AI lead scoring: Hogyan találd meg a legjobb potenciális ügyfeleket?

A leadjeid 80%-a sosem fog vásárolni. A kérdés az: melyik 20%? Az AI lead scoring pontosan ezt válaszolja meg — másodpercek alatt, érzelmek nélkül, az adataid alapján.

Ismerős a helyzet? Reggel beérkezik 40 új érdeklődő a landing oldalról. Délben kiküldöd az árajánlatokat. Estére kiderül, hogy kettő tényleg komoly, a többi vagy beszélgetni akart, vagy egy hónap múlva válaszol, vagy soha többé nem hallasz felőle. Eltelt egy nap, és az értékesítési csapatod fele azzal a 38 emberrel foglalkozott, akik amúgy sem vásároltak volna.

Ez nem rossz munkavégzés. Ez egy szervezési probléma — és pont ezt a problémát oldja meg az AI lead scoring magyar vállalkozóknak méretarányban. Ebben az útmutatóban megnézzük, mit jelent pontosan, hogyan dolgozik a háttérben, és hogyan tudod úgy bevezetni, hogy holnaptól kevesebb idődbe kerüljön az értékesítés — miközben több ajánlatot zársz le.

Mi az AI lead scoring? Egyszerűen, nem szótárból

Az AI lead scoring egy automata rangsorolási rendszer, ami minden egyes leadednek (érdeklődődnek) ad egy 0–100 közötti pontszámot aszerint, hogy mekkora valószínűséggel fog tőled vásárolni. Minél magasabb a szám, annál „forróbb” a lead.

A különbség a klasszikus, manuális pontozáshoz képest? A hagyományos verzióban te ülsz le egy Excel-táblával, és kitalálod, hogy „ha megnyitotta az emailt, +5 pont, ha letöltötte az e-bookot, +10 pont”. Az AI ezt nem tippeli — kiszámolja. Visszanéz a múltbeli ügyfeleidre, megnézi, hogy a vásárlók milyen mintázatokat mutattak a megrendelés előtt, és ezekhez méri az új érdeklődőidet.

A lényeg egy mondatban: az AI nem azt mondja meg, hogy „ez a lead jó”. Azt mondja meg, hogy „ez a lead 87%-ban hasonlít azokra, akik az elmúlt évben tőled vásároltak — szólj nekik először”.

Hogyan rangsorolja az AI a leadeket? A két fő adatréteg

Hogy a mágia ne tűnjön mágiának: az AI lead scoring lényegében két óriási adathalmazból dolgozik. Az egyik azt mutatja meg, hogy ki az illető, a másik pedig azt, hogy mit csinál.

1. Demográfiai és firmográfiai adatok — „ki ő?”

Ez a statikus réteg. Ide tartoznak a klasszikus mezők, amiket egy űrlapon megadnak, vagy te húzol be külső adatforrásokból:

• B2C esetén: életkor, lakhely, jövedelmi sáv, családi állapot, érdeklődés
• B2B esetén: cégméret (alkalmazotti létszám), iparág, árbevétel, beosztás (CEO vs. gyakornok — óriási különbség), földrajzi régió, technológiai stack
• Kontextus: milyen csatornán érkezett (Google Ads, organikus, ajánlás), milyen kampányból

Egy budapesti könyvelőiroda számára egy 50 fős gyártócég pénzügyese sokkal értékesebb lead, mint egy egyetemista, aki kíváncsiságból töltötte ki az űrlapot. A demográfia ezt másodpercek alatt szétválasztja.

2. Viselkedési adatok — „mit csinál?”

Ez a dinamikus réteg, és pont itt veri az AI a manuális módszereket. Folyamatosan, valós időben követi:

• Hány oldalt nézett meg a weboldalon, és melyeket (az árazási oldal kétszer többet ér, mint a karrieroldal)
• Mennyi időt töltött az egyes oldalakon
• Hányszor tért vissza, és milyen időközönként
• Megnyitotta-e az emailjeidet, klikkelt-e, válaszolt-e
• Letöltött-e tartalmakat (e-book, esettanulmány, árlista)
• Megnézte-e a demó videót, és meddig nézte
• Reagált-e LinkedIn-en, hozzászólt-e posztjaidhoz
• Beírta-e a céget a chatbotba, kérdezett-e árat

A gépi tanulás algoritmusai ezekből a jelekből rajzolnak ki egy mintázatot. Például rájöhet, hogy azok, akik letöltötték az árlistát ÉS visszatértek 48 órán belül az ÁSZF oldalra, 73%-os valószínűséggel kértek árajánlatot a következő héten. Ezt kézzel sosem találnád meg — egy AI fél perc alatt.

