Joint Lead Scoring: Membangun Scoring Model yang Cocok untuk Marketing dan Sales

Marketing menghabiskan tiga bulan membangun scoring model. Mewawancarai sales, menganalisis data closed-won, mengatur aturan MAP. Kemudian dikirimkan.

Sales melihat batch pertama lead dengan skor tinggi, menelepon beberapa, dan kembali mengerjakan daftar mereka sendiri. Skor, kata mereka, tidak sesuai dengan apa yang mereka lihat dalam akun.

Begitulah sebagian besar proyek lead scoring berakhir. Bukan dengan model yang buruk. Dengan model yang tidak dipercaya siapapun.

Masalahnya biasanya bukan matematikanya. Ini adalah prosesnya. Ketika marketing membangun scoring model dan menyerahkannya ke sales, sales tidak memiliki kepemilikan atas hasilnya. Mereka tidak memutuskan sinyal mana yang penting. Mereka tidak memvalidasi bobotnya. Ketika model menghasilkan lead yang tidak akan mereka hubungi, mereka tidak punya alasan untuk mengikutinya.

Model yang dibangun bersama — di mana kedua tim berkontribusi pada bobot, mengujinya terhadap data closed-won nyata, dan menyetujui ambangnya — adalah satu-satunya jenis yang bertahan dari kontak dengan tim sales. Sebelum membangun model, kedua tim harus sudah menyetujui shared ICP framework — bobot scoring hanya sebaik definisi pelanggan ideal yang mendasarinya.

Fakta Utama: Efektivitas Lead Scoring

• Perusahaan yang menggunakan lead scoring melihat peningkatan 77% dalam ROI pembuatan lead dibandingkan perusahaan yang tidak, menurut penelitian MarketingSherpa tentang praktik kualifikasi B2B.
• Hanya 44% perusahaan yang melaporkan bahwa tim marketing dan tim sales mereka secara formal menyetujui kriteria lead scoring, per survei Demand Gen Report.
• Bisnis dengan praktik lead management dan scoring yang matang menghasilkan 50% lebih banyak lead yang siap sales dengan biaya per lead 33% lebih rendah, menurut Forrester Research.
• Tim sales yang berpartisipasi dalam merancang scoring model 3x lebih mungkin menggunakan lead score dalam prioritisasi, per studi SiriusDecisions tentang alignment lintas fungsi.
• Scoring model yang menyertakan aturan behavioral decay mengungguli model statis sebesar 28% dalam tingkat konversi SQL-to-opportunity, berdasarkan analisis Aberdeen Group.

Scoring Model yang Tidak Digunakan Siapapun

Sebelum sampai pada apa yang harus dibangun, ada baiknya jujur tentang mengapa sebagian besar scoring model gagal. Ikhtisar Forrester tentang individual interest scoring membingkai tantangan utama dengan baik: skor hanya berguna ketika tim yang dimaksudkan untuk dilayaninya mempercayai inputnya.

Masalah 1: Marketing mendefinisikan model secara sepihak. Sales tidak ada di ruangan ketika bobot ditetapkan. Mereka tidak memiliki konteks mengapa kunjungan halaman pricing bernilai 25 poin tetapi kehadiran webinar bernilai 15. Ketika model menghasilkan hasil yang tidak intuitif, mereka tidak cukup mempercayainya untuk mengesampingkan insting mereka.

Masalah 2: Model memberi bobot berlebih pada engagement daripada fit. Pembukaan email, kunjungan blog, klik sosial: ini menggelembungkan skor untuk orang yang tertarik dengan konten tetapi tidak akan pernah membeli. Marketing manager di perusahaan 10 orang yang membaca setiap email yang Anda kirim mendapat skor lebih tinggi daripada VP of Operations di perusahaan target 300 orang yang mengunjungi halaman pricing Anda sekali. Pemenang skor bukan lead yang lebih baik.

