AI lead scoring: Hogyan priorizáld a magas szándékú potenciális ügyfeleket?

Egy átlagos B2B sales csapat ideje jelentős részét olyan érdeklődőkkel tölti, akik soha nem fognak vásárolni. Nem azért, mert lassan dolgoznak. Azért, mert a CRM-ben mindenki egyforma figyelmet kap: az is, aki holnap szerződne, és az is, aki csak letöltött egy e-bookot kíváncsiságból.

Ezen segít az AI alapú lead scoring. Megmondja, kit hívjon először a sales – és miért.

Mi az AI lead scoring? És miben más, mint a hagyományos pontozás?

Az AI lead scoring egy gépi tanulási modell, ami minden potenciális ügyfélhez egy pontszámot rendel. Ez a szám azt fejezi ki, mennyire valószínű, hogy a lead a következő 30–90 napban vásárolni fog.

A különbség a klasszikus, szabály-alapú pontozáshoz képest egyszerű, de jelentős. Régen valaki kitalálta, hogy +10 pont jár a whitepaper letöltésért, +20 az árazási oldal megnézéséért, +5 ha a cég 50 főnél nagyobb. Ez a logika gyakran a marketing menedzser feltételezésein múlt, nem a valóságon.

Az AI modell ezzel szemben visszanéz a múltba. Megnézi az összes korábbi leadet, és megtanulja, milyen viselkedés-mintázatok vezettek tényleg vásárláshoz – és melyek nem. Nem feltételez. Mintázatokat lát.

Ennek azért van súlya, mert sok cégnél kiderül: a “papíron tökéletes” leadek nem mindig konvertálnak. És fordítva is – néha a látszólag jelentéktelen kis cég vásárol nagyot. Az AI elfogulatlanul nézi az adatot.

Az 5 adatforrás, amire az AI lead scoring épül

1. Viselkedési adatok

Mit csinál a lead a digitális felületeiden? Ez a leggazdagabb adatforrás.

• Hányszor látogatta meg az árazási oldalt?
• Milyen blogcikkeket olvasott – általános, ismeretterjesztő tartalmat, vagy konkrét összehasonlító, döntés-előkészítő anyagot?
• Töltött-e ki demó-igénylő űrlapot, vagy csak hírlevélre iratkozott?
• Visszatérő látogató, vagy egyszer járt itt?
• Milyen keresőkifejezésen érkezett – tájékozódó vagy vásárlási szándékú kulcsszón?

Egy AI modell képes súlyozni ezeket. Felismeri, hogy öt árazási oldal-látogatás sokkal komolyabb szándék-jel, mint ötven véletlenszerű blogolvasás. Egy embernek nem feltétlenül egyértelmű – egy modellnek pedig három másodperc alatt nyilvánvaló.

2. Cégadatok (firmographic data)

Ki a cég, ahonnan a lead jött? Itt a klasszikus B2B paraméterek számítanak:

• Iparág és alszegmens
• Cégméret – alkalmazotti létszám, árbevétel
• Földrajzi régió, országhatáron belüli elhelyezkedés
• Használt technológiai stack (különösen SaaS-nél fontos)
• Növekedési fázis – alapítás óta eltelt idő, friss finanszírozási kör

Ezeket általában külső adatszolgáltatókból gazdagítják. Nemzetközi piacon a Clearbit vagy a ZoomInfo a sztenderd; Magyarországon a Bisnode és az OPTEN adatbázisai a megszokott forrás.

A modell ezekből megtanulja, hogy az iparági és méretbeli kombinációk közül melyik a “sweet spot” – és ezt magától felismeri, neked nem kell hipotézisként megmondani.

3. Elköteleződési jelek (engagement signals)

Mit csinál a lead a hozzá szóló kommunikációval? Itt a részvétel mélysége és sebessége is számít.

• Email megnyitások, kattintások, válasz-arány
• LinkedIn interakciók a cég vagy a sales képviselő posztjaira
• Webinárium-részvétel – és hányadik percig nézte végig
• Chat-üzenetek tartalma és időzítése
• Visszahívás-kérések

Az időzítés gyakran erősebb szignál, mint maga a cselekvés. Aki öt percen belül megnyitja az email-edet és három különböző linkre kattint, sokkal forróbb, mint az, aki egy nap múlva csak a “leiratkozás” linkre kattint.

