ИИ-скоринг лидов: как автоматически ранжировать заявки по вероятности покупки

ИИ-скоринг лидов — это ранжирование входящих заявок по вероятности покупки на основе модели, которая обучена на исторических данных о сделках: кто купил, кто нет, и по каким признакам это можно было предсказать заранее. В отличие от ручной балльной системы, модель не следует статичным правилам «+10 баллов за корпоративную почту», а сама находит комбинации признаков, которые реально коррелируют с конверсией в оплату. На выходе отдел продаж получает не список заявок в хронологическом порядке, а список, отсортированный по вероятности сделки — и звонит сначала туда, где шанс выше.

Дальше — как это устроено внутри, какие данные нужны, чем модель отличается от привычного лид-скоринга по баллам, и где чаще всего теряют деньги при внедрении.

Зачем скоринг лидов вообще нужен

Если у вас 50 заявок в день и два менеджера, вопрос приоритизации решается интуицией — опытный продажник и так чувствует «горячего» клиента с первого сообщения. Проблема начинается на масштабе: 300–500 заявок в день, несколько каналов, текучка в отделе продаж, разная квалификация менеджеров.

В этой ситуации без приоритизации происходит то, что вы наверняка наблюдали в своей воронке: менеджеры физически не успевают отработать все лиды в течение первого часа — а именно первый час критичен для конверсии, особенно в B2C и услугах. Заявки обрабатываются в порядке поступления, а не в порядке ценности. В итоге тёплый лид с высоким чеком может лежать в очереди за десятком мусорных обращений, пока не остынет.

Скоринг — это способ переставить порядок обработки так, чтобы дефицитный ресурс (время менеджера) уходил туда, где отдача выше. Это прямое влияние на P&L: та же команда продаж при том же потоке лидов закрывает больше сделок просто за счёт правильной очерёдности звонков.

Чем ИИ-скоринг отличается от балльной модели

Классический лид-скоринг — это таблица правил: заполнил телефон — плюс 5 баллов, открыл три письма — плюс 3, должность «директор» — плюс 10. Правила придумывает маркетолог на основе гипотез и интуиции, а веса подбираются на глаз и живут годами без пересмотра.

ИИ-скоринг вместо гипотез использует статистику. Модель (чаще всего — градиентный бустинг или логистическая регрессия, для сложных случаев — нейросети) обучается на массиве закрытых сделок и сама находит, какие признаки и в каких сочетаниях реально предсказывают покупку. Часто результат контринтуитивен: например, модель может обнаружить, что заявки с определённого источника трафика в вечернее время конвертируются заметно хуже, чем те же заявки утром — паттерн, который вручную никто не заложил бы в правила, потому что его не видно на глаз.

Ключевой практический вывод: если у вас меньше пары сотен закрытых сделок в истории и продукт со сложным циклом продаж, ИИ-модель просто не на чем обучить — она либо переобучится на шум, либо не превзойдёт по точности разумно составленные балльные правила. В этом случае честнее оставить ручной скоринг и вернуться к вопросу через полгода-год, когда накопится база.

На каких данных строится модель

Модель скоринга обучается на трёх типах данных, и качество прогноза напрямую зависит от того, насколько полно и чисто они собраны.

• Данные о самом лиде — источник трафика, канал, устройство, географию, время обращения, содержание заявки (если это текст или бриф).
• Поведенческие данные — что человек делал до заявки: какие страницы смотрел, сколько раз возвращался на сайт, открывал ли письма, взаимодействовал ли с чат-ботом.
• Данные из CRM о финале воронки — купил или нет, за сколько дней, с каким чеком, отвалился ли на каком-то этапе и почему.

Без последнего пункта скоринг вообще не работает: модели нужен размеченный результат, чтобы понять, какие признаки на входе действительно вели к оплате. Именно поэтому первый практический шаг перед любым ИИ-скорингом — навести порядок в CRM-маркетинге: убедиться, что каждая сделка доведена до статуса «выиграна» или «проиграна», что причины проигрыша фиксируются, а не теряются, и что источник лида не «пропадает» при передаче между отделами.

Отдельно стоит сказать про качество разметки воронки. Если у вас в CRM половина сделок висит в статусе «в работе» месяцами, а на деле давно отвалилась, модель обучится на искажённых данных и будет систематически завышать оценки. Это одна из самых частых причин, почему внедрённый скоринг через полгода тихо перестают использовать — не потому что технология плохая, а потому что данные на входе были грязные.

Как выглядит процесс внедрения

Разберём внедрение по этапам — без раскрытия конкретной методологии, но с пониманием логики, достаточным для постановки задачи команде или подрядчику.

1. Аудит данных. Оцените глубину истории (нужно от полугода-года закрытых сделок), полноту разметки в CRM, наличие поведенческих данных из аналитики и рекламных кабинетов.
2. Формулировка целевой метрики. Что именно предсказываем — вероятность оплаты, вероятность дойти до встречи, LTV клиента? От выбора метрики зависит вся модель.
3. Сбор и подготовка признаков. Объединение данных из CRM, сайта, рекламных кабинетов и телефонии в единый датасет с общим ключом — обычно ID лида.
4. Обучение и валидация модели. Тестирование на исторических данных, которые модель не видела при обучении, чтобы оценить реальную точность, а не точность на «знакомых» примерах.
5. Пилот на части трафика. Запуск скоринга параллельно со старым процессом на ограниченной выборке лидов, сравнение конверсии.
6. Встраивание в рабочий процесс продаж. Скор должен появляться там, где менеджер реально работает — в карточке CRM, а не в отдельном отчёте, который никто не открывает.
7. Регулярное переобучение. Рынок, каналы и продукт меняются — модель без обновления данных «протухает» за несколько месяцев.

Отдельно отмечу пункт 6 как самый недооценённый. Технически рабочая модель, чей результат не встроен в интерфейс, которым пользуется отдел продаж каждый день, обычно умирает через месяц-два — не потому что она плохая, а потому что менеджеры возвращаются к привычному порядку работы, как только скор перестаёт быть у них перед глазами.

Где здесь ИИ-агенты, а не просто модель

Скоринг — это одна задача, но на практике её всё чаще встраивают в более широкий контур автоматизации: модель не просто присваивает балл, а запускает следующее действие — постановку задачи менеджеру, автоматическое сообщение лиду, изменение приоритета в очереди звонков. Это уже пересекается с логикой ИИ-агентов для бизнеса — систем, которые не просто считают, а действуют на основе расчёта.

Разница принципиальна с точки зрения ответственности. Скоринговая модель — это рекомендация, решение по-прежнему принимает менеджер или маркетолог. Агентная надстройка автоматизирует и само действие: например, автоматически исключает низкоскоринговые лиды из платного ретаргетинга или переставляет очередность в диалере. Второе даёт больше эффекта, но требует более высокого доверия к модели и чёткого понимания, где она ошибается и с какой ценой.

Как оценивать точность и не обмануть себя

Скоринг легко продать себе как «работает», даже когда он не работает — потому что менеджеры и так интуитивно приоритизируют похожим образом, и разница на глаз незаметна. Оценивать нужно цифрами, а не ощущением.

Базовая проверка — сравнение конверсии топ-квантиля лидов (например, верхних 20% по скору) с конверсией случайной выборки того же размера за тот же период. Если модель работает, конверсия в топ-группе должна быть заметно выше средней — по разным оценкам, в зрелых внедрениях кратно выше, чем в среднем по потоку. Если разница на уровне статистической погрешности — модель не даёт прироста, и внедрение нужно пересматривать.

Дальше стоит смотреть на связку с бизнес-метриками, а не только с техническими показателями модели (точность и полнота предсказаний — это язык для дата-сайентистов, а не для отчёта перед CMO или собственником). Управленческий язык — это ключевые показатели работы маркетолога: изменилась ли скорость обработки лида, выросла ли конверсия из лида в сделку, снизилась ли стоимость привлечения клиента при том же бюджете за счёт более точного распределения усилий продаж.

Важно замерять эффект в динамике, а не разово. Модель может показать хороший результат в первый месяц просто за счёт эффекта новизны — менеджеры внимательнее относятся к новому инструменту. Устойчивый эффект проверяется на горизонте минимум в один-два квартала.

Где скоринг встраивается в воронку

Скоринг лидов не существует в вакууме — это один узел в общей маркетинговой воронке, и его эффект сильно зависит от того, что происходит до и после этой точки.

До скоринга — качество трафика. Если источники приводят преимущественно нецелевую аудиторию, никакая модель не спасёт: она просто отсортирует мусор по степени менее-мусорности. Скоринг усиливает эффективность работы с уже более-менее качественным потоком, но не заменяет работу над таргетингом и позиционированием на входе в воронку.

После скоринга — процесс продаж. Если у отдела продаж хромает скрипт, долгий отклик или слабая квалификация менеджеров, даже идеально отсортированные горячие лиды будут теряться на этапе разговора. Скоринг перераспределяет внимание, но не компенсирует дыры в самом процессе закрытия сделки.

Частые ошибки

• Запуск модели без чистой истории сделок. Если в CRM нет достоверной разметки «купил / не купил» за прошлые месяцы, модели не на чем учиться — результат будет хуже интуиции опытного продажника.
• Игнорирование пересмотра модели. Скоринг, обученный год назад и ни разу не переобученный, теряет точность по мере того, как меняются каналы трафика, продукт и поведение аудитории.
• Скор без встраивания в рабочий инструмент продаж. Отчёт по скорингу, который лежит в BI-системе и никто в него не заходит, не влияет ни на одну реальную сделку.
• Слепое доверие к модели без объяснимости. Если менеджеры не понимают, почему лид получил высокий или низкий скор, они начинают его игнорировать при первом же заметном промахе модели.
• Подмена работы с качеством трафика скорингом. Скоринг сортирует то, что есть, но не превращает нецелевой трафик в целевой — это разные задачи с разными инструментами.
• Оценка эффекта по ощущениям, а не по цифрам. Без сравнения конверсии по квантилям скора легко принять желаемое за действительное и продолжать использовать модель, которая не даёт реального прироста.
• Слишком ранний запуск на маленьких данных. Попытка обучить модель на 50–100 сделках чаще даёт переобучение на случайных совпадениях, а не реальную закономерность.

FAQ

Сколько данных нужно, чтобы запустить ИИ-скоринг лидов?

Ориентир — от нескольких сотен закрытых сделок в истории, с чёткой разметкой результата (купил / не купил) и достаточным набором признаков по каждой заявке. Чем сложнее цикл продажи и выше средний чек, тем больше данных нужно для устойчивой модели — в сегментах с длинным B2B-циклом счёт может идти на тысячи сделок.

Можно ли обойтись без ИИ и использовать обычный балльный скоринг?

Да, и для многих компаний это разумный выбор — особенно если объём данных небольшой или продукт новый. Балльный скоринг проще внедрить, легче объяснить команде продаж, и он не требует специализированной аналитической экспертизы. ИИ-скоринг оправдан там, где объём заявок и история сделок уже достаточно велики, чтобы модель нашла закономерности, которые не видны в ручных правилах.

Как часто нужно переобучать модель скоринга?

Универсального правила нет, но на практике модель стоит пересматривать при заметных изменениях в источниках трафика, продуктовой линейке или ценообразовании, а также планово — раз в квартал или полугодие, даже если явных изменений не видно.

Кто должен отвечать за внедрение скоринга — маркетинг или продажи?

Это совместная зона ответственности. Маркетинг и аналитика отвечают за данные и модель, продажи — за то, чтобы результат скоринга реально использовался в работе с заявками. Если одна из сторон выключена из процесса, внедрение обычно буксует: либо модель строится на неполных данных, либо готовый инструмент не приживается в отделе продаж.

Заменяет ли ИИ-скоринг квалификацию лида менеджером?

Нет. Скоринг — это приоритизация очереди, а не замена диалога с клиентом. Модель говорит, с кем разговаривать в первую очередь, но саму квалификацию, выявление потребности и закрытие сделки по-прежнему делает человек.

Как объяснить руководству ценность ИИ-скоринга в деньгах, а не в метриках модели?

Переведите эффект в понятные P&L-показатели: рост конверсии из лида в сделку, снижение стоимости привлечения клиента при том же бюджете, сокращение времени первого отклика на горячие заявки. Технические метрики модели (точность, полнота) оставьте для команды аналитики — собственнику и CMO нужен ответ на вопрос «сколько дополнительных сделок и денег это дало».

Работает ли скоринг для B2B с длинным циклом сделки?

Работает, но требует больше времени на накопление данных и осторожнее относится к промежуточным сигналам — во многих B2B-циклах от заявки до оплаты проходят месяцы, и модель должна учитывать не только факт покупки, но и промежуточные этапы воронки (встреча, коммерческое предложение, тестовый период), иначе просто не наберётся достаточно размеченных примеров для обучения.

Если вы хотите не просто прочитать про ИИ-скоринг, а разобраться, как выстроить работающую систему аналитики и автоматизации вокруг всей воронки — от лида до оплаты — приходите на интенсив Marketing OS: там разбираем, как это делать на практике, на примерах из реальных компаний.