Lead scoring is een onlosmakelijk onderdeel van lead nurturing. Niks nieuws onder zon. Maar door het gebruik van een goed passend lead scoring model weet je precies welke leads behoefte hebben aan welke informatie én wanneer een lead warm genoeg is om doorgezet te worden naar Sales. Klinkt goed, toch? Maar hoe werkt dit in de praktijk? En hoe ga je aan de slag?
Lead scoring is precies wat het zegt: leads op basis van de beschikbare data over hen een score toekennen. In principe doe je dit zelf ook al wanneer je een e-mail krijgt of gebeld wordt door een mogelijke nieuwe klant. Tijdens het gesprek weeg je af of het een interessante lead is of niet. Dit doe je op basis van kenmerken en waarden die passen bij je product- of dienstenaanbod en ook het type klant dat je zoekt (budget, locatie, branche, et cetera).
Bij lead scoring wordt het waarderingstraject van de lead uitgevoerd door je marketing automation systeem. Het marketingautomationsysteem gebruikt vervolgens de leadscores om bepaalde processen in werking te zetten. Denk aan: de lead in een andere nurturingcampagne plaatsen op basis van de score, attenderen op een logisch volgend stuk content of hem automatisch doorsturen naar sales om op te volgen.
Lead scoring
Lead scoring wordt bepaald aan de hand van eigenschappen en gedrag van een lead. De score komt tot stand door punten toe te kennen aan expliciete en impliciete eigenschappen.
- Expliciete eigenschappen: Hoe goed past de lead binnen je ideale klantprofiel of buyer persona?
- Impliciete eigenschappen: Welke interactie vertoont de lead met je website, e-mails, content en social media?
Hoe meer punten op zowel expliciete als impliciete eigenschappen, hoe meer “ready” de lead is. Dit breng je te samen in een leadscoringmodel wat 100% op jouw product of dienst is afgestemd.
Expliciete eigenschappen bepalen en scoren
Voor het bepalen van je expliciete eigenschappen maak je gebruik van de eerder gedefinieerde buyer persona. Praat ook altijd met sales welke eigenschappen van een lead zij graag zien in hun ideale klant. Maak van deze eigenschappen een lijstje. Een aantal voorbeelden van expliciete eigenschappen:
- Functietitel – bijvoorbeeld CEO, Marketing manager, data-analist, manager P&O, boekhouder
- Type industrie – Welke industrie is de ideale klant van uw product/dienst?
- Locatie: is de levering van je product of dienst gebonden aan even bepaalde regio
BANT of vergelijkbare eigenschappen kan je natuurlijk ook meenemen maar wees hier voorzichtig mee. Deze waarden worden namelijk niet altijd naar waarheid of kennis ingevuld.
Elke eigenschap heeft meerdere antwoordmogelijkheden die je opschrijft. Hanteer maximaal 5 mogelijkheden per eigenschap om het overzichtelijk te houden voor jezelf . Aan elk antwoord ken je vervolgens punten toe. Qua puntentoekenning kun je het beste simpel beginnen:
- Heel erg belangrijk = 15 punten
- Belangrijk = 10 punten
- Minder belangrijk = 5 punten
Daarnaast is het ook belangrijk om minpunten toe te kennen aan eigenschappen die je juist niet wilt hebben. Denk bijvoorbeeld aan een student, een bedrijf dat een locatie heeft waar je niet levert of een bedrijf dat in dezelfde branche zit.
| Eigenschap | Antwoordmogelijkheden | Score |
| Functietitel | CxO (CEO, FCO, CMO, CTO etc) | 15 |
| Functietitel | Manager | 10 |
| Functietitel | Directeur / VP | 10 |
| Functietitel | Medewerker | 5 |
| Branche/industrie | Architekt en ingenieur | 15 |
| Branche/industrie | Facilitaire dienstverlening en ICT | 10 |
| Branche/industrie | Facilitaire dienstverlening | 5 |
| Budget | 5K en meer | 15 |
| Budget | 2.5 tot 5K | 10 |
| Budget | 1K tot 2.5K | |
| Locatie | Regio X | 15 |
| Locatie | Nederland | 10 |
| Locatie | Europa | 5 |
| Negatieve punten | Antwoordmogelijkheden | Score |
| E-mailadres | Freemail e-mailadres | -10 |
| Functietitel | Student of consultant | -10 |
| Industrie | Eigen industrie (concurrent) | -20 |
| Budget | Geen budget | -10 |
| Locatie | Buiten Europa | -20 |
Verkrijgen van de expliciete eigenschappen
De expliciete eigenschappen verkrijg je door ze uit te vragen in je webformulieren, bijvoorbeeld wanneer iemand een whitepaper wil downloaden. Een paar tips:
- Vraag ze niet allemaal tegelijk, maar maak gebruik van ‘progressive profiling’ functionaliteit in je marketing automation systeem.
- Maak idealiter gebruik van vooraf ingevulde lijsten in een drop down menu. Hiermee voorkom je spelfouten die het scoringsproces bemoeilijken.
- Weet dat de (verplichte) velden zoals budget niet altijd naar waarheid of kennis worden ingevuld. Dus staar je niet blind op de ingevulde waarden.
- Expliciete eigenschappen kan je ook verkrijgen via externe bronnen die je koppelt aan je marketing automation systeem of CRM, zoals bijvoorbeeld webservices.nl
- Interactieve content zoals een ROI calculator of een test zijn zeer geschikt om specifieke expliciete eigenschappen te verkrijgen.
Impliciete eigenschappen bepalen en scoren
Impliciete eigenschappen worden ook wel engagement genoemd omdat je scores koppelt aan vertoond en niet-vertoond gedrag. Bijvoorbeeld een bezoek aan de website, of klikken op een link in een verstuurde e-mail. De gedachte is dat hoe meer interactie de lead vertoont met je content, hoe meer interesse er is in je product of dienst.
Met content scoring kan je hier nog een extra dimensie aan toe voegen.
Er zijn oneindig veel impliciete eigenschappen waarop je kunt scoren. Belangrijk is te bepalen welke gedragingen voor jou waarde betekenen. Heeft een bezoek aan de homepage van je website evenveel waarde als het aanvragen van een prijslijst?
Op basis van dit principe ga je nu punten toekennen aan gedragingen. Als startpunt gebruik je de lead scoring basisopzet die de meeste marketing automation systeem hebben, aangevuld met een content mapping. Bekijk je website, e-mails en andere content die je online beschikbaar stelt:
- Welke websitepagina’s leveren waardevolle leads op of komen vaak terug in de websiteflow van leads (specifieke blogs, de productpagina’s of Over Ons pagina)?
- Welke whitepapers, e-books, video’s of webinars leveren waardevolle leads op of komen vaak terug in de websiteflow van leads?
- Welke content gebruikt sales vaak wanneer ze met potentiële klanten praten?
- Welke formulieren leveren waardevolle leads op?
Maak ook hier gebruik van negatieve scores. Denk bijvoorbeeld aan leads die al meer dan 30 dagen geen interactie vertonen met je e-mails of geen bezoek hebben gebracht aan je website. Of mensen die de vacaturepagina bezoeken.
Leadscoringmodel op expliciete eigenschappen
Onderstaand een voorbeeld van een leadscoringmodel op impliciete eigenschappen. Zoals je ziet worden er meer punten gegeven aan content die verderop in de buyer journey zit. Als je geen buyer journey of content map hebt kun je onderstaand voorbeeld gebruiken om je content over de verschillende fases in de journey te verdelen.
| Eigenschap | Score | Buyer Stage | +Score | Totaal |
| E-mail geopend | 1 | alle stages | – | 1 |
| E-mail geklikt | 2 | alle stages | – | 2 |
| E-mail 2 MOF geklikt | 2 | MoFU | +4 | 6 |
| Webpagina bezocht | 1 | alle stages | – | 1 |
| Blogartikel X bezocht | 1 | ToFU | +2 | 3 |
| Webpagina X bezocht | 1 | MoFU | +4 | 5 |
| Prijspagina bezocht | 1 | BoFU | +6 | 7 |
| Formulier verzonden | 10 | alle stages | – | 10 |
| Contactformulier verzonden | 10 | MQL | +25 | 35 |
| Live demo aanvragen | 10 | BoFU | +30 | 40 |
| Registratie webinar | 5 | alle stages | – | 5 |
| Bezoek webinar | 10 | alle stages | – | 10 |
| Gated content gedownload | 10 | alle stages | – | 10 |
| Whitepaper gedownload | 10 | MoFU | +5 | 15 |
| Productbrochure gedownload | 10 | MoFU | +10 | 20 |
| Video bekeken | 10 | alle stages | – | 10 |
| Productdemo video bekeken | 10 | BoFU | +10 | 20 |
| Negatieve eigenschappen | Score |
| Mails langer dan 30 dagen niet geopend | -10 |
| Langer dan 30 dagen websitebezoek | -10 |
| Uitschrijven op campagnes | -20 |
| Vacaturepagina bezocht | -10 |
Om je uiteindelijk leadscoringmodel te maken voeg je de expliciete en impliciete eigenschappen samen in een matrix zoals in bijgaand voorbeeld.
Zoals je ziet in de matrix is impliciet (engagement) verdeeld in 4 blokken wat overeenkomt met de vier fases in de funnel: ToFU, MoFU, BoFU en MQL. Ook expliciet (fit) is verdeeld in vier fases. Zo ontstaat er een raster van 16 hokjes waarin leads vallen met een bepaalde puntenwaarde op beide criteria.
