden | +20 |
| Downloadet whitepaper | +15 |
| Åbnet 3+ emails sidste 30 dage | +10 |
| Klikket på CTA i email | +10 |
| Set demo-video | +15 |
| Uåbnet email i 30+ dage | -15 |
| Unsubscribed fra nyhedsbrev | -30 |
Adfærdsmæssig scoring fortæller om kontakten aktivt er interesseret lige nu.
Scoring-modeller
Punktbaseret model (enkleste)
Tildel point for hver handling og egenskab. Summer. Definer en taerskel (fx 80 point) der markerer et lead som sales-ready. HubSpots lead scoring-guide giver en god introduktion til denne model.
Fordel: Nemt at forstå og implementere. Ulempe: Kræver manuel kalibrering og vedligeholdelse.
Tier-model
I stedet for præcise point, placer leads i tiers:
- Kold — tilmeldt men ingen engagement
- Varm — engagerer sig med indhold
- Hot — viser købssignaler (prisside, demo-request)
Fordel: Simplere at operationalisere for salg. Ulempe: Mindre granulært.
Predictive scoring
Machine learning-modeller der automatisk identificerer mønstre i historiske data. Systemet finder selv de signaler der korrelerer med konvertering.
Fordel: Mere præcist, opdaterer sig selv. Ulempe: Kræver volumen (1.000+ konverteringer som træningsdata).
Tærskler og handlinger
Lead scoring er kun nyttigt hvis det driver handling. Definer klare tærskler:
| Score | Status | Handling |
|---|---|---|
| 0-30 | Kold | Nurturing via drip campaign |
| 31-60 | Varm | Targeted indhold, segmenteret kommunikation |
| 61-80 | Hot | Salgsorienteret indhold, personlig outreach |
| 81-100 | Sales-ready | Overgiv til salg med kontekst |
Decay: scores der falder over tid
Et lead der scorede 85 for seks måneder siden men ikke har interageret siden er ikke sales-ready længere. Implementer score decay — træk automatisk point fra kontakter der er inaktive over tid.
En typisk decay-model trækker 5-10 point fra per 30 dage uden engagement. Det sikrer at din pipeline altid afspejler aktuel interesse.
Kom i gang
Start simpelt. Tre regler er bedre end ingen regler:
- Åbnede email sidste 30 dage: +10
- Klikkede på link: +20
- Besøgte prisside: +30
Det giver dig nok til at skelne aktive leads fra passive. Forfin over tid baseret på hvad der faktisk konverterer. Læs mere i vores guide til engagement scoring.