4. CRM-előzmények

Mi van a régi adatban?

• Korábbi interakciók ezzel a céggel – akár évekre visszamenőleg
• Hasonló cégek vásárlási mintái
• Sales rep jegyzetei – ezeket modern NLP modellekkel ma már strukturáltan fel lehet dolgozni
• Lezárult deal-ek (nyertesek és vesztesek egyaránt)

Ez az a réteg, ami a hagyományos szabály-alapú scoringból szinte teljesen kimarad. Az AI viszont tudja: az adott cég két évvel ezelőtt már járt itt, akkor elment a konkurenciához, és most visszajött. Ez nagyon más szignál, mint egy hidegen érkező új lead.

5. Konverziós valószínűség

Ez nem önálló adatforrás, hanem a modell végeredménye: egy 0–100 közötti pontszám, amely azt fejezi ki, mekkora a valószínűsége, hogy a lead a következő 30–90 napban vásárolni fog.

A jó modell ugyanakkor nem csak pontoz. Megmagyarázza is: melyik 3-5 tényező húzza fel vagy le a score-t. Így a sales képviselő tudja, mire koncentráljon a hívás során. Például: “Ez a lead azért magas pontszámú, mert demo-t kért, az integrációs oldalt háromszor megnézte, és a céges domain-ről írt – de a cégméret kicsi, ami lefelé húzza.”

Fontos: A score önmagában csak egy szám. A magyarázat-réteg az, ami használhatóvá teszi a sales számára. “Black box” megoldásokat ne vásárolj – a modellnek transzparensnek kell lennie.

Hogyan tanul a modell? Érthetően

Egyszerűsítve: a modell visszanéz a múltba.

Megnézi az elmúlt 12–24 hónap összes leadjét. Lát egy csomó jellemzőt mindegyikről – a fenti négy adatforrásból. És tudja, melyik lett ügyfél, melyik nem.

Ezután keresi a mintázatokat. Mi a közös azokban, akik vásároltak? Mi a közös azokban, akik elsodródtak? Milyen jellemzők együttese vezetett a leggyorsabb zárásokhoz?

Amikor egy új lead bejön, a modell végigfut a tanult mintázatokon, és kiad egy valószínűséget. Folyamatosan újratanul – ha változik a piac, ha új termékkel mész, ha nyár van vagy év vége, a modell adaptálódik.

Ez az adaptáció a kulcs. Egy szabály-alapú rendszerben két év után már elavult logika döntögeti a leadeket. Egy AI modell folyamatosan friss.

B2B példa: egy projektmenedzsment SaaS

Képzeljük el, hogy egy projektmenedzsment SaaS-t árulsz – mondjuk a Jira és az Asana közé pozícionálva magad.

A klasszikus scoring így néz ki: +10 pont a whitepaper letöltésért, +20 a demó-kérésért, +5 ha a cég 50 főnél nagyobb. Egyszerű. Logikusnak hangzik. És kb. 50%-ban téved.

Az AI scoring viszont a valós adatból felismeri:

• Azok a leadek, akik megnézték az integrációs oldalt és összehasonlították a Slack-Jira-Asana megoldásokat, négyszer nagyobb eséllyel zárnak.
• A 80–150 fős, B-szériás SaaS cégek és növekvő e-kereskedők a sweet spot. A 200+ fős enterprise-ok ritkán fizetnek – túl nagyok, túl bürokratikusak. A 10 fős startupok pedig lemorzsolódnak az ingyenes csomagra.
• Ha a kontakt a hétfő reggeli sales engagement email-t 9 óra előtt kinyitja, az erős vásárlási szándékot jelez.
• A korábbi nyertes deal-ek 70%-ában a döntéshozó a CTO vagy a Head of Engineering volt – nem a CEO. Aki CEO-t kontaktol elsőre, az statisztikailag hosszú ciklusra indul.