Masalah 3: Tidak ada aturan decay. Lead yang mengunduh panduan 14 bulan lalu masih memiliki skor tersebut terlampir. Sinyal engagement lama tidak mencerminkan intent saat ini. Tanpa decay, skor tinggi lama mengotori bagian atas antrean prioritas.

Masalah 4: Model tidak pernah dikalibrasi ulang. Pasar berubah. ICP Anda bergeser. Saluran baru menghasilkan lead dengan kualitas berbeda. Scoring model yang dibangun pada data closed-won tahun lalu bisa jadi salah secara aktif pada saat sudah berjalan selama 18 bulan.

Kepemilikan bersama memperbaiki Masalah 1 secara struktural, karena sales terlibat dalam membangun model dan mereka memiliki konteks untuk bobotnya. Masalah lain memerlukan keputusan desain spesifik, itulah yang dibahas di sisa artikel ini. Jika Anda tidak yakin apakah perusahaan Anda memerlukan scoring formal sama sekali, artikel when you don't need lead scoring membahas kasus di mana kualifikasi yang lebih sederhana mengalahkan sistem scoring.

Model Tiga Dimensi

The Fit + Intent + Behavior Scoring Triangle

The Fit + Intent + Behavior Scoring Triangle adalah scoring model lead tiga dimensi di mana setiap sumbu mengukur kualitas lead yang berbeda — dapat diskor secara independen, dapat dilaporkan secara independen, dan dapat dikalibrasi secara independen.

• Fit (siapa mereka): Sinyal firmografis dan peran yang statis. Kecocokan ICP, senioritas jabatan, tech stack, ukuran perusahaan. Tidak cepat menurun.
• Intent (apa yang mereka teliti sekarang): Sinyal buying-window aktif. Permintaan demo, kunjungan pricing, penelitian kategori G2, topic surge Bombora. Menurun dalam hitungan hari hingga minggu.
• Behavior (seberapa terlibat mereka dengan Anda): Sinyal kedalaman engagement. Kehadiran webinar, unduhan konten, penggunaan trial. Menurun selama 30–90 hari.

Lead perlu melewati ambang minimum pada setidaknya dua dimensi sebelum mencapai status MQL. Perilaku tinggi saja tidak mengkualifikasi lead. Fit tinggi saja tidak mengkualifikasi lead. Segitiga memerlukan setidaknya dua sisi untuk berdiri.

Scoring model yang dibangun di atas tiga dimensi terpisah (fit, intent, dan perilaku) lebih transparan dan mudah dipelihara daripada satu skor komposit karena setiap dimensi dapat dipahami sendiri.

Fit score: Siapa perusahaan dan orangnya. Sinyal statis atau bergerak lambat yang mencerminkan apakah akun ini ada di pasar target Anda.

Intent score: Apa yang sedang mereka teliti secara aktif. Sinyal yang menunjukkan buying window sedang terbuka atau mendekati.

Behavior score: Apa yang telah mereka lakukan dengan konten dan produk Anda. Sinyal engagement yang menunjukkan kedalaman minat.

Setiap dimensi dapat diskor secara terpisah, dilaporkan secara terpisah, dan dikalibrasi secara terpisah. Ketika lead memiliki fit tinggi tetapi intent rendah, itu adalah sinyal yang berguna yang hilang dalam satu angka komposit.

Artikel fit vs. intent scoring membahas lebih dalam tentang tradeoff antara kedua dimensi ini. Artikel ini berfokus pada cara membangun ketiganya bersama.

Fit Scoring: Apa yang Harus Disertakan

Sinyal fit menjawab: "Apakah ini jenis perusahaan dan orang yang harus kami jual?"

Sinyal firmografis (tingkat perusahaan):

Sinyal jabatan/peran (tingkat orang):

Sinyal technology stack: Jika produk Anda berintegrasi dengan atau menggantikan alat tertentu, kontak yang perusahaannya menggunakan alat tersebut adalah fit yang lebih baik daripada yang tidak.

Sinyal fit negatif (disqualifier): Ini sangat penting dan sering dilewati.

