AI til lead scoring: hvem skal salg ringe til først?

Tegn på at I har brug for lead scoring, ikke flere leads

Der er en klassisk fælde, som rigtig mange danske SMV'er falder i. Man bruger energi og budget på at trække flere leads ind, mens de leads man allerede har, støver ned i et regneark eller drukner i en CRM-pipeline, ingen rigtig kigger på.

Problemet er sjældent antallet af leads. Problemet er, at man ikke kan se forskel på dem. Og når alt ser ens ud, prioriterer man tilfældigt, eller man prioriterer efter hvem der sidst sendte en mail, hvem der ringede ind af sig selv, eller hvem sælgeren har en god mavefornemmelse om.

AI lead scoring handler ikke om at erstatte sælgernes instinkter. Det handler om at give dem et solidt datagrundlag, så mavefornemmelsen kan bekræftes eller afkræftes, inden man bruger tre timer på det forkerte firma. Scoring er i sin kerne et prioriteringsværktøj. Ikke et magisk filter, men et konkret hjælpemiddel til at beslutte hvem der skal ringes til i morgen tidlig og hvem der kan vente til næste uge.

De fleste danske SMV'er har faktisk data nok til at komme i gang. De har besøg på hjemmesiden. De har udfyldte kontaktformularer. De har noter i Pipedrive, HubSpot eller et regneark. De har vundne og tabte aftaler. Problemet er at dataene aldrig er blevet sat i system på en måde, der giver mening i hverdagen.

Dette afsnit handler om at genkende symptomerne. For det er tit symptomerne der viser, hvornår lead prioritering er brudt ned.

Salg ringer rundt i blinde, og de gode leads bliver kolde

Hvis salgsteamet bruger mere tid på at finde ud af, hvem de skal kontakte, end de bruger på selve kontakten, er det et tegn. Hvis de samme leads bearbejdes igen og igen, fordi ingen kan huske hvornår de sidst var aktive, er det et tegn. Og hvis I har oplevet at et lead, der aldrig rigtigt varmede op, pludselig alligevel underskrev hos en konkurrent, er det et klassisk tegn på, at salgsprioritering ikke fungerer.

Det sker fordi leads er usynlige for hinanden i en travl pipeline. Et firma der besøgte jeres prisside tre gange på en uge, fylder præcis det samme i oversigten som et firma der udfyldte en formular ved et fejl. Ingen scoringmodel, ingen rangordning, ingen forskel. Salg ringer rundt i blinde.

De gode leads bliver kolde ikke fordi sælgerne er dårlige, men fordi systemet ikke hjælper dem med at se, hvad der er varmt og hvad der er koldt. AI lead scoring og en simpel scoring model kan ændre det. Ikke ved at erstatte vurderingen, men ved at gøre synligheden meget bedre.

Et konkret symptom er, at salgsteamet bruger mere end 30 procent af sin tid på leads, der aldrig ender i et møde. Et andet symptom er, at ingen kan svare på: hvad er vores gennemsnitlige tid fra lead til møde, og hvilke leads konverterer hurtigst? Kan I ikke svare på det, mangler I sandsynligvis datakvalitet i CRM og en scoring model.

Marketing afleverer mange navne, men få møder

Marketing kører kampagner, leads tikker ind, og tallene ser fine ud i rapporten. Men salgsteamet er frustreret, fordi halvdelen af dem er studerende, konkurrenter eller folk der bare ville downloade en PDF. Det er MQL og SQL definitionen der er gal, eller rettere: der mangler en fælles definition overhovedet.

Et MQL (marketing qualified lead) er et lead, der har vist interesse nok til at marketing betrager det som klar til salg. Et SQL (sales qualified lead) er et lead, som salg har vurderet opfylder kriterierne for at gå i dialog om et køb. Når de to definitioner ikke er skrevet ned og afstemt, opstår der et hul i pipeline prioritering, som koster tid og penge.

Marketing og salg alignment er ikke bare et buzzword. Det er forskellen på, om de to teams faktisk hjælper hinanden, eller om de kæmper om, hvem der har skylden for de manglende møder. Lead scoring er et af de konkrete redskaber, der kan bygge broen, fordi det tvinger begge parter til at aftale: hvilke signaler tæller, og hvornår er et lead klar?

Når man indfører AI til salgsprocesser og lead scoring, skal den samtale ske. Hvad gør et lead til et godt lead hos jer? Er det branche? Virksomhedsstørrelse? Antal sidevisninger? En bestemt side besøgt? Svaret er forskelligt fra virksomhed til virksomhed, og det er præcis derfor en generisk scoringmodel sjældent virker uden tilpasning.

Hvilke data kan bruges til lead scoring i en dansk SMV

Førend man overhovedet taler om AI lead scoring eller predictive lead scoring, er det vigtigt at forstå, hvilke data der faktisk er til rådighed. I en typisk dansk SMV er datamiljøet ikke et sofistikeret datawarehouse med hundredevis af integrationer. Det er ofte et CRM-system som HubSpot lead scoring, Pipedrive lead scoring eller Salesforce lead scoring, en hjemmeside med Google Analytics eller lignende, og måske en e-mail-platform.

Det er faktisk nok at komme i gang. Men man skal vide, hvad man kigger efter, og man skal sikre, at datakvalitet i CRM er på et acceptabelt niveau. Dobbeltregistreringer, manglende felter og forældet kontaktinformation gør enhver scoring usikker. Deduplikering af leads er derfor ikke et kedeligt teknisk skridt, det er fundamentet for at scoring giver mening.

De tre datakategorier, der typisk bruges i en praktisk lead scoring model for SMV'er, er firmadata, adfærdsdata og historisk CRM-data. De tre kategorier supplerer hinanden, og en solid model trækker typisk fra alle tre. Lad os gennemgå dem.

Firmadata, branche, størrelse og timing

Firmadata er den statiske del af scoring. Det er spørgsmål som: Er virksomheden i den rette branche? Er den stor nok til at have behov for din løsning? Er de i en vækstfase, eller skærer de ned? Er der sket noget i virksomheden for nylig, som gør dem særligt modtagelige for det, du tilbyder?

B2B lead kvalificering starter typisk her, fordi det er den hurtigste måde at sortere de åbenlyst forkerte fra. Et lead fra en soloselvstændig, der aldrig har 10 ansatte, er ikke interessant, hvis din løsning er bygget til virksomheder med 20 til 100 medarbejdere. Det er ikke noget AI skal finde ud af. Det er en simpel regel, der sænker støjen fra starten.

Timing er undervurderet som signal. Et firma der netop har ansat en ny salgschef, netop har rejst kapital, eller netop er gået i gang med at udbyde en stilling inden for et relevant område, sender signaler om forandring. Det er datapunkter der kan hentes via f.eks. LinkedIn, branchedatabaser eller nyhedsovervågning, og de kan tilføje vigtige point i scoring modellen.

Adfærd, sider, events og gentagne besøg

Her begynder det at blive interessant. Website adfærd og leads hænger tæt sammen: et lead der besøger din prisside, din om-os side og din kontaktside inden for få dage, opfører sig helt anderledes end et lead der faldt over en blog via Google og aldrig kom tilbage.

Signaler for købsvillighed ligger typisk i adfærden. Gentagne besøg, dybde i sidevisninger, tid brugt på specifikke undersider, klik på knapper, download af materiale og brug af live chat er alle events, der kan registreres og tillægges point i din scoring model.

Det er her integrationen til dit CRM-system eller en marketing automation-platform som HubSpot er guld værd. Når adfærdsdata kobles til en kontaktprofil, kan du begynde at se mønstre. Et lead der over to uger gradvist bevæger sig dybere ind på dit website og til sidst lander på prissiden, fortæller dig noget med handling, ikke bare ord.

Kontaktformular kvalitet er et signal der ofte overses. Et lead der skriver en detaljeret besked, nævner specifikke udfordringer og stiller et konkret spørgsmål, scorer højere end et lead der bare skriver "hej, send mig mere info". Det kan man faktisk delvist automatisere med kunstig intelligens, der analyserer tekstindholdet i formularen og tildeler ekstra point baseret på, om intentionen er tydelig.

Historik i CRM, svar, møder og tabte grunde

Den mest undervurderede datakilde er den historik, der allerede ligger i jeres CRM-system. Hvilke virksomhedstyper har I vundet? Hvad kendetegnede dem? Hvad var grunden til de tabte aftaler, og ligner disse tabte leads noget, der tikker ind i dag?

CRM lead scoring baseret på historisk data er faktisk fundamentet for predictive lead scoring. Modellen lærer af fortiden. Den ser: "Alle vores vundne aftaler det seneste år kom fra virksomheder i denne størrelse, denne branche, der svarede inden for to dage og bookede et møde inden for tre uger." Og den bruger de mønstre fremadrettet.

Svarrate og mødeaccept er stærke signaler. Et lead der svarer hurtigt og bekræfter et møde inden for 48 timer, er et langt stærkere lead end et, der har fået fem opfølgninger og endnu ikke svaret. Mødebookning prioritering bør afspejle dette direkte i scoren.

Tip: Gå CRM-historikken igennem og find de fem til ti seneste vundne aftaler. Skriv ned, hvad de havde til fælles. Gentag øvelsen med de fem til ti tabte aftaler. Mønstrene, du finder, er startpunktet for din scoring model.

AI eller regler, hvornår virker hvad bedst

Der er en tendens til at springe direkte til AI, kunstig intelligens og avancerede modeller, fordi det lyder imponerende. Men sandheden er, at mange SMV'er slet ikke har nok data til at træne en AI-model, og selv hvis de har, er en regelbaseret model ofte hurtigere at implementere og lettere at forklare til salg.

Det er ikke et valg mellem den ene eller den anden. Det er et spørgsmål om rækkefølge og modenhed. Start enkelt, bliv klogere på dine egne mønstre, og brug AI, når datagrundlaget er solidt nok til at det giver mening. Kunstig intelligens i salg er kraftfuldt, men kun når det bruges på det rigtige stadie.

Start med en enkel points model, før du træner noget

En simpel points model er en liste over signaler med tildelte pointværdier. Besøg på prisside: 10 point. Download af materiale: 5 point. Udfyldt kontaktformular med detaljer: 20 point. Virksomhed med over 20 ansatte: 10 point. Svar på e-mail inden 24 timer: 15 point.

Denne type model kan bygges i et regneark, integreres i HubSpot lead scoring, Pipedrive lead scoring eller Salesforce lead scoring med et par timers arbejde, og den giver straks en rangordning af leads, som salg kan bruge. Det er ikke AI, det er logik. Men det er meget bedre end ingenting.

Fordelene ved at starte her er mange. Modellen er gennemsigtig. Salