Il lead scoring è un metodo per decidere quali contatti seguire prima, combinando qualità del fit, ruolo, bisogno, comportamento, urgenza e rischio. Non serve a stabilire chi “vale” e chi no. Serve a distribuire attenzione commerciale limitata sulla base di criteri trasparenti e verificabili.
Quando visitavo ogni giorno i punti vendita, molto prima dei CRM, non tutti richiedevano la stessa attenzione nello stesso momento. Dovevo leggere potenziale, distribuzione, rotazione, relazione e opportunità. Un negozio piccolo poteva meritare attenzione per un bisogno concreto; un cliente grande poteva essere meno prioritario se non c’era spazio per agire. Il principio del lead scoring era già lì: non confondere dimensione, interesse apparente e prossima opportunità.
Oggi abbiamo molti più dati. Il rischio è credere che più dati significhino una decisione migliore. Se il punteggio premia chi apre tre email e ignora chi ha un problema urgente ma comunica poco, il modello organizza male il lavoro con grande precisione.
Che cos’è il lead scoring e che cosa non è
È un sistema di priorità. Assegna un valore a caratteristiche relativamente stabili — settore, dimensione, ruolo, area — e a segnali dinamici — richieste, visite, risposte, eventi, urgenza. Il risultato deve portare a un’azione: chiamare, approfondire, nutrire, attendere o escludere.
Non è una sentenza, una previsione certa o un sostituto della conversazione. Un lead con punteggio alto può non comprare; uno con punteggio basso può rivelare un’opportunità. Il modello riduce il caos, ma deve lasciare spazio all’evidenza nuova.
Fit e intent: la distinzione che protegge il metodo
Il fit misura quanto il contatto assomiglia al cliente che possiamo servire bene: azienda, settore, dimensione, ruolo, geografia, tecnologie, modello d’acquisto. L’intent misura quanto il comportamento indica un problema attivo e una possibile intenzione: richiesta di demo, risposta, visita a pagine specifiche, download, partecipazione a un evento, dichiarazione di urgenza.
| Fit | Intent | Priorità | Azione |
|---|---|---|---|
| Alto | Alto | Immediata | Qualificazione umana |
| Alto | Basso | Strategica | Nurturing mirato |
| Basso | Alto | Da verificare | Capire bisogno e compatibilità |
| Basso | Basso | Bassa | Automazione o esclusione |
Separare le due dimensioni evita di premiare soltanto il rumore digitale o soltanto l’azienda ideale sulla carta.
Le sei dimensioni del mio modello
1. Fit azienda
Valuto settore, dimensione, geografia, complessità e compatibilità con l’offerta. Il cliente ideale non è quello che può pagare di più: è quello per cui possiamo creare valore con buona probabilità e margine sostenibile.
2. Ruolo e potere
Un utente interessato non è necessariamente decisore. Registro ruolo, capacità di influenzare, accesso ad altri stakeholder e responsabilità sul problema. Non svaluto chi non firma: uno sponsor operativo può essere decisivo, purché il processo d’acquisto venga mappato.
3. Bisogno
Il bisogno deve essere riconosciuto, specifico e collegato a conseguenze. “Vorremmo migliorare le vendite” vale poco. “Il tasso di rinnovo è sceso e dobbiamo intervenire prima del prossimo trimestre” è un segnale più forte.
4. Comportamento
Considero azioni ad alta intenzione più delle micro-interazioni. Una richiesta di confronto o la risposta a una domanda pesa più di dieci aperture email. Evito di sommare indefinitamente lo stesso segnale e introduco decadimento nel tempo.
5. Urgenza
Esiste una scadenza esterna, un evento, un costo dell’attesa o una finestra di budget? L’urgenza reale nasce dal contesto del cliente, non dalla data di chiusura che desideriamo inserire nel CRM.
6. Rischio
Sottraggo punti per incompatibilità, assenza di accesso, budget non realistico, dipendenza da una sola persona, conflitti, vincoli legali o storico problematico. Un modello che somma soltanto segnali positivi diventa una macchina di ottimismo.
Un esempio di matrice a 100 punti
| Dimensione | Peso massimo | Esempio di evidenza |
|---|---|---|
| Fit azienda | 20 | ICP, settore, dimensione, area |
| Ruolo e potere | 15 | Decisore, sponsor, accesso |
| Bisogno | 25 | Problema e impatto riconosciuti |
| Comportamento | 15 | Risposta o richiesta ad alta intenzione |
| Urgenza | 15 | Evento e scadenza del cliente |
| Rischio | da 0 a −20 | Ostacoli e incompatibilità |
I pesi sono un esempio, non uno standard. Un’azienda con vendite transazionali userà segnali diversi da una vendita B2B complessa. La validità viene dai dati e dalla revisione, non dall’eleganza della tabella.
