Checklist per il lead scoring: fit, comportamento, soglie e feedback
8 Settembre 2026 · Strategia
Perché usare questa checklist
Nel lead scoring la checklist serve a verificare che il punteggio ordini davvero l’azione dichiarata: mette a confronto criteri di fit, segnali comportamentali, soglie e riscontri delle vendite, senza trasformare il modello in una scorciatoia per la qualifica.
Questo schema distingue gli ingredienti dello score dal lavoro necessario per decidere a chi dare seguito.
Scarica l’infografica (PNG ad alta risoluzione)
Incorpora l’infografica nel tuo sito
Puoi ripubblicare l’infografica usando questo codice, con il collegamento all’articolo originale.
Definire la decisione
Priorità di chiamata, nurturing, selezione account e passaggio alle vendite sono azioni diverse e possono richiedere modelli separati.
Separare fit, interesse e lifecycle
Firmografia e bisogno descrivono compatibilità; azioni digitali descrivono segnali; opportunità e cliente sono stati e non punteggi.
Valutare qualità dei dati
Campi mancanti, tracking parziale, bot e identità anonime limitano il modello. Più regole non correggono dati fragili.
Documentare pesi e decadimento
Ogni peso deve avere un’ipotesi. I segnali vecchi o ripetuti devono decadere o essere limitati.
Validare contro esiti
Precisione, falsi positivi, tempi e opportunità mostrano se lo score migliora il processo. Un modello inutile va semplificato.
Checklist operativa
| Area | Controllo | Evidenza richiesta | Priorità |
|---|---|---|---|
| Decisione | È definita l’azione che il punteggio deve ordinare? | Scoring brief | Alta |
| Owner | Marketing e vendite condividono uso e responsabilità? | RACI | Alta |
| Fit azienda | Settore, paese, dimensione e account sono affidabili? | Data quality report | Alta |
| Fit bisogno | Problema e offerta servibile sono raccolti? | Qualification fields | Alta |
| Comportamento | Eventi selezionati hanno significato e contesto? | Signal dictionary | Alta |
| Lifecycle | Stati CRM restano separati dallo score? | Lifecycle governance | Alta |
| Pesi | Ogni peso ha evidenza o ipotesi documentata? | Weight rationale | Alta |
| Decay | Recency e ripetizione sono gestite? | Decay rules | Media |
| Negativi | Spam, candidature, supporto e fuori target sono esclusi? | Exclusion taxonomy | Alta |
| Soglie | Ogni fascia attiva un’azione concreta e reversibile? | Threshold/action map | Alta |
| Validazione | Il modello è confrontato con esiti storici e pilota? | Validation report | Alta |
| Revisione | Cambi di dati, offerte e comportamento aggiornano il modello? | Review trigger | Alta |
Come compilare la checklist
Per ciascuna riga va esaminato l’artefatto pertinente — per esempio il dizionario dei segnali, una regola di decadimento o il report sui falsi positivi — e va controllato anche il comportamento effettivo nel CRM. «Conforme» indica piena corrispondenza tra regola e applicazione; «parziale» segnala eccezioni o copertura limitata; «non conforme» richiede una correzione; «non applicabile» è ammesso solo quando quel controllo non incide sull’uso dichiarato dello score.
| Esito | Significato | Azione |
|---|---|---|
| Conforme | Regola applicata, provata e assegnata. | Mantenere e fissare la revisione. |
| Parziale | Pratica esistente ma incompleta o non misurabile. | Definire lacuna, owner e scadenza. |
| Non conforme | Controllo assente o problema osservato. | Aprire backlog e gestire dipendenze. |
| N/A | Controllo estraneo al perimetro. | Documentare la motivazione. |
Controlli bloccanti
Decisione
È definita l’azione che il punteggio deve ordinare? L’evidenza minima è “Scoring brief”. Il controllo è bloccante quando la sua assenza rende inaffidabili dati, decisioni o attività successive. Deve avere un owner e un criterio di chiusura.
Owner
Marketing e vendite condividono uso e responsabilità? L’evidenza minima è “RACI”. Il controllo è bloccante quando la sua assenza rende inaffidabili dati, decisioni o attività successive. Deve avere un owner e un criterio di chiusura.
Fit azienda
Settore, paese, dimensione e account sono affidabili? L’evidenza minima è “Data quality report”. Il controllo è bloccante quando la sua assenza rende inaffidabili dati, decisioni o attività successive. Deve avere un owner e un criterio di chiusura.
Fit bisogno
Problema e offerta servibile sono raccolti? L’evidenza minima è “Qualification fields”. Il controllo è bloccante quando la sua assenza rende inaffidabili dati, decisioni o attività successive. Deve avere un owner e un criterio di chiusura.
Comportamento
Eventi selezionati hanno significato e contesto? L’evidenza minima è “Signal dictionary”. Il controllo è bloccante quando la sua assenza rende inaffidabili dati, decisioni o attività successive. Deve avere un owner e un criterio di chiusura.
Lifecycle
Stati CRM restano separati dallo score? L’evidenza minima è “Lifecycle governance”. Il controllo è bloccante quando la sua assenza rende inaffidabili dati, decisioni o attività successive. Deve avere un owner e un criterio di chiusura.
Output obbligatori
- Scoring decision brief
- Fit/signal dictionary
- Weight, decay e exclusion rules
- Threshold/action workflow
- Validation e monitoring report
I cinque output devono permettere di ricostruire perché un lead entra in una fascia, quale azione scatta e come viene valutato l’esito. Il lavoro può dirsi chiuso solo dopo aver provato regole, esclusioni, soglie e passaggi CRM su casi rappresentativi, registrando le correzioni emerse dalla validazione.
Scenario applicativo
Il modello assegna punti a ogni visita e download. Studenti e candidati superano la soglia, mentre account strategici con poche visite restano invisibili.
La checklist separa fit e comportamento, esclude intenti non commerciali e usa il punteggio per ordinare una coda sottoposta a validazione umana.
Errori da evitare
- Creare uno score perché il CRM lo permette.
- Mescolare fit e lifecycle.
- Dare punti a ogni click.
- Non usare decay.
- Ignorare dati mancanti e bot.
- Non verificare falsi positivi.
Domande frequenti
Quanti segnali servono?
Pochi segnali affidabili, comprensibili e collegati a una decisione.
Lo score può creare automaticamente un MQL?
Può attivare una revisione; la qualifica richiede criteri e spesso controllo umano.
Serve machine learning?
Solo con volume, dati, governance e beneficio sufficienti; un modello trasparente è spesso più gestibile.
Approfondisci il servizio: Consulenza marketing B2B.