اگر تیم فروش شما میگوید «لیدها کیفیت ندارند» و تیم مارکتینگ میگوید «فروش پیگیری نمیکند»، معمولاً مشکل از نبود یک زبان مشترک برای اولویتبندی است. راهحل اجرایی و قابل اندازهگیری، پیادهسازی یک lead scoring model در CRM و اتصال آن به گردشکارهای اتوماسیون است؛ یعنی هر لید بر اساس «ارزش بالقوه» و «سیگنالهای رفتار» امتیاز میگیرد، سپس بر اساس آستانههای مشخص به MQL/SQL تبدیل میشود و پیگیریها به شکل خودکار و استاندارد جلو میروند.
در این راهنما، یک مدل عملی مبتنی بر RFM (Recency, Frequency, Monetary) را با امتیازهای پروفایلی و رفتاری ترکیب میکنیم، آستانههای MQL/SQL را تعیین میکنیم، یک سناریوی واقعی میسازیم و در نهایت قالب اکسل را طوری تعریف میکنیم که بتوانید همین امروز در CRM/اتوماسیون مارکتینگ اجرا کنید.
فهرست مطالب
۱) امتیازدهی لید چیست و چرا به آن نیاز دارید؟
امتیازدهی لید یعنی تبدیل «حدس و تجربه» به «قانون قابل اجرا». شما برای هر لید، بر اساس معیارهای مشخص امتیاز تولید میکنید تا مشخص شود:
- کدام لیدها باید همین امروز توسط فروش تماس گرفته شوند؟
- کدام لیدها باید وارد نِرتچر (پرورش) شوند تا آماده خرید شوند؟
- کدام لیدها اصلاً با پرسونای شما همخوانی ندارند و باید از کانال فروش خارج شوند؟
یک lead scoring model خوب، سه خروجی ملموس میدهد: (۱) صف تماس فروش را منطقی میکند، (۲) نرخ تبدیل لید به فرصت را بالا میبرد، (۳) اختلاف بین فروش/مارکتینگ را با تعریف مشترک MQL/SQL کم میکند.
اگر همزمان روی بهبود مسیر تبدیل کار میکنید، پیشنهاد میکنم مقاله قیف فروش آنلاین چیست و چگونه آن را بهینه کنیم؟ را هم ببینید؛ چون آستانههای امتیازدهی معمولاً باید با مراحل قیف همراستا شوند.
۲) پیشنیازها و دادههایی که باید آماده کنید
قبل از اینکه امتیاز تعریف کنید، باید مطمئن شوید دادههای پایه دارید. حداقلها:
- منبع لید: فرم سایت، چت، تماس، کمپین، شبکه اجتماعی، معرفی و…
- رویدادهای رفتاری: بازدید صفحه قیمت، دانلود فایل، درخواست دمو، کلیک ایمیل، پاسخ پیامک
- اطلاعات پروفایلی: نقش شغلی، صنعت، اندازه شرکت، شهر/کشور، بودجه تقریبی (اگر دارید)
- چرخه تبدیل: زمان متوسط از ورود تا خرید، و نقاط افت
از نظر فنی، اگر اندازهگیری رویدادها در وبسایت دقیق نیست، امتیازدهی رفتاری شما هم خطا میگیرد. برای بهتر شدن کیفیت داده، مطالعه راهنمای عملی پیادهسازی «سرور-ساید ترکینگ» با Google Tag Manager Server-Side کمک میکند (خصوصاً برای کاهش از دسترفتن داده و بهبود دقت کانورژن).
در نهایت، مشخص کنید امتیازها قرار است در کجا اجرا شوند: CRM، ابزار اتوماسیون ایمیل، یا یک ترکیب (CRM بهعنوان منبع حقیقت + اتوماسیون بهعنوان اجراکننده گردشکار).