Mennyi értékesítési időt spórolhatsz vele? Konkrét számok

A „több időt spórolsz” laposan hangzik, ezért nézzük meg számokban, mit jelent ez a gyakorlatban egy átlagos magyar KKV-nál:

~50%

Kevesebb idő rossz leadekre, ha az értékesítés a top-pontszámú érdeklődőkkel kezd

2–3×

Magasabb konverziós arány a prioritizált leadeknél a véletlenszerű felhíváshoz képest

−30%

Rövidebb értékesítési ciklus, mert a forró leadeket azonnal kezeled

+25%

Több zárt deal ugyanakkora csapattal — egyszerűen jobb a sorrend

Egy hétemberes értékesítési csapatnál, ha mindenki napi 2 órát spórol a „kit hívjak ma?” döntésen és a süket vonalakon, az heti 70 munkaóra. Ez egy plusz fél FTE — anélkül, hogy bárkit felvettél volna.

Manuális vs. AI lead scoring: gyors összehasonlítás

Szempont	Manuális (Excel/szabályalapú)	AI lead scoring
Mire alapozza a pontokat	A te megérzésed és tapasztalatod	A valódi múltbeli vásárlási minták
Frissül-e magától	Nem, neked kell átírni	Igen, folyamatosan tanul az új adatokból
Adatmennyiség, amit kezel	5–10 változó, ha sok	50–200+ változó egyszerre
Reakcióidő új leadre	Órák, napok	Másodpercek
Skálázódik 1000+ leaddel	Csak fájdalmasan	Természetesen
Bevezetési költség	Alacsony	Közepes (de gyorsan megtérül)

AI lead scoring magyar vállalkozóknak: hogyan kezdj bele 5 lépésben

Nem kell adattudóst felvenned, és nem kell saját modellt fejlesztened. Egy magyar KKV-nak ennyi elég ahhoz, hogy 4–6 hét alatt működő rendszere legyen:

1. Rendezd az adataidat. A legtöbb magyar cégnél a leadadatok három helyen vannak: a CRM-ben, egy Excelben és valakinek a fejében. Ezt először egy helyre kell összerakni. Ha nincs CRM, válassz egyet (HubSpot, Pipedrive, Salesforce ingyenes verziók is léteznek).
2. Definiáld, hogy mi az „ideális ügyfél” számodra. Nézz vissza az utolsó 50–100 lezárt megrendelésre. Mi a közös bennük? Iparág, méret, csatorna? Ez lesz az AI-modell tanítóanyaga.
3. Válassz eszközt. A legtöbb modern CRM-nek (HubSpot, Salesforce Einstein, Zoho ZIA) ma már beépített AI lead scoring funkciója van. Specializált megoldások: 6sense, Madkudu, Leadspace. Magyar piacra elég jól skálázódik a HubSpot Smart CRM beépített AI-ja.
4. Integráld a viselkedési adatforrásokkal. A weboldal (Google Analytics 4, Hotjar), az email rendszer (Mailchimp, ActiveCampaign), a chatbot és a hirdetési fiókok mind küldjenek adatot a CRM-be.
5. Tanítsd újra havonta. Egy AI modell, amit nem frissítesz, 6 hónap múlva pont olyan rossz, mint az Excel-tábládd. Havonta nézd át, mit jósolt, és mi lett a valóság — ez a feedback loop a kulcs.