Sinyal negatif sama pentingnya dengan sinyal positif. Scoring model tanpa disqualifier menghasilkan skor tinggi untuk orang yang tidak akan pernah membeli.

Intent Scoring: Sinyal Third-Party dan First-Party

Sinyal intent menjawab: "Apakah mereka sedang aktif mencari untuk menyelesaikan masalah ini sekarang?"

Sinyal intent first-party berasal dari properti Anda sendiri. Ini adalah yang paling andal karena Anda telah langsung mengamati perilakunya.

Sinyal intent third-party berasal dari penyedia data yang melacak perilaku penelitian di berbagai situs: G2, Bombora, TechTarget, dan platform serupa. Panduan Gartner tentang lead scoring B2B dengan sinyal intent menunjukkan bahwa perusahaan yang menggunakan intent data bersama kriteria fit firmografis dua kali lebih mungkin mencapai tingkat konversi top-of-funnel 10% atau lebih tinggi.

Intent data third-party sangat kuat tetapi memerlukan anggaran dan pekerjaan integrasi. Jika Anda tidak memilikinya, sinyal first-party saja dapat membangun model yang berfungsi. Sinyal proxy juga bekerja: jika kontak telah mengonsumsi 4+ konten bottom-of-funnel dalam 30 hari, itu adalah sinyal intent yang wajar meskipun tanpa data eksternal.

Cara memberi bobot intent relatif terhadap fit: Untuk sebagian besar motion B2B yang dipimpin inbound, intent harus membawa bobot lebih dari fit ketika keduanya hadir. Perusahaan dengan fit sempurna yang melakukan penelitian aktif lebih berharga dari perusahaan dengan fit sempurna yang mengunduh satu posting blog. Tapi intent tanpa fit masih merupakan kebisingan, jadi beri bobot yang sesuai.

Behavior Scoring: Kedalaman Engagement

Sinyal perilaku menjawab: "Seberapa terlibat orang ini dengan kami secara khusus?"

Engagement konten:

Engagement produk (jika berlaku):

Aturan decay (tidak dapat dinegosiasikan):

Sinyal perilaku lama harus menurun. Lead yang mengunjungi blog Anda 14 bulan lalu tidak sedang terlibat saat ini. Menjalankan skor perilaku lama mereka ke depan meracuni model.

Sebagian besar platform MAP mendukung aturan decay secara native. Jika Anda tidak, jalankan batch job bulanan yang menghitung ulang skor dengan faktor penuaan yang diterapkan.

Artikel lead scoring model decay membahas ini lebih detail.

Menggabungkan Tiga Dimensi

Tiga pendekatan untuk menggabungkan fit, intent, dan perilaku menjadi skor yang dapat digunakan:

Opsi 1: Skor komposit. Tambahkan semua tiga skor dimensi menjadi satu angka. Mudah dilaporkan. Mudah dibandingkan. Tapi kehilangan visibilitas tingkat dimensi. Anda tidak dapat mengetahui apakah skor 85 adalah fit tinggi/intent rendah atau fit rendah/perilaku tinggi.

Opsi 2: Logika threshold (direkomendasikan untuk sebagian besar tim). Definisikan ambang minimum per dimensi. Lead hanya mencapai status MQL jika mencapai minimum pada setidaknya dua dari tiga dimensi. Ini mencegah lead yang terlibat tinggi tetapi fit salah mendapat skor ke MQL.

Contoh logika threshold:

• MQL memerlukan: Fit score ≥ 30 DAN (Intent score ≥ 20 ATAU Behavior score ≥ 25)
• Hot MQL: Fit ≥ 40 DAN Intent ≥ 30

Opsi 3: Model matrix. Laporkan fit dan intent sebagai sumbu terpisah. Fit tinggi/intent tinggi = outreach segera. Fit tinggi/intent rendah = nurture. Fit rendah/intent tinggi = tangani dengan hati-hati. Fit rendah/intent rendah = suppress. Ini memberikan sales konteks paling berguna tetapi memerlukan dukungan UI agar praktis.