A modell ezeket a mintázatokat összerakja. Az új lead, aki egy 110 fős, B-szériás SaaS-tól jött, Head of Engineering pozícióból, megnézte az integrációs oldalt, és reggel 8:47-kor kinyitotta az email-t – kap egy 92-es score-t.

A sales tudja: ezt most kell felhívni. Nem a “papíron tökéletes”, 800 fős enterprise-t, ahol egyébként háromhavi beszerzési procedúra vár rád.

Szolgáltatói példa: könyvelőiroda vagy ügynökség

A B2B SaaS adatokban dúskál – sok a digitális signal. De az AI lead scoring szolgáltatói cégeknek is működik, és sokszor itt nagyobb a megtérülés, mert a sales kapacitás drága. Maga a tulajdonos vagy a senior partner van a fronton, és minden rosszul allokált óra látható veszteség.

Vegyünk egy középvárosi könyvelőirodát. Bejön egy érdeklődő egy űrlapon keresztül a weboldalról. Mi mindenből tud tanulni egy modell?

• Cégadatok: a Bisnode-ból kiderül a cég NAV-os státusza, mérete, profilja, fizetőképességi indexe.
• Viselkedés: melyik szolgáltatás-aloldalt nézte? Cégalapítás, teljes körű könyvelés, vagy bérszámfejtés?
• Hányszor járt a weboldalon, mielőtt kitöltötte az űrlapot?
• A megadott email-cím céges domain-ről jött, vagy gmailről?
• Melyik napszakban érkezett – munkaidőben, hétvégén, késő este?

Az AI itt is megtanul olyat, amit a könyvelőiroda tulaja nem feltétlenül látna magától:

• A “cégalapítás” oldalról érkezők rosszul konvertálnak. Sokan csak információt gyűjtenek, mielőtt elindítanák a saját bizniszüket – és sokan nem is indítják el.
• A “bérszámfejtés” aloldal viszont magas-szándékú: aki ide jut, az már fizet valakinek, és váltani készül. Ez forró lead.
• Ha a látogató mobilról, pénteken este érkezett, ritkán lesz belőle fizető ügyfél.
• Ha viszont desktop, munkaidőben, és előtte egy fiókos cégadatbázist nézegetett – top priority. Itt aktív döntéshozó van a másik oldalon.

Ugyanez a logika működik bármilyen szolgáltatói üzletre: ügyvédi iroda, fogászat, magán-egészségügyi szolgáltató, prémium ingatlanértékesítő, marketing ügynökség, IT-tanácsadó. Mindenhol, ahol kevés, drága sales-kapacitás van, és sok érdeklődő.

Mit nyersz vele konkrétan?

Nem absztrakciók szintjén, hanem üzleti hatásban:

• Rövidebb sales ciklus. A sales nem véletlenszerű sorrendben hívja a leadeket, hanem a legforróbbat elsőként. A “first contact” gyorsabb a magas szándékú leadekkel, és statisztikailag bizonyított, hogy a gyors visszahívás drámaian növeli a zárási arányt.
• Magasabb close rate. Az értékesítő ideje a valódi szándékkal rendelkező leadekre koncentrálódik.
• Kisebb marketing-sales konfliktus. A klasszikus “a sales nem hívja vissza, amit a marketing termel” probléma részben azért van, mert tényleg sok rossz lead jön át. Az AI lead scoring ezt szűri.
• Pontosabb forecasting. Ha tudod, hogy a pipeline-ban hány 80 feletti score-ú lead van, sokkal pontosabban tervezed a következő hónap bevételét.
• Mérhető ROI a marketing csatornákon. Mert nem mindegy, hogy egy csatorna sok leadet hoz, vagy sok minőségi leadet.

Bevezetés 5 lépésben

Ha eddig olvastad, most jön a gyakorlat. Hogyan tudod ezt elkezdeni?