Gyakori hibák, amiket el kell kerülnöd

Az AI lead scoring nem varázspálca. Néhány hiba garantáltan eltüntet minden eredményt:

• Szemét be, szemét ki. Ha a CRM-ed tele van duplikált, hiányos vagy elavult adatokkal, az AI is butaságokat fog mondani. Adattisztításra szánj időt — ez nem unalmas mellékfeladat, hanem a rendszer alapja.
• Nincs visszacsatolás az értékesítéstől. Ha a kollégák nem jelzik vissza, hogy „ez a 90-pontos lead valójában nem komoly”, a modell sosem fog javulni. Építs be heti 15 perces review-t.
• Csak a magas pontszámúakra figyelsz. A 40–60 közötti „közepes” leadek közül is sok megérik egy nurturing kampányt. Ne dobd ki őket — csak más sorrendben kezeld.
• Túl korán mérsz eredményt. Egy AI scoring rendszernek 60–90 nap kell, hogy értelmes adatot tudjon felmutatni. Ne állítsd le 3 hét után, mert „nem látszik”.
• Az AI-t bíróságnak tekinted, nem tanácsadónak. A pontszám segít rangsorolni, de nem helyettesíti az ember-ember kapcsolatot. A legforróbb lead is el fog tűnni, ha hárman ráugranak rosszul időzített hideghívással.

Hova illeszkedik ez a magyar piacon?

A magyar KKV-szektor jellemzően 2–3 évvel jár a nyugati gyakorlat mögött az AI-bevezetésben — ami most pont előny. A 2026-os állapot szerint Magyarországon a B2B cégek kevesebb mint 15%-a használ valamilyen formában AI-alapú lead pontozást. Ez azt jelenti, hogy aki most lép, az 1–2 évig kompetitív előnyt élvez a saját szegmensében, mielőtt a versenytársak utolérnék.

Egy magyar webshopnak, egy könyvelőirodának, egy SaaS-startupnak vagy egy ipari beszállítónak ma már nem kérdés, hogy kell-e AI lead scoring — hanem hogy melyik megoldás illik a méretéhez. Egy 10 fős cégnek a HubSpot ingyenes pluszverziója elég lehet. Egy 100 fősnek érdemes dedikált megoldásban gondolkodni. Ha bizonytalan vagy, érdemes konzultálni egy AI marketing ügynökséggel, aki magyar piacra szabott implementációt tud felépíteni.

Gyakran ismételt kérdések

Mennyibe kerül egy AI lead scoring rendszer egy magyar KKV-nak?

Belépő szinten ingyenes lehet (HubSpot Free, Zoho Bigin), a komolyabb megoldások havi 50–500 euró között mozognak felhasználónként. Egy 10–20 fős cég jellemzően havi 100–300 euróból jól ki tud jönni a megfelelő csomaggal.

Mennyi adat kell ahhoz, hogy az AI értelmesen működjön?

Általában 200–500 múltbeli lead (zártakkal és elveszített dealekkel együtt) elég ahhoz, hogy egy modell elkezdjen értelmes mintázatokat találni. Kevesebbel is el lehet indulni szabályalapú megoldással, és később váltani.

GDPR-szempontból megfelel az AI lead scoring?

Igen, ha rendesen csinálod. Az érdeklődőket tájékoztatni kell az adatkezelésről, a profilalkotáshoz külön hozzájárulás kell, és minden használt eszköznek EU-konform adatkezeléssel kell rendelkeznie. A nagy CRM-ek (HubSpot, Salesforce) ezt natívan támogatják.

Be tudom vezetni saját erőből, vagy ügynökség kell hozzá?

A technikai bevezetés egy IT-affinis kollégával megoldható. Amihez szakértelem kell: a modell hangolása, a viselkedési események jó definiálása és a folyamatos optimalizálás. Ezt a részt a legtöbb cégnek érdemes ügynökséggel vagy tanácsadóval indítani.

Mit csináljak, ha B2C webshopom van, nem B2B?

A logika ugyanaz, csak a változók mások. A demográfiai adatok helyett a vásárlási előzmények, a kosárelhagyás, a böngészési minták és a hűségprogram-adatok dominálnak. Shopify Plus, Shoprenter, WooCommerce mind támogat valamilyen szintű AI-alapú szegmentációt.

Mennyi idő alatt térül meg a befektetés?

Tipikusan 3–6 hónap. Az első hónapokban a setup és a tanulás zajlik, a 4. hónaptól látszik a konverziós javulás. Egy közepes B2B cégnél a megtérülés általában 4–8x ROI-t hoz az első évben, ha jól van implementálva.

Készen állsz az értékesítésed felgyorsítására?

A CRS AI Marketing csapata magyar KKV-knak épít AI lead scoring rendszereket — kulcsrakészen, GDPR-konforman, magyar nyelvű támogatással.