Untuk tim dengan MAP dan CRM yang dapat menampilkan beberapa field skor, logika threshold dengan pelaporan dimensi terpisah memberi Anda yang terbaik dari kedua pendekatan.

Kutipan: Perusahaan dengan praktik lead management dan scoring yang matang menghasilkan 50% lebih banyak lead yang siap sales dengan biaya per lead 33% lebih rendah dibandingkan perusahaan yang menggunakan kualifikasi ad hoc, menurut Forrester Research tentang demand generation B2B.

Kutipan: Tim sales yang berpartisipasi dalam merancang scoring model 3x lebih mungkin menggunakan lead score dalam prioritisasi harian dibandingkan tim yang menerima scoring model yang dibangun oleh marketing sendiri, per studi SiriusDecisions tentang alignment lintas fungsi.

Mendapatkan Buy-In Sales pada Model

Kepemilikan bersama bukan sekadar centang kotak. Ini memerlukan langkah-langkah spesifik.

Langkah 1: Wawancarai 3-5 rep sales sebelum membangun. Tanyakan kepada mereka: "Ketika Anda melihat lead baru, apa hal pertama yang Anda periksa? Apa yang membuat Anda memutuskan untuk menelepon segera versus minggu depan? Apa lead terbaik Anda dalam 6 bulan terakhir, dan apa kesamaan mereka?"

Jawaban mereka memberi tahu Anda sinyal mana yang penting dalam praktik. Bukan sinyal mana yang menurut marketing penting.

Langkah 2: Bagikan draft bobot dan minta tantangan. Sajikan logika scoring dengan bobot. Undang ketidaksetujuan. "Marketing memberi kunjungan halaman pricing 35 poin. Apakah itu sesuai dengan apa yang Anda lihat? Ketika seseorang mengunjungi pricing, seberapa sering itu mengarah ke percakapan nyata?"

Di mana sales menolak, jelaskan data yang mendukung bobot atau sesuaikan. Kedua hasil memperkuat model. Ambang skor MQL-to-SQL perlu ditetapkan bersama untuk alasan yang sama — ini adalah output dari model, dan sales harus mempercayai apa yang dihasilkan ambang tersebut.

Langkah 3: Validasi terhadap lead yang diketahui baik dan buruk. Tarik 20-30 deal closed-won dari 12 bulan terakhir. Jalankan logika scoring terhadap catatan lead mereka dan periksa skor mereka. Jika deal terbaik Anda mendapat skor rendah di bawah model, Anda memiliki masalah kalibrasi. Latihan yang sama dengan closed-lost: top closed-lost lead harus mendapat skor lebih rendah daripada top closed-won. Framework kualifikasi lead dalam koleksi lead management menawarkan perspektif tambahan tentang sinyal mana yang sebenarnya membedakan lead yang dapat ditutup dari kebisingan.

Langkah 4: Jalankan pilot sebelum go-live. Beri skor batch lead baru di bawah model baru. Sales meninjau 20 lead yang diberi skor teratas dan menilai apakah mereka setuju dengan prioritisasinya. Kalibrasi berdasarkan umpan balik sebelum diluncurkan secara luas.

Proses ini membutuhkan 4-6 minggu. Ini lebih lambat dari sekadar membangun model sendiri. Tapi ini adalah perbedaan antara model yang diadopsi dan model yang diabaikan.

Analisis Rework: Proses buy-in empat langkah (wawancarai rep, bagikan draft bobot, validasi terhadap data closed-won, jalankan pilot) biasanya membutuhkan 4–6 minggu dan merupakan investasi leverage tertinggi tunggal dalam adopsi jangka panjang scoring model. Tim yang melewati ke "mari kita luncurkan dan sesuaikan nanti" secara konsisten melaporkan hasil yang sama 3–6 bulan kemudian: sales berhenti melihat skor dan mengerjakan daftar mereka sendiri. Langkah pilot paling penting — memberi skor 20 lead nyata dengan tinjauan sales sebelum go-live menampilkan kesalahan kalibrasi sebelum merusak kepercayaan.