Come scegliere i segnali senza premiare il rumore
Parto dagli esiti: quali caratteristiche e comportamenti erano presenti nei lead diventati clienti adatti? Quali comparivano nei lead che hanno consumato tempo senza avanzare? Poi confronto segmenti e periodi. Non uso correlazioni deboli come causalità.
Le interazioni ripetute vanno limitate. Se ogni visita aggiunge punti, un visitatore curioso supera presto un decisore silenzioso. Introduco cap, decadimento temporale e segnali negativi: inattività prolungata, email non valide, area non servita, ruolo incompatibile, rifiuto esplicito.
Le soglie devono attivare azioni
Un punteggio senza regola operativa è una decorazione del CRM. Definisco fasce:
- 0–29: dati insufficienti o basso fit; nessun contatto commerciale automatico.
- 30–59: nurturing o verifica leggera.
- 60–79: qualificazione commerciale entro un tempo definito.
- 80–100: priorità alta, con controllo manuale dei criteri.
Le soglie iniziali sono ipotesi. Vanno confrontate con conversione, qualità, margine, durata del ciclo e feedback dei venditori. Se ogni lead supera 80, il modello non seleziona. Se nessuno lo supera, è inutilizzabile.
Lead scoring e processo commerciale
Il punteggio è utile prima della qualificazione e durante il nurturing; non sostituisce la gestione dell’opportunità. Quando il lead entra in pipeline, diventano centrali problema, stakeholder, criteri, prossima azione e rischio. Il sales forecasting lavora su ciò che prevediamo di chiudere; il lead scoring decide che cosa merita attenzione prima.
Il collegamento con il sales prospecting è altrettanto importante. Lo scoring non deve diventare una scusa per aspettare contatti caldi. Può aiutare a costruire liste e priorità, ma la ricerca attiva resta necessaria.
Il ruolo del venditore e del manager
Il venditore deve poter vedere perché un lead ha un certo punteggio e segnalare eccezioni motivate. Il manager confronta eccezioni e risultati per migliorare il modello. Se l’algoritmo è opaco, le persone lo ignorano o lo seguono senza giudizio.
Negli anni di direzione commerciale ho imparato che un indicatore funziona quando migliora la conversazione. La review non dovrebbe chiedere “perché non hai chiamato il lead 87?”, ma “quale evidenza mancava, che cosa hai scoperto e quale regola dobbiamo correggere?”. È sales coaching, non sorveglianza.
Lead scoring con AI: vantaggi e limiti
L’AI può trovare pattern, aggiornare probabilità e combinare molti segnali. Può anche ereditare bias dai dati storici: se in passato abbiamo trascurato un segmento, il modello potrebbe imparare a trascurarlo ancora. Dati personali, profilazione e automazioni richiedono basi giuridiche, trasparenza e governance adeguate.
Prima di adottare una soluzione valuto il ROI dell’AI: baseline, costi di integrazione e pulizia, qualità delle decisioni e rischio. E uso il protocollo di decisione anti-bias quando il gruppo tende a fidarsi troppo del numero.
Template copiabile per il tuo modello
Prompt per progettare, non automatizzare alla cieca
Prompt: “Aiutami a progettare un modello di lead scoring trasparente. Separa fit, intent, urgenza e rischio. Per ogni segnale chiedimi quale evidenza lo rende utile e quale comportamento indesiderato potrebbe incentivare. Proponi cap, decadimento e segnali negativi. Non inventare pesi definitivi: costruisci tre ipotesi da testare e indica dati, metriche e periodo necessari per validarle.”
Come validare il modello
Confronto punteggi ed esiti su un periodo successivo, non soltanto sugli stessi dati usati per costruire la regola. Misuro conversione per fascia, tempo alla qualificazione, valore e margine, falsi positivi, falsi negativi e copertura dei segmenti. Raccolgo anche il motivo qualitativo delle eccezioni.
Una buona accuratezza media può nascondere esclusioni sistematiche. Controllo quindi se il modello penalizza aree, settori o tipologie di aziende senza una ragione commerciale legittima. La revisione deve avere cadenza e owner.
MQL, SQL e handoff tra marketing e vendite
Il marketing qualified lead non dovrebbe essere semplicemente chi supera una soglia di attività. È un contatto con fit sufficiente e segnali che giustificano una verifica. Il sales qualified lead è stato invece qualificato con evidenze su problema, ruolo, contesto e possibile percorso d’acquisto.
Definisco un accordo tra marketing e vendite: criteri, dati minimi, tempo di presa in carico, esito da registrare e modalità di restituzione. Se le vendite rifiutano un lead, devono indicarne il motivo. Se il marketing modifica una campagna, deve controllare come cambia il mix. Senza questo ciclo, il punteggio diventa terreno di conflitto.
Gli errori più frequenti
Pesi decisi in riunione e mai verificati
L’esperienza aiuta a formulare ipotesi, non a trasformarle in verità. Parto semplice e confronto con gli esiti. Se un segnale pesa venti punti, devo spiegare perché e che cosa accadrebbe se lo riducessi.
Premiare ogni interazione
Download, aperture e visite non hanno lo stesso significato. La ripetizione può dipendere da curiosità, ricerca o automazioni. Attribuisco più peso alle azioni che richiedono intenzione e meno alle metriche facilmente gonfiabili.
Ignorare i segnali negativi
Un lead può accumulare punti per mesi anche dopo aver cambiato azienda, dichiarato assenza di budget o rifiutato. Decadimento e disqualificazione sono necessari quanto l’accumulo.
Usare il modello per giudicare i venditori
Se il team percepisce lo scoring come uno strumento punitivo, smetterà di segnalare eccezioni e problemi. Il modello deve aiutare priorità e apprendimento, non produrre una classifica indiretta delle persone.
Automatizzare il contatto senza leggere il contesto
Un punteggio alto non autorizza una sequenza impersonale. Prima del contatto verifico motivo, storia e canale. La pertinenza vale più della velocità.
Come partire in quattro settimane
Settimana 1: definisci obiettivo, ICP, non-ICP e azioni che il modello deve guidare. Settimana 2: scegli pochi segnali disponibili e costruisci pesi provvisori. Settimana 3: applica il modello a un campione storico e discuti gli errori. Settimana 4: avvia un pilot su un segmento, con revisione manuale.
Non cambierei contemporaneamente scoring, processo, campagne e responsabilità: non sapremmo che cosa ha prodotto il risultato. Un test reversibile conserva apprendimento e limita il rischio.
Governance del modello
Nomino un owner, documento versione e modifiche, definisco accessi e trattamento dei dati, registro fonti e regole. Ogni variazione deve avere ragione, data e metrica attesa. Se uso un fornitore esterno, verifico spiegabilità, portabilità e possibilità di correggere.
Il modello deve essere comprensibile anche a chi non lo ha costruito. Una scheda con dimensioni, pesi, esempi e azioni vale più di un algoritmo misterioso che nessuno osa contestare.
Quali risultati aspettarsi
Non prometto automaticamente più vendite. Un primo risultato realistico è ridurre tempo sui contatti incompatibili e aumentare la velocità di risposta a quelli pertinenti. Poi osservo qualità delle conversazioni, qualificazione, conversione, durata e margine. Se migliorano soltanto le chiamate effettuate, abbiamo misurato attività.
Brainstorming e comunicazione: due competenze complementari
Per costruire criteri migliori può essere utile il brainstorming con ChatGPT, purché porti a ipotesi verificabili e non a una lista infinita. Quando contattiamo il lead, invece, la qualità dipende dalla voce e dalla relazione: la checklist per la comunicazione umana con ChatGPT evita follow-up perfetti ma impersonali.
FAQ sul lead scoring
Che cos’è il lead scoring?
È un sistema che assegna priorità ai contatti combinando caratteristiche, comportamenti, urgenza e rischi per guidare la prossima azione.
Qual è la differenza tra lead scoring e qualificazione?
Lo scoring prioritizza; la qualificazione verifica attraverso dati e conversazioni se esiste un’opportunità reale e compatibile.
Qual è un buon punteggio?
Non esiste una soglia universale. Le fasce vanno calibrate sugli esiti e collegate a specifiche azioni.
Serve l’intelligenza artificiale?
No. Si può iniziare con regole semplici e trasparenti. L’AI è utile quando dati, volume e maturità giustificano maggiore complessità.
Quanto spesso va aggiornato?
Quando cambiano offerta, mercato, ICP o comportamenti, e comunque con una revisione periodica basata su conversioni ed errori.
Il punteggio deve aprire una conversazione
Il lead scoring funziona quando riduce il rumore e rende più intelligenti le azioni. Fallisce quando diventa una classifica opaca, un sostituto della curiosità o una giustificazione per contattare male più persone.
Se vuoi costruire un metodo commerciale in cui strumenti, prospecting, coaching e previsione lavorano insieme, puoi approfondire i percorsi di formazione vendite e negoziazione. La tecnologia conta; il punto decisivo resta dove si rompe il processo.
Advisor Strategico | Comunicazione, Vendita, Leadership, Marketing e AI per PMI
Aiuto imprenditori, manager e PMI a capire dove si rompe il risultato tra comunicazione, vendita, leadership, marketing, processi e uso dell’AI.
Da oltre 40 anni lavoro nel business, nella comunicazione e nello sviluppo delle persone e ho formato più di 135.000 persone in tutta Italia.
Il mio approccio parte dalla diagnosi: capire cosa funziona, cosa non funziona e cosa manca, per trasformare dispersione e iniziative scollegate in priorità, responsabilità e azioni concrete.
CONTATTAMI DIRETTAMENTE DA QUI
Alessandro Ferrari
Advisor Strategico