۳) RFM برای لیدها: تعریف عملی و سازگار با CRM
RFM کلاسیک برای مشتریان خرید کرده است، اما میتوان آن را برای لیدها هم عملی کرد. در این راهنما:
- Recency (تازگی): آخرین تعامل معنیدار لید با شما (مثلاً بازدید قیمت، درخواست دمو، پاسخ به ایمیل)
- Frequency (تکرار): تعداد تعاملهای معنیدار در بازه زمانی مشخص (مثلاً ۱۴ یا ۳۰ روز)
- Monetary (ارزش): بهجای مبلغ خرید، «ارزش بالقوه» را میگذاریم (مثلاً اندازه شرکت، پلن موردنظر، بودجه، یا ارزش تخمینی سبد)
مزیت RFM این است که بهصورت طبیعی «گرمی لید» را نشان میدهد. وقتی R بالا و F بالا باشد، یعنی لید در حال حرکت به سمت خرید است؛ اگر M هم بالا باشد، اولویت فروش باید بسیار بالا باشد.
در یک lead scoring model اجرایی، RFM را معمولاً کنار امتیاز پروفایلی و امتیاز رفتار میگذاریم تا هم «تناسب» (Fit) و هم «علاقه/نیت» (Intent) پوشش داده شود.
۴) معماری lead scoring model: پروفایل + رفتار + RFM
مدلی که پیشنهاد میشود، سه لایه دارد و هر لایه وزن مشخص:
- امتیاز پروفایلی (Fit): آیا این لید «مشتری ایدهآل» شماست؟
- امتیاز رفتاری (Intent): آیا این لید «نشانههای قصد خرید» دارد؟
- امتیاز RFM: آیا این لید «تازه، فعال و با ارزش بالقوه» است؟
۴.۱) امتیازهای پروفایلی (Fit) پیشنهادی
چند مثال قابل استفاده (اعداد نمونهاند و باید با داده شما کالیبره شوند):
- نقش تصمیمگیر/مدیر: +۱۵
- نقش کارشناس/مجری: +۸
- اندازه شرکت مناسب (مثلاً ۱۰–۵۰ نفر): +۱۲
- صنعت هدف: +۱۰
- ایمیل سازمانی (غیر عمومی): +۶
- عدم تناسب جدی (دانشجو/شخصی، یا صنعت غیرهدف): −۲۰
۴.۲) امتیازهای رفتاری (Intent) پیشنهادی
در رفتارها، مهم است که فقط فعالیتهای «معنادار» امتیاز بالا بگیرند:
- بازدید صفحه قیمت/تعرفه: +۱۲
- درخواست دمو/مشاوره: +۲۵
- دانلود فایل/قالب (مثل اکسل): +۱۰
- باز کردن ایمیل: +۲
- کلیک روی لینک ایمیل: +۶
- پر کردن فرم تماس: +۱۸
برای جلوگیری از تورم امتیاز، سقف امتیاز برای رویدادهای کماهمیت بگذارید (مثلاً باز کردن ایمیل بیشتر از ۳ بار در ۷ روز، امتیاز اضافه نگیرد).
۴.۳) امتیاز RFM: تبدیل داده به عدد
یک راه عملی برای پیادهسازی RFM در CRM این است که هر بعد را به ۱ تا ۵ دسته تقسیم کنید (Quintile) یا به صورت آستانهای (Rule-based) امتیاز دهید. مثال آستانهای:
- R: تعامل در ۲ روز اخیر +۲۰، در ۷ روز اخیر +۱۵، در ۱۴ روز اخیر +۸، بیشتر از ۳۰ روز ۰
- F: ۵+ تعامل در ۱۴ روز +۱۵، ۳–۴ تعامل +۱۰، ۱–۲ تعامل +۵، صفر ۰
- M: ارزش بالقوه بالا +۲۰، متوسط +۱۰، پایین +۳
۴.۴) یک فرمول ساده برای امتیاز نهایی
برای شروع، این ساختار معمولاً جواب میدهد:
- امتیاز نهایی = (Fit) + (Intent) + (RFM)
اگر خواستید وزنی کنید:
- امتیاز نهایی = Fit×0.35 + Intent×0.45 + RFM×0.20
در ابتدای کار، مدل را بیشازحد پیچیده نکنید؛ یک lead scoring model ساده که واقعاً در عملیات روزانه استفاده شود، از مدل پیچیدهای که کسی به آن اعتماد نکند بهتر است.