Tata Kelola Skor: Siapa yang Mengubah Bobot

Scoring model tanpa tata kelola akan menurun. Seseorang menambahkan poin untuk membuka newsletter karena mudah. Marketing memperbarui halaman produk dan perilaku klik berubah tetapi tidak ada yang memperbarui logika scoring. Bobot yang benar enam bulan lalu sekarang salah.

Tata kelola tidak perlu birokratis. Ini perlu jelas. Template SLA marketing-sales adalah tempat yang baik untuk mendokumentasikan aturan tata kelola bersama dengan komitmen alignment yang lebih luas yang ditandatangani kedua tim.

Rapat tinjauan kuartalan: 45 menit. Tarik data konversi berdasarkan skor dimensi. Tinjau sinyal apa pun yang ditambahkan atau diubah. Konfirmasi model masih dikalibrasi terhadap data closed-won saat ini. Kedua VP hadir.

Menguji dan Memvalidasi Model

Model yang divalidasi terhadap data closed-won adalah standar minimum untuk mempercayainya.

Analisis korelasi: Untuk setiap sinyal dalam model, hitung korelasi antara memiliki sinyal tersebut dan akhirnya menutup sebagai won. Lakukan ini per segmen (SMB vs. mid-market) jika ICP Anda bervariasi. Sinyal dengan korelasi rendah terhadap closed-won harus diberi bobot lebih rendah atau dihapus. Sinyal dengan korelasi tinggi harus diberi bobot lebih tinggi.

Analisis ini tidak memerlukan tim data science. Spreadsheet dengan data closed-won vs. closed-lost dan kolom kehadiran/ketidakhadiran sinyal akan menampilkan korelasi yang Anda butuhkan.

Kalibrasi ulang kuartalan:

• Tarik 90 hari terakhir SQL
• Periksa tingkat konversi SQL-to-opportunity berdasarkan band skor (60-70, 70-80, 80-90, 90+)
• Jika tingkat konversi tidak berkorelasi dengan band skor, model perlu dikalibrasi ulang
• Tarik sinyal apa pun yang ditambahkan dalam kuartal terakhir dan periksa korelasi individualnya dengan konversi
• Analisis conversion rate dari tim Pipeline langsung masuk ke pemeriksaan ini — band skor yang tidak berkorelasi dengan progresi tahap terlihat jelas di sana

Rebuild tahunan penuh: Setiap 12-18 bulan, rebuild model dari awal menggunakan 12 bulan data closed terbaru. Penelitian Gartner tentang predictive lead scoring mengkonfirmasi bahwa model yang dibangun ulang pada data segar secara konsisten mengungguli yang dibiarkan statis — bahkan pergeseran kecil dalam ICP atau saluran Anda dapat membuat bobot yang berusia 18 bulan secara aktif menyesatkan. Kondisi pasar berubah. ICP Anda mungkin sudah bergeser. Model lama yang dibangun pada data usang berkinerja buruk tanpa ada yang menyadarinya karena penurunannya bertahap.

Framework definisi MQL dan ambang scoring harus ditinjau bersama selama rebuild tahunan, karena mereka dirancang untuk selaras.

Kesimpulan

Scoring model yang dibangun kedua tim bernilai lebih dari model sempurna yang hanya dipercaya marketing.

Itu bukan berarti Anda harus membangun model yang buruk untuk mendapatkan buy-in. Ini berarti proses melibatkan sales dalam membangun model (wawancara, tantangan bobot, validasi pilot) membuat model menjadi lebih baik sekaligus lebih diadopsi.

Sales mengetahui hal-hal tentang apa yang membuat lead baik yang tidak dapat dilihat marketing dalam data engagement. Marketing mengetahui hal-hal tentang apa yang menghasilkan sinyal intent yang tidak diamati sales. Model yang dibangun bersama menggabungkan keduanya.

Bangun bersama. Validasi terhadap data nyata. Kelola secara eksplisit. Kalibrasi ulang setiap kuartal.

