Lead scoring B2B: un modello leggibile che non premia soltanto download e clic
20 Ottobre 2026 · Dati e misurazione
Il lead scoring promette di risolvere un problema reale: quando i contatti sono numerosi, da quali conviene partire? La risposta più comune consiste nell’assegnare punti a visite, aperture, download e ruolo professionale. Il risultato sembra preciso, ma può premiare chi naviga molto e ignorare chi ha un progetto concreto espresso in poche righe.
Un modello utile non deve indovinare il futuro. Deve ordinare il lavoro, rendere esplicite le ipotesi e mostrare perché un record riceve priorità.
La matrice riporta le decisioni indicative già presenti nel testo, senza assegnare nuovi pesi o soglie.
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.
Prima domanda: quale decisione deve sostenere il punteggio?
“Valutare i lead” è troppo generico. Il punteggio può servire a:
- scegliere chi contattare per primo;
- decidere quali record inviare alle vendite;
- attivare un percorso di nurturing;
- individuare account con interesse distribuito;
- segnalare un cambiamento significativo in un cliente esistente.
Un solo score raramente svolge bene tutte queste funzioni. È più leggibile separare almeno fit e interesse, oppure usare code specifiche per eventi ad alta intenzione.
Fit e interesse rispondono a domande diverse
Il fit descrive la compatibilità dell’account con ciò che l’azienda può servire. Può considerare settore, territorio, dimensione, tecnologia, applicazione, capacità o modello di acquisto. L’interesse descrive segnali osservati: richiesta demo, visita a una pagina di integrazione, ritorno sul sito, risposta a un’email, partecipazione a un webinar.
Una matrice semplice evita che i due piani si confondano:
| Fit | Interesse | Decisione indicativa |
|---|---|---|
| Alto | Alto | verifica commerciale prioritaria |
| Alto | Basso | sviluppo mirato o monitoraggio |
| Basso | Alto | controllare compatibilità prima di investire tempo |
| Basso | Basso | nessuna priorità o esclusione |
Il punteggio totale può nascondere combinazioni opposte. Cinquanta punti di fit e zero di interesse non equivalgono a dieci di fit e quaranta di attività.
Gli eventi non valgono per la loro facilità di tracciamento
Aprire un’email è facile da registrare ma ambiguo. Inviare una richiesta con un file tecnico è meno frequente ma molto più informativo. Conviene assegnare priorità in base alla vicinanza alla decisione e alla specificità dell’azione.
Una possibile gerarchia:
- segnali diretti: richiesta di offerta, demo, chiamata, risposta con progetto;
- segnali di valutazione: pagine su condizioni, integrazioni, confronto, documentazione;
- segnali di esplorazione: guide, webinar, newsletter;
- segnali deboli: singola visita, apertura o interazione generica.
La recenza conta. Dieci visite di un anno fa non dovrebbero prevalere su una richiesta attuale. Si può applicare un decadimento o usare finestre temporali, purché la regola sia comprensibile.
Punteggi negativi ed esclusioni dure
Un buon modello sa anche togliere priorità. Segnali possibili:
- territorio non servito;
- dominio personale quando è richiesto un rapporto aziendale;
- ruolo studente o candidato;
- cliente già attivo in percorso di assistenza;
- quantità sotto il minimo;
- settore incompatibile;
- indirizzo temporaneo o dati palesemente falsi;
- inattività prolungata dopo tentativi documentati.
Le incompatibilità certe non dovrebbero essere compensate da molti clic. È meglio una regola di esclusione che meno cento punti arbitrari.
Il punteggio dell’account è diverso da quello della persona
In un acquisto complesso, più persone della stessa organizzazione possono interagire. Un singolo contatto sembra poco attivo, ma l’account mostra visite da tecnico, acquisti e direzione. Aggregare i segnali può essere utile, ma richiede cautela:
- riconoscere correttamente domini e gruppi societari;
- non unire aziende diverse che usano provider comuni;
- distinguere clienti, partner e prospect;
- non trasformare la semplice crescita di contatti in intenzione;
- mantenere visibile chi ha compiuto l’azione.
Il modello può produrre un “account da osservare” senza promuovere automaticamente ogni persona a MQL.
Costruire il modello dai dati disponibili
Un metodo pratico parte da casi storici:
- Selezionare clienti, opportunità perse e lead esclusi dello stesso periodo.
- Ricostruire i segnali disponibili prima della decisione, evitando dati aggiunti dopo.
- Identificare elementi ricorrenti, ma anche assenze importanti.
- Tradurre soltanto i segnali spiegabili in regole iniziali.
- Testare il ranking su un campione non usato per costruirlo.
- Far valutare alle vendite i primi e gli ultimi record.
- Correggere errori sistematici, non il singolo caso eccezionale.
Con pochi dati non serve fingere un modello predittivo. Una scorecard manuale e trasparente può essere più affidabile di una formula complessa.
Un esempio di modello leggibile
| Dimensione | Regola | Peso indicativo |
|---|---|---|
| Fit settore | segmento prioritario confermato | +20 |
| Fit applicazione | problema compatibile | +25 |
| Territorio | area servita | +10 |
| Richiesta diretta | demo, RFQ o call | +35 |
| Valutazione | visita ripetuta a pagine decisionali | +10 |
| Recenza | attività negli ultimi 14 giorni | +10 |
| Cliente/assistenza | percorso non di acquisizione | esclusione |
| Fuori capacità | requisito incompatibile | esclusione |
Le soglie non sono il cuore del modello. Conta che ogni punto corrisponda a un dato affidabile, che le esclusioni siano chiare e che il commerciale possa vedere la spiegazione.
Validare con metriche appropriate
La domanda non è “quanti MQL genera lo score?”, ma “ordina meglio il lavoro?”. Si possono osservare:
- tasso di accettazione per fascia;
- opportunità per fascia;
- tempo speso su record senza fit;
- falsi positivi: score alto ma esclusione rapida;
- falsi negativi: clienti arrivati da score basso;
- distribuzione per fonte e segmento;
- stabilità dopo cambi di campagne o tracking;
- quota di record senza dati sufficienti.
Un modello che migliora la conversione ma esclude sistematicamente un nuovo mercato strategico deve essere corretto. Il punteggio riflette il passato; la strategia può scegliere di esplorare il futuro.
Governance e manutenzione
Ogni modifica dovrebbe avere proprietario, data, motivazione e impatto atteso. Quando cambia un modulo, una tassonomia o la piattaforma di tracking, il significato dei segnali può cambiare. Anche la stagionalità altera il comportamento: un webinar annuale può generare picchi che non indicano intenzione commerciale.
È utile una revisione trimestrale o quando si verificano eventi rilevanti. Le vendite devono poter segnalare errori con motivi strutturati. Non bisogna però riscrivere il modello dopo ogni lead perso: l’eccezione non invalida necessariamente la regola.
Domande frequenti
Qual è una buona soglia per diventare MQL?
Non esiste una soglia universale. Va scelta osservando distribuzione, capacità commerciale e qualità delle fasce, poi verificata su esiti reali.
Conviene usare l’intelligenza artificiale per lo scoring?
Può aiutare con volumi e dati adeguati, ma non sostituisce definizioni, qualità del CRM e controllo dei bias. Un modello opaco con dati poveri rende l’errore meno visibile.
Il lead scoring serve con pochi lead?
Spesso no. Con volumi ridotti sono più utili una qualifica rapida, una coda ordinata e criteri espliciti.
Fonti e riferimenti per la revisione
- HubSpot Knowledge Base — Use lifecycle stages — https://knowledge.hubspot.com/records/use-lifecycle-stages
- HubSpot Knowledge Base — Build lead scores — https://knowledge.hubspot.com/scoring/build-lead-scores
Approfondisci il servizio: Analytics e conversioni.