Скоринг лидов после холодного аутрича: кому SDR звонит первым

Когда из холодной кампании приходит тридцать ответов за неделю, SDR физически не может качественно обработать всех сразу — и без системы приоритетов первым получает ответ тот, кто написал последним. Lead scoring решает эту задачу: каждый лид получает оценку по двум осям — насколько компания похожа на вашего идеального клиента и насколько человек проявил интерес, — и очередь обработки выстраивается по убыванию суммы. Разберём, как собрать рабочую модель скоринга за день и не превратить её в бюрократию.

Зачем скоринг именно в холодном канале

Классический lead scoring вырос из инбаунд-маркетинга: посетитель скачал материалы, походил по сайту, открыл пять писем — система накапливает баллы и в какой-то момент передаёт лида продажам. В холодном B2B-аутриче ситуация другая: вы сами выбрали компании и ЛПР, сами написали первыми, и входящий поток — это ответы на ваши письма. Кажется, что скоринг тут не нужен: ответил — значит, лид. На практике ответы бывают очень разными, а ресурс SDR ограничен.

Посчитаем на типичной кампании. Сегмент 500 компаний, reply rate 5% — это 25 ответов. Из них часть — «отправьте на почту info», часть — «сейчас неактуально, напишите осенью», часть — развёрнутые вопросы про цену и сроки, и одна-две — «давайте созвонимся завтра». Если SDR разбирает всё подряд в порядке поступления, горячий лид с готовностью к созвону может прождать день, пока обрабатываются вежливые отказы. Скоринг лидов переворачивает очередь: сначала те, у кого максимальны и фит, и интерес.

Вторая функция скоринга в аутриче — обратная связь по сегментам. Если лиды с высоким фитом стабильно не отвечают, а отвечают компании с краёв ICP, это сигнал: либо портрет клиента описан неверно, либо оффер бьёт не в ту боль. Скоринг превращает поток ответов в данные для пересборки стратегии.

Ось первая: фит с ICP

Фит-скоринг отвечает на вопрос «наш ли это клиент», и считается он по данным, которые в адресном аутриче известны ещё до отправки письма: вы же сами собирали базу по критериям. Типовые критерии — отрасль, выручка или численность в целевой вилке, география, наличие маркеров потребности (например, для логистического сервиса — собственные склады и филиальная сеть), должность ответившего.

Каждому критерию назначается вес в баллах. Простой и рабочий подход: критично важные признаки — по 20–30 баллов, желательные — по 5–10, стоп-факторы — отрицательные значения. Отдельно оцените роль ответившего: ответ владельца или профильного директора весит заметно больше, чем ответ ассистента, который «переслал коллегам». Сумма нормируется к шкале, например, до 100.

Источник весов на старте — не статистика, которой ещё нет, а опыт продаж: спросите у тех, кто закрывает сделки, по каким признакам они отличают «нашего» клиента за первые пять минут разговора. Через один-два месяца веса корректируются по фактам: смотрите, какие признаки реально встречаются у дошедших до сделки, и усиливайте их.

• Отрасль в целевом списке: +25
• Выручка/численность в вилке ICP: +20
• Есть маркер потребности (склады, филиалы, целевые вакансии): +15
• Ответил профильный ЛПР, а не ассистент: +20
• Регион присутствия — целевой: +10
• Стоп-фактор (госсектор, если не работаете с ним; конкурент): −50

Ось вторая: вовлечённость

Вовлечённость отвечает на вопрос «что человек сделал». В инбаунде её меряют открытиями, кликами и визитами. В холодном канале иерархия сигналов другая, и главный из них — содержание ответа. Открытия писем всё менее надёжны: почтовые клиенты блокируют трекинг-пиксели и генерируют ложные «открытия» при проверке писем фильтрами, поэтому строить на них скоринг нельзя — только использовать как слабый вспомогательный сигнал.