Tujuannya bukan skor. Ini adalah bahasa bersama untuk prioritisasi, yang digunakan kedua tim karena kedua tim mempercayainya.

Pertanyaan yang Sering Diajukan

Apa itu joint lead scoring?

Joint lead scoring adalah scoring model yang dibangun secara kolaboratif oleh marketing dan sales, di mana kedua tim berkontribusi pada bobot sinyal, memvalidasi model terhadap data closed-won, dan menyetujui ambang MQL/SQL. Elemen "joint" bukan seremonial — ini berarti sales memiliki kepemilikan atas hasilnya, yang merupakan satu-satunya cara scoring model bertahan dari kontak dengan tim sales nyata.

Apa tiga dimensi lead scoring?

Tiga dimensi adalah fit (siapa perusahaan dan orangnya — sinyal firmografis dan peran), intent (apakah mereka sedang aktif meneliti solusi sekarang — kunjungan pricing, permintaan demo, topic surge intent third-party), dan perilaku (seberapa terlibat mereka dengan konten dan produk Anda). Setiap dimensi menurun dengan kecepatan yang berbeda: fit hampir statis, intent menurun dalam hitungan hari, perilaku menurun selama 30–90 hari.

Mengapa sebagian besar scoring model gagal?

Sebagian besar scoring model gagal karena marketing membangunnya secara sepihak (sehingga sales tidak mempercayai atau menggunakannya), mereka memberi bobot berlebih pada sinyal engagement daripada fit (sehingga persona "terlibat tetapi tidak pernah membeli" mendapat skor terlalu tinggi), mereka tidak memiliki aturan decay (sehingga sinyal lama mencemari skor saat ini), dan mereka tidak pernah dikalibrasi ulang terhadap data closed-won saat ini. Kepemilikan bersama mengatasi masalah pertama; tiga lainnya memerlukan keputusan desain yang disengaja.

Bagaimana fit dan intent harus diberi bobot relatif satu sama lain?

Tergantung pada sales motion Anda. Motion yang dipimpin inbound: Fit 50%, Intent 35%, Perilaku 15% — fit adalah pembeda karena inbound sudah memfilter untuk beberapa intent. Motion ABM: Fit 25%, Intent 60%, Perilaku 15% — Anda telah menyaring akun pada fit, jadi intent adalah pemicunya. Motion PLG: Fit 25%, Intent 25%, Perilaku produk 50% — penggunaan trial memprediksi konversi lebih baik dari sinyal tradisional mana pun.

Apa aturan decay dalam lead scoring, dan mengapa penting?

Aturan decay secara otomatis mengurangi skor lead ketika sinyal perilaku menua. Lead yang mengunjungi halaman pricing Anda 14 bulan lalu tidak sedang dalam buying window, tetapi tanpa decay, sinyal lama itu masih berkontribusi pada skor mereka dan dapat mendorong mereka ke bagian atas antrean prioritas. Decay standar: sinyal pada nilai penuh selama 0–30 hari, turun ke 75% pada 31–60 hari, 50% pada 61–90 hari, 25% pada 91–180 hari, dan 0% setelah 180 hari.

Bagaimana kami memvalidasi bahwa scoring model kami berfungsi?

Tarik 90 hari terakhir SQL. Periksa konversi SQL-to-opportunity berdasarkan band skor (60–70, 70–80, 80–90, 90+). Jika band skor yang lebih tinggi tidak mengonversi dengan tingkat yang berarti lebih tinggi, model perlu dikalibrasi ulang. Juga jalankan analisis closed-won vs. closed-lost: 50 deal won teratas Anda harus mendapat skor secara material lebih tinggi dari 50 deal lost teratas Anda. Jika tidak, model tidak memprediksi hasil.

Pelajari Lebih Lanjut

• Fit vs. Intent Scoring
• MQL-to-SQL Score Thresholds
• Lead Scoring Model Decay
• Shared ICP Framework
• MQL Definition Framework
• Lead Qualification Frameworks
• Conversion Rate Analysis
• Glosarium Marketing-Sales Alignment