۵) تعیین آستانههای MQL/SQL و SLA بین فروش و مارکتینگ
دو اصطلاح کلیدی (در حد نیاز):
- MQL (Marketing Qualified Lead): لید واجد شرایط برای پیگیری اولیه یا نرتچر هدفمند
- SQL (Sales Qualified Lead): لید آماده ورود به فرآیند فروش (تماس/جلسه/پیشنهاد)
آستانهها را با یک جدول شفاف تعریف کنید و با فروش روی زمان پاسخ هم توافق کنید (SLA).
| سطح | بازه امتیاز (نمونه) | تعریف عملی | اقدام | مالک |
|---|---|---|---|---|
| Cold | ۰ تا ۲۹ | تناسب یا نیت پایین | نرتچر سبک / بازاریابی محتوا | مارکتینگ |
| MQL | ۳۰ تا ۵۹ | تناسب مناسب یا نشانههای اولیه قصد خرید | نرتچر هدفمند + بررسی کوتاه | مارکتینگ + SDR |
| SQL | ۶۰+ | نیت خرید واضح + تازگی تعامل | ایجاد تسک فوری و تماس | فروش |
نکته مهم: آستانهها را «قابل تغییر» در نظر بگیرید. بعد از ۲ تا ۴ هفته داده واقعی، احتمالاً خواهید دید SQLهای خیلی زیادی ایجاد میشود یا برعکس خیلی کم؛ آنوقت باید وزنها/آستانهها را تنظیم کنید.
۶) قالب اکسل: ستونها، فرمولها و مثال امتیازدهی
حتی اگر در CRM امتیازدهی خودکار دارید، اکسل بهترین ابزار برای طراحی اولیه، تست و شفافسازی مدل است. قالب شما میتواند این ستونها را داشته باشد:
- Lead ID / نام لید
- Source (منبع)
- Role (نقش)
- Industry (صنعت)
- Company Size (اندازه شرکت)
- R (days since last meaningful action)
- F (count of meaningful actions in last 14/30 days)
- M (potential value tier)
- Fit Score
- Intent Score
- RFM Score
- Total Score
- Status (Cold/MQL/SQL)
- Next Action (Email/SMS/Call/Task)
۶.۱) منطق فرمولها (قابل پیادهسازی در اکسل)
مثال شبهفرمول (با IF) برای R:
- اگر Days<=2 امتیاز ۲۰، اگر Days<=7 امتیاز ۱۵، اگر Days<=14 امتیاز ۸، اگر Days>30 امتیاز ۰
برای Status هم یک قانون ساده:
- اگر Total Score >= 60 → SQL
- اگر 30 تا 59 → MQL
- کمتر از 30 → Cold
هدف اکسل این است که بتوانید چند لید نمونه را وارد کنید، خروجی را با حس و تجربه تیم فروش مقایسه کنید و اختلافها را تبدیل به اصلاح قانون کنید؛ این دقیقاً نقطهای است که یک lead scoring model از «تئوری» به «عملیات» تبدیل میشود.
۷) سناریوی واقعی: از ورود لید تا پیگیری خودکار
فرض کنید شما یک سرویس B2B دارید و لید از فرم «درخواست مشاوره» وارد میشود:
- لید A: مدیر بازاریابی یک شرکت ۳۰ نفره، صنعت هدف، ایمیل سازمانی
- رفتار: ۲ بار صفحه قیمت را دیده، یک فایل را دانلود کرده، فرم مشاوره را پر کرده
- R: امروز تعامل داشته (۲۴ ساعت)
- F: ۴ تعامل در ۷ روز
- M: ارزش بالقوه متوسط رو به بالا
خروجی مورد انتظار: امتیاز کل بالا، وضعیت SQL، ایجاد تسک تماس برای فروش در کمتر از ۱۵ دقیقه، و اگر تماس برقرار نشد، یک توالی پیگیری خودکار.
اگر همزمان کمپینها را با UTM استاندارد میکنید تا منبع لید در CRM دقیق باشد، مقاله راهنمای کامل راهاندازی اتریبیوشن و UTM در کمپینهای دیجیتال (با قالب اکسل و مثال واقعی) مکمل خوبی است؛ چون «منبع» یکی از ستونهای کلیدی برای تحلیل کیفیت لید و اصلاح امتیازدهی است.
۸) اتصال امتیازها به اتوماسیون: ایمیل/پیامک/وظیفه فروش
وقتی امتیاز نهایی و Status ساخته شد، باید آن را به اقدام تبدیل کنید؛ وگرنه امتیازدهی فقط یک عدد است. الگوی ساده گردشکار:
۸.۱) وقتی لید SQL شد
- ایجاد خودکار Task برای کارشناس فروش (تماس در ۱۵ دقیقه)
- ارسال ایمیل تایید دریافت درخواست + تعیین انتظار پاسخ
- اگر تا ۲ ساعت تماس موفق نبود: پیامک یادآوری (بدون متن تبلیغاتی سنگین)
۸.۲) وقتی لید MQL شد
- ورود به توالی نرتچر ۷ روزه (۲ ایمیل آموزشی + ۱ ایمیل مقایسهای + ۱ دعوت به مشاوره)
- اگر «کلیک روی لینک قیمت» رخ داد، امتیاز رفتاری افزایش و احتمال ارتقا به SQL
۸.۳) وقتی لید Cold است
- فقط ثبت در لیست محتوایی/خبرنامه (در صورت رضایت)
- ریاسکور (Re-score) هر ۱۴ یا ۳۰ روز بر اساس تعامل جدید
بهصورت عملی، شما در CRM/اتوماسیون باید یک «تریگر» (Trigger) داشته باشید: تغییر Status به SQL یا عبور Total Score از آستانه. این نقطه، قلب اجرای lead scoring model است.
۹) تست و بهینهسازی: کالیبراسیون امتیازها با داده واقعی
بعد از راهاندازی اولیه، مدل را با سه حلقه بهبود دهید:
- حلقه ۱: اعتبارسنجی با فروش — ۲۰ لید SQL اول را بررسی کنید: چند درصد واقعاً واجد شرایط بودند؟
- حلقه ۲: تحلیل تبدیل — MQLها با چه رفتارهایی به SQL تبدیل میشوند؟ همان رفتارها باید امتیاز بیشتری بگیرند.
- حلقه ۳: کاهش نویز — رویدادهای کمکیفیت (مثلاً بازدید وبلاگ بدون نیت) را کمامتیاز کنید یا سقف بگذارید.
یک روش ساده برای شروع کالیبراسیون: در پایان ماه، لیدهایی که «خرید کردند/جلسه گذاشتند» را نگاه کنید و ببینید در زمان تبدیل، چه امتیازی داشتند؛ سپس آستانه SQL را نزدیک به آن محدوده تنظیم کنید.
۱۰) اشتباهات رایج در امتیازدهی لید
- امتیاز دادن زیاد به تعاملهای سطحی: باز کردن ایمیل یا بازدید وبلاگ نباید جای «درخواست دمو» را بگیرد.
- بیتوجهی به Fit: اگر تناسب ندارند، حتی با رفتار زیاد هم احتمال خرید پایین است.
- آستانههای مبهم MQL/SQL: اگر تعریفها قابل اجرا نیست، فروش آن را دور میزند.
- عدم تعریف اقدام بعدی: هر Status باید «Next Action» مشخص داشته باشد.
- عدم بازبینی دورهای: بازار، پیامها و کانالها تغییر میکنند؛ امتیاز ثابت، بهمرور غلط میشود.
- نداشتن سقف امتیاز برای رفتارهای تکراری: یک لید نباید با ۳۰ بار باز کردن ایمیل، SQL شود.
۱۱) چکلیست اجرایی پیادهسازی در ۱۰ قدم
- تعریف «لید باکیفیت» با فروش (۳ معیار Fit + ۳ سیگنال Intent).
- انتخاب رویدادهای معنیدار و تعریف آنها (مثلاً بازدید قیمت، درخواست دمو، دانلود).
- ساخت اسکیمای امتیاز Fit (نقش، صنعت، اندازه شرکت، ایمیل سازمانی).
- ساخت اسکیمای امتیاز Intent (رویدادها + سقف امتیاز برای تکرار).
- پیادهسازی RFM آستانهای (R/F/M) در اکسل و تست با ۲۰ لید اخیر.
- تعریف آستانههای Cold/MQL/SQL و توافق SLA پاسخگویی فروش.
- ایجاد فیلدهای لازم در CRM (Fit Score, Intent Score, Total Score, Status).
- ساخت تریگرهای اتوماسیون بر اساس Status (ایمیل/پیامک/Task).
- پایش هفتگی: نرخ تماس، نرخ جلسه، نرخ تبدیل SQL به فرصت.
- کالیبراسیون ماهانه: اصلاح وزنها و آستانهها با داده واقعی.
۱۲) سوالات متداول
۱) از چه امتیازی برای SQL شروع کنم؟
بهعنوان نقطه شروع میتوانید SQL را روی ۶۰+ بگذارید، اما بهتر است با داده ۲۰ تا ۵۰ لید اخیر کالیبره کنید تا نه بیشازحد SQL تولید شود نه کم.
۲) RFM برای کسبوکارهای بدون خرید آنلاین هم جواب میدهد؟
بله؛ در این حالت M را به «ارزش بالقوه» تبدیل کنید (اندازه شرکت، پلن، بودجه یا ارزش تخمینی قرارداد).
۳) اگر داده رفتاری کامل ندارم، مدل را چطور شروع کنم؟
با Fit + چند رویداد قطعی (فرم تماس/درخواست دمو) شروع کنید و بهتدریج با بهبود ترکینگ، Intent و RFM را دقیقتر کنید؛ یک lead scoring model مرحلهای بهتر از توقف کامل است.
۴) آیا امتیازدهی باید در CRM انجام شود یا ابزار اتوماسیون؟
اگر CRM منبع اصلی داده فروش است، بهتر است امتیاز نهایی و Status در CRM ثبت شود و اتوماسیون فقط اجراکننده گردشکار باشد؛ البته بسته به ابزارها، ممکن است محاسبه در اتوماسیون و سینک به CRM انجام شود.
۵) چطور جلوی «بازی دادن سیستم» با رفتارهای تکراری را بگیرم؟
برای رویدادهای کماهمیت سقف امتیاز بگذارید (Cap)، بازه زمانی تعریف کنید، و رویدادهای واقعا معنیدار (درخواست دمو/قیمت) را وزن بالاتر بدهید.
۶) هر چند وقت یکبار باید مدل را بازنگری کنم؟
در ماه اول هفتگی، سپس ماهانه یا فصلی؛ بهخصوص بعد از تغییر کمپینها، پیامها، قیمتگذاری یا بازار هدف.
۷) آیا بهتر است امتیاز منفی هم داشته باشیم؟
بله، برای سیگنالهای واضح عدم تناسب (صنعت غیرهدف، اطلاعات ناقص، ایمیل شخصی در B2B، یا منطقه خارج از محدوده خدمات) امتیاز منفی کمک میکند کیفیت SQLها بالا بماند.
۸) مهمترین KPI برای سنجش موفقیت امتیازدهی لید چیست؟
سه KPI کلیدی: نرخ تبدیل MQL→SQL، نرخ تبدیل SQL→جلسه/فرصت، و زمان پاسخ فروش به SQL (در چارچوب SLA).