- Leads met een hoge score op expliciet en een hoge score op impliciet (A1) zijn hot leads. Deze kan je doorsturen naar sales. Deze categorie noemt men MQL (marketing qualified lead): Marketing kwalificeert deze leads als goed om door te zetten naar Sales. A2, B1 kunnen hier ook onder vallen.
- Daaronder zitten leads met een hoge fit maar nog geen goede score op engagement (A2 t/m A4). Deze leads ga je nurturen door het sturen van relevante e-mails met links naar content. Hier komen de buyer journey fase naar voren:
- Lage score op engagement: nurturingcampagnes met content die focust op de vragen in de awareness fase / ToFU (Top of Funnel).
- Gemiddelde score op engagement: nurturingcampagnes met content die focust op de vragen in de consideration fase / MoFU (Middle of Funnel).
- Hoge score op engagement: nurturingcampagnes met content die focust op de vragen in de decision fase / BoFu (Bottom of Funnel).
- Leads met een gemiddelde fit (B2 t/m B4 en C2 t/m C4) laat je ook meelopen in je leadnurturing proces. Wanneer deze een hoge score hebben op engagement zet je ze door naar sales. Er bestaat namelijk een hele grote kans dat er wel omzet uitkomt ook als is de fit niet ideaal. Het is daarnaast aan sales om te bepalen of ze een MQL met een gemiddelde fit willen accepteren.
- Leads met een lage of geen fit (D1 t/m D4) laat je ook meelopen. Hierin zitten bijvoorbeeld studenten, concurrenten of werkzoekenden.
Ranges bepalen
Nu is het aan jou punten te koppelen aan de 4 blokken op Engagement en Fit:
- Voor Fit kan je de maximale score verdelen in vieren en elk blok een puntenrange toekennen. Voor maximale score van 60 wordt dat: 0-15;16-30;31-45;46-60.
- Voor Engagement wordt het moeilijker en zul je aantal engagementvoorbeelden moeten uitwerken met de bijbehorende punten. Kijk hiervoor ook naar het huidige gedrag van je bezoekers op de website.
Als je voor Fit en Engagement een onderverdeling hebt bespreek je dit met de sales afdeling, zij gaan namelijk de leads die je aanlevert als MQL opvolgen. Bepaal in overleg welke hokjes aangemerkt worden als MQL en doorgezet worden naar sales.
Tip! Je lead scoring model is geen statisch geheel maar zul je moeten aanpassen en verbeteren op basis van feedback van sales en analyse van de beschikbare data. Vergeet niet dat de lead score niet meer is dan een cijfer en dat in het uiteindelijke echte klantcontact zal blijken of bijvoorbeeld je MQL lead score ook correct is. Zo niet, dan is het je taak om het model aan te passen en te verbeteren.
Leadscoringmodel implementeren
De implementatie van je leadscoringmodel verschilt per marketingautomationsysteem. Een aantal systemen bevat geheel geen leadscoringmogelijkheden (Leadsius, Autopilot). Andere systemen tonen één getal voor fit en engagement. Meestal zijn er wel tweaks om dit via segmentatie of op een andere manier toch nog separaat te tonen. De meeste enterprisesystemen gebruiken echter de matrixgedachte.
Sales is je belangrijkste partner!
De afdeling sales is je belangrijkste partner in het succes van lead scoring. Hoe beter de samenwerking is tussen marketing en sales, hoe groter de kans op succes. Een aantal belangrijke tips:
- Betrek ze bij het bepalen welke expliciete eigenschappen belangrijk zijn, dus uitgevraagd moeten worden.
- Voor de impliciete eigenschappen kunnen zij aangeven welke content zij gebruiken in hun salesproces en welke content voor hen goed werkt.
- Samen moet je overeenstemming hebben wanneer een lead wordt overgedragen aan sales. Bij welk eigenschappen wordt een lead een MQL?
- Maak heldere afspraken over de overdracht van leads aan sales. Dit wordt vastgelegd in een Service Level Agreement (SLA). Denk aan:
- Afspreken welke informatie over de lead wordt meegestuurd met een MQL. Dit bestaat vaak uit de beschikbare expliciete en impliciete data uit het marketingautomationsysteem, mogelijk aangevuld met externe data (socialmediaprofielen of Graydon/KvK data)
- Aantal uren/dagen waarbinnen sales een lead wel/niet moet accepteren MQL ⇒ SAL ⇒ SQL)
- Aantal uren waarbinnen sales een lead moet opvolgen
- Overleg regelmatig met sales over de leads die worden aangeleverd. Zijn ze hot? Is de bijgevoegde informatie bij een MQL bruikbaar? Zijn er onderdelen te verbeteren? Dit is een continu proces; optimaliseren is erg belangrijk!
Succes ermee! En als je vragen hebt, hoor ik het graag!