1. Adat-audit. Nézd meg, milyen adatod van. Ha a CRM félig kitöltött, a webanalitika nincs összekötve a CRM-mel, és semmi nincs címkézve – előbb takarítani kell. Adat nélkül nincs modell.
2. Cél definíció. Mit jelent nálad a “konverzió”? Demó-foglalás? Aláírt szerződés? Első fizetős előfizetés? A modell csak akkor jó, ha pontosan tudja, mire optimalizál.
3. Pilot projekt. Ne az egész CRM-mel kezdj. Válassz egy terméket vagy egy szegmenst, építsd rá a modellt, mérd 6–8 hétig. Ha működik – terjeszd ki.
4. Sales bevonás. Az AI scoring akkor működik, ha a sales hisz benne. Ezt nem fentről kell rákényszeríteni – meg kell mutatni a számokkal, hogy a magas score-os leadek tényleg jobban zárnak.
5. Visszacsatolás. A modell akkor lesz egyre okosabb, ha a sales visszacsatol: ez a lead jó volt, ez tévedés volt, ez a deal így zárult. Enélkül a modell beragad a kezdeti állapotába.

Tipikus hibák, amiket érdemes elkerülni

• Túl korán automatizálsz. Ha még nincs elég adatod – nagyjából 500 zárt deal a minimum –, a modell zajt fog tanulni, nem mintázatot. Az ilyen modell rosszabb, mint a semmi, mert bizalmat veszít.
• “Black box” kultúra. Ha a sales nem érti, miért 87 a score, nem fog dolgozni vele. Magyarázat-réteg kötelező.
• Nincs frissítés. A modellt 3–6 havonta újra kell tanítani. A piac, a termék, a célközönség folyamatosan változik.
• Csak az online viselkedést nézed. A LinkedIn aktivitás, a sales rep jegyzete, a webinárium-részvétel – ezek mind hozzáadnak a pontossághoz.
• Score-t használsz, de nem méred. Ha sosem nézed meg, hogy a magas score-osok tényleg konvertálnak-e, csak hiszed, hogy működik. A hit nem üzleti módszer.

Gyakran ismételt kérdések

Mekkora cégnek éri meg az AI lead scoring?

Ahol évi 500+ minősített lead érkezik, és a sales kapacitás korlátozott. Mikrovállalkozásnak, ahol havi 5–10 érdeklődő jön, túlméretezett megoldás. Középvállalatnak felfelé viszont szinte mindenhol megéri.

Mennyi adat kell hozzá?

Minimum 12 hónap CRM-előzmény, és legalább 500 zárt deal (nyertes és vesztes vegyesen). Ennél kevesebb adattal a modell instabil lesz, és nem tud megbízhatóan általánosítani.

Mennyibe kerül?

Két irány van. A plug-and-play megoldások (HubSpot előfizetésbe építve, Salesforce Einstein) az enterprise CRM-tier-ek extra díjaként érhetők el. Az egyedi modell a magyar piacon nagyjából egy közepes méretű projekt nagyságrendje, plusz havi karbantartás. A megtérülés tipikusan 6–12 hónapon belül kimutatható.

Mennyi idő, mire látszik az eredmény?

A pilot 6–8 hét. Mérhető üzleti hatás 3–6 hónapon belül jelentkezik. Stabilan beépült folyamat 9–12 hónap után áll össze.

Helyettesíti az emberi értékesítőt?

Nem. Priorizálja a munkáját. A zárást, a bizalom kiépítését, a tárgyalást az ember csinálja. Az AI csak megmondja, kit hívjon először, és milyen szempontokra fókuszáljon a beszélgetésben.

Mi a különbség a predictív lead scoring és az AI lead scoring között?

Gyakorlatilag ugyanaz. A “predictív” kifejezés régebbi, a marketing tech világban kb. 2015 óta használjuk. Az “AI” a frissebb, modernebb modellekre utal – mélyebb tanulási architektúrákkal, NLP-vel, gazdagabb adatforrás-integrációval. Funkcionálisan ugyanazt csinálják: jövőbeli vásárlási valószínűséget becsülnek.

Beszéljünk a te adat-alapodról

Az AI lead scoring nem varázslat. Egy döntéstámogató eszköz, ami a sales csapatod idejét a legértékesebb leadekhez tereli. A bevezetés nem egyik napról a másikra megy – adat, folyamat, modell, sales-buy-in mind kell hozzá. De aki ma kezdi, fél év múlva előrébb tart, mint a konkurencia, aki még mindig sorrend nélkül hívja a CRM-et.