Лид-скоринг для холодных B2B-рассылок: как приоритизировать базу перед отправкой

База в 5000 компаний редко бывает однородной: часть из них — почти идеальный клиент, часть — случайно попавшие в выгрузку организации не той отрасли или размера. Без приоритизации письма уходят всем в одном порядке, и сильные лиды получают ровно то же внимание, что и слабые. Разберём, как построить простую модель скоринга, которая ставит вперёд очереди тех, кто реально может купить.

Зачем скорить базу, если письма и так уходят автоматически

Автоматизация отправки решает вопрос «как физически разослать письма», но не отвечает на вопрос «кому в первую очередь». Без приоритизации система обычно отправляет по порядку загрузки в базу или по алфавиту — критерий, никак не связанный с тем, кто на самом деле готов купить.

У этого есть цена. Лимиты на прогретые домены ограничены — десятки, а не тысячи писем в день с ящика. Если в начале очереди случайно оказались компании не той отрасли или слишком маленькие для продукта, самые перспективные лиды получат письмо через две-три недели, когда часть бюджета уже распределена, а сотрудник, о котором был инфоповод, сменил должность.

Скоринг решает эту проблему смещением порядка: сильные лиды идут в первую волну, пока ресурс отправки и внимание команды продаж максимальны, а слабые — позже или в отдельный, менее приоритетный поток.

Есть и вторичный эффект, который часто недооценивают: скоринг экономит время команды продаж на квалификацию входящих ответов. Если менеджер заранее видит, что ответивший контакт набрал высокий балл по fit и по сигналам намерения, он тратит меньше времени на выяснение, стоит ли вообще разговаривать с этой компанией, и быстрее переходит к содержательному диалогу.

Из чего строится модель скоринга

Полезно разделить скоринг на два слоя, которые отвечают на разные вопросы. Fit-скоринг компании отвечает на вопрос «похожа ли эта компания на нашего клиента» — по отрасли, размеру, региону, технологиям, которые она использует. Скоринг контакта отвечает на вопрос «этот конкретный человек — тот, кто принимает или влияет на решение, и есть ли сигнал, что он сейчас открыт к разговору».

Оба слоя суммируются в итоговый балл лида, но считать их стоит раздельно: сильная компания с неподходящим контактом (не ЛПР, слишком младшая должность) даёт средний приоритет, а не высокий, и наоборот.

• Fit компании: отрасль, размер по выручке или числу сотрудников, регион, использование смежных инструментов
• Fit контакта: должность и уровень принятия решений, срок работы в компании, наличие рабочего email
• Сигналы намерения: рост штата по нужному направлению, недавний раунд инвестиций, смена руководителя, выход на новый рынок
• Негативные сигналы: недавний отказ от похожего предложения, статус «уже в стоп-листе» у связанной компании, признаки сокращения штата

Как назначить веса и не переусложнить модель

Соблазн — сделать модель с двадцатью параметрами и точными весами до десятых долей. На практике это усложняет поддержку модели и не даёт ощутимо лучший результат, чем три-пять понятных критериев с целыми весами.

Рабочий подход — взять 15–20 закрытых сделок за последние месяцы, посмотреть, что общего у компаний и контактов, которые дошли до сделки, и выделить два-три признака, которые действительно повторяются. Именно они и становятся ядром модели, остальное — вспомогательные модификаторы.

Если истории закрытых сделок пока нет или её мало, стартовую модель можно построить от обратного — описать портрет клиента, с которым сделка заведомо не сложится: не та отрасль, слишком маленький штат, нет бюджетной роли у контакта. Такие критерии дают отрицательные баллы или вовсе исключают лида из очереди ещё до того, как накопится достаточно данных для полноценной положительной модели.

Где брать данные для скоринга

Базовые поля — отрасль, размер, регион — обычно уже есть в карточке компании после импорта или обогащения через справочники вроде ЕГРЮЛ. Сложнее с сигналами намерения: они требуют регулярного мониторинга открытых источников — вакансий компании, новостей, обновлений сайта, упоминаний в отраслевых изданиях.

Не всегда нужно собирать все сигналы вручную: часть данных можно получить при обогащении базы автоматическими коннекторами, часть — оставить как ручную пометку менеджера после разговора или ответа на письмо. Комбинация автоматических и ручных сигналов обычно точнее любого одного источника.

Важно не путать частоту обновления разных типов данных. Отрасль и размер компании меняются редко, и их можно перепроверять раз в несколько месяцев при плановом обогащении базы. Сигналы намерения, наоборот, живут неделями: вакансия, открытая два месяца назад, уже не показатель активного роста, а смена руководителя полугодовой давности перестала быть инфоповодом для первого письма. Модель скоринга должна учитывать эту разницу в весах — чем свежее сигнал, тем выше его вклад в итоговый балл.

Как использовать скоринг в очереди отправки

Скоринг имеет смысл, только если он влияет на реальный порядок отправки, а не остаётся цифрой в отчёте. Практическая схема — разбить базу на три уровня приоритета: высокий балл уходит в первую волну с самым персонализированным письмом и ручным контролем, средний — во вторую волну с более шаблонным подходом, низкий — либо откладывается, либо идёт по облегчённому сценарию с меньшим числом follow-up.

Это же распределение стоит использовать для лимитов отправки: если ящик может отправить 40 писем в день, 25 из них логично отдать высокоприоритетным лидам, а не делить поровну между всеми уровнями.

Как скоринг связан с размером сегмента и скоростью прогрева

На свежих доменах, где дневной лимит отправки ещё маленький, роль скоринга даже выше, чем на зрелой инфраструктуре: если в сутки можно отправить всего 15–20 писем с ящика, каждое из них должно уходить максимально перспективному лиду, а не случайному контакту из середины списка. Ошибка в приоритизации на этом этапе стоит дороже, потому что весь ограниченный ресурс прогрева уходит не туда.

По мере роста лимитов отправки жёсткость приоритизации можно немного смягчать — добавлять в очередь контакты со средним баллом наравне с высокоприоритетными, потому что объём отправки уже позволяет охватывать более широкий срез базы без ущерба для качества. Таким образом скоринг не статичен: он должен пересматриваться не только по данным о лидах, но и по стадии прогрева инфраструктуры, через которую эти лиды получают письма.

Частые ошибки при построении скоринга

• Скоринг только по формальным признакам компании без учёта должности и вовлечённости контакта
• Разовый расчёт баллов при заливке базы без пересчёта — сигналы намерения устаревают за несколько недель
• Слишком много критериев с близкими весами — модель теряет предсказательную силу и превращается в шум
• Игнор обратной связи от продаж — если менеджеры массово жалуются на качество «высокоприоритетных» лидов, веса модели нужно пересматривать
• Скоринг без разделения на fit компании и fit контакта — сильная компания с нерелевантным контактом получает завышенный приоритет

Вопросы и ответы