Lead scoring: come capire quale lead vale davvero la chiamata

Quando i lead che arrivano superano la capacità del team commerciale, la priorità smette di essere un dettaglio e diventa la variabile che decide i risultati. Senza un metodo, si decide in due modi, entrambi cattivi: per ordine di arrivo, o per fiuto del commerciale di turno. L'ordine di arrivo sembra equo ma è irrazionale: il contatto più promettente della settimana può arrivare alle 16:45 e venire richiamato il giorno dopo, quando ormai sta parlando con un concorrente. Il fiuto funziona finché funziona, e non si trasferisce a nessuno.

In entrambi i casi si lascia valore sul tavolo: i lead caldi aspettano troppo, i lead freddi consumano ore di telefonate che non porteranno niente. Il lead scoring sostituisce questa lotteria con un modello esplicito: ogni contatto riceve un punteggio costruito su due domande — chi è, e cosa ha fatto. Il commerciale apre la lista al mattino e sa da dove cominciare. Le aziende che lo introducono vedono salire sensibilmente il tasso di chiusura sui lead migliori, per il motivo più banale del mondo: vengono chiamati prima.

La prima dimensione, che nel gergo si chiama fit, risponde alla domanda: questo contatto assomiglia ai nostri clienti migliori? Le variabili tipiche sono la dimensione dell'azienda, il settore, il ruolo di chi scrive, l'area geografica, il fatturato dichiarato.

I pesi non si inventano: si ricavano guardando i clienti chiusi negli ultimi dodici-ventiquattro mesi. Le caratteristiche che ricorrono tra i clienti buoni diventano punti positivi; quelle che nei dati risultano associate a clienti poi persi, o a trattative interminabili, diventano punti negativi. È un'analisi che parte dai dati che un gestionale ordinato contiene già.

La seconda dimensione misura l'interesse dimostrato coi comportamenti: pagine visitate, materiali scaricati, email aperte e cliccate, iscrizione e partecipazione ai seminari online, tempo passato sulla pagina dei prezzi. La regola per pesare i segnali è una sola: più l'azione richiede intenzione, più punti vale. Visitare la pagina dei prezzi conta più che aprire una newsletter; chiedere una demo conta più che scaricare una guida.

Un esempio di scala che funziona: visita alla pagina prezzi +20 punti, richiesta di demo +50, download di un caso studio +10, apertura di una email +2, clic +5, iscrizione a un seminario online +15, partecipazione effettiva +30. Servono anche i punti in negativo, perché l'interesse si spegne: nessuna interazione da novanta giorni -20, disiscrizione dalla lista -50, email che torna indietro -10. Il punteggio segue il lead nel tempo e si aggiorna a ogni sua azione, in su o in giù.

L'errore più diffuso è schiacciare tutto in un numero solo. Un'azienda perfetta che non ha mai aperto una email e un curioso entusiasta che non comprerà mai possono avere lo stesso totale, e meritano trattamenti opposti. Le due dimensioni vanno tenute separate e incrociate in una matrice a quattro quadranti.

Profilo giusto e interesse alto: priorità massima, chiamata entro un'ora. Profilo giusto ma interesse basso: sequenze di email che lo scaldano — il nurturing — finché i comportamenti non cambiano. Profilo sbagliato ma interesse alto: qualificazione manuale, perché a volte è un caso particolare che vale la pena capire. Profilo sbagliato e interesse basso: fuori dalla lista, o dentro sequenze automatiche leggere che non costano tempo a nessuno.

Ogni quadrante ha un proprietario: il commerciale lavora il primo, chi cura le email prende in carico il secondo, una persona esperta valuta caso per caso il terzo, il sistema gestisce da solo il quarto. Così nessuna ora umana viene spesa su contatti che non la ripagano — perché ogni ora di commerciale buttata su un lead sbagliato è costo di acquisizione che non compare in nessuna campagna, ma pesa sugli stessi conti.

Calcolato il punteggio, serve una soglia: sopra, il contatto passa dal marketing al commerciale — nel gergo dei CRM, da MQL a SQL. La soglia non si sceglie a sentimento: si calibra sui dati storici, guardando che punteggio mediano avevano i clienti chiusi nei sei mesi precedenti.

Esempio con numeri tondi: se i clienti chiusi avevano un punteggio mediano di 75, una soglia a 70 è un punto di partenza ragionevole. Abbassarla a 60 manda più contatti al commerciale, ma di qualità più bassa; alzarla a 80 ne manda meno e migliori. Non esiste la soglia giusta in assoluto: esiste quella coerente con la capacità del team, e si rivede ogni trimestre.

Un modello di scoring non è mai finito. Ogni novanta giorni va confrontato con la realtà: che punteggio avevano i lead chiusi negli ultimi tre mesi? E quelli persi? I pesi che non mostrano nessuna relazione con gli esiti si riducono, i segnali nuovi si integrano, i falsi positivi e i falsi negativi si contano.

L'iterazione converge: dopo un anno circa di revisioni trimestrali il modello si stabilizza e descrive con precisione cosa rende vincente un lead in quell'azienda specifica — non nei manuali, lì. Da quel momento non è più un esperimento: è un patrimonio commerciale che i concorrenti non possono copiare, perché è costruito su dati che non hanno.

Il lead scoring fallisce quasi sempre per gli stessi motivi. Pesi assegnati a intuito e mai verificati sui dati. Punteggio schiacciato in un numero unico invece che tenuto su due dimensioni. Nessuno che spiega al commerciale cosa significa quel numero, che così resta una colonnina ignorata nel CRM.

E poi: modello statico, scritto una volta e mai più toccato mentre il mercato cambia. E soprattutto punteggio senza conseguenze: se vedere un punteggio alto invece di uno basso non cambia l'ordine delle telefonate e l'urgenza dei richiami, il modello è decorazione. Il punteggio serve solo se comanda un'azione.

Costruire il primo modello richiede meno di quanto sembri: i dati stanno già nel CRM, manca solo la disciplina di leggerli. Se volete una mano a montare punteggi, soglie e le sequenze che ne conseguono, è il lavoro che facciamo in funnel e automazioni.