Ранжируйте ответы по содержанию. Высший балл — явное намерение: «давайте созвонимся», «пришлите расчёт на наши объёмы», вопрос про цену, сроки, внедрение. Средний — заинтересованность без обязательств: «расскажите подробнее», «а чем вы отличаетесь от X». Ниже — отложенный интерес: «неактуально сейчас, вернитесь в четвёртом квартале» — это не мусор, а лид для реактивации с конкретной датой. Отрицательные значения — просьбы больше не писать: такие контакты немедленно уходят в стоп-лист.

Полезные вторичные сигналы: скорость ответа (ответ в течение часа после отправки — признак живой боли), пересылка письма коллеге с добавлением его в копию, клик по ссылке на кейс с последующим вопросом. Каждый сигнал — плюс к баллу вовлечённости, но ядро оценки всегда — текст ответа.

Собираем модель: матрица и три корзины

Две оси объединяются не сложением, а матрицей. Лид с идеальным фитом, но слабым сигналом («перешлю коллегам») и лид со средним фитом, но горячим ответом («жду звонка сегодня») — это разные сценарии работы, и одинаковый суммарный балл их только маскирует. Практичная схема — три корзины на пересечении осей: A — высокий фит и высокая вовлечённость, B — высоко по одной оси и средне по другой, C — всё остальное.

Для каждой корзины задаётся SLA и сценарий. Корзина A: реакция в течение рабочего часа, персональный ответ от SDR, цель — встреча на этой неделе. Корзина B: реакция в течение рабочего дня, уточняющий вопрос или релевантный кейс, цель — дотянуть до созвона или честно квалифицировать в C. Корзина C: вежливое закрытие диалога, перенос в базу реактивации с датой следующего касания.

Не усложняйте на старте. Модель из 5–7 критериев фита и 4–5 градаций ответа, посчитанная хоть в таблице, хоть в полях CRM, покрывает 90% пользы скоринга. Предиктивные ML-модели имеют смысл на тысячах лидов в месяц; на объёмах адресного аутрича — десятки и сотни ответов — они не обучатся и лишь добавят непрозрачности.

Типичные ошибки скоринга

Первая ошибка — скорить активность вместо намерения. Лид, открывший письмо шесть раз, получает больше баллов, чем лид, написавший «позвоните мне», потому что открытия «объективны», а разметка ответов требует чтения. Результат — SDR гоняется за фантомами трекинга. Правило простое: один содержательный ответ весит больше любого количества открытий и кликов.

Вторая — мёртвые баллы. Модель настроили год назад, рынок и продукт изменились, а лиды всё ещё получают +20 за признак, который давно не коррелирует со сделками. Лечится регулярной сверкой: раз в месяц-два берите закрытые сделки и проигранные квалификации и проверяйте, различает ли их ваша шкала. Если победители и проигравшие набирают одинаковые баллы — модель ослепла.

Третья — скоринг без SLA. Баллы посчитаны, лиды ранжированы, но горячие всё равно ждут два дня, потому что «руки не дошли». Скоринг лидов работает только в связке с правилами обработки: балл определяет очередь и срок реакции, и этот срок контролируется так же строго, как сам расчёт. Четвёртая — забыть про отрицательные сигналы: контакт, попросивший больше не писать, обязан мгновенно попадать в стоп-лист всей системы, а не только терять баллы.

Как это устроено в связке с CRM: чек-лист внедрения

Скоринг живёт там же, где живут ответы. В LDM ответы на кампании падают в CRM привязанными к контакту и компании: видно, из какого сегмента лид, кто он по должности, что именно ответил и как быстро. Классификация ответов размечает намерение, фит подтягивается из данных сегментации — и очередь SDR выстраивается по корзинам автоматически, а «не пишите» уходит в стоп-лист без ручных действий.

Внедрять скоринг стоит после первой же кампании, давшей больше десятка ответов, — именно в этот момент появляется очередь и цена ошибки приоритизации. Ниже — минимальный чек-лист запуска.

• Выписаны 5–7 критериев фита с весами и стоп-факторами
• Определена шкала намерений по содержанию ответа
• Заданы три корзины и SLA для каждой (час / день / реактивация)
• Отрицательный сигнал = автоматический стоп-лист
• Очередь SDR сортируется по корзине, а не по времени поступления
• Назначена дата первого пересмотра модели по фактическим сделкам

Вопросы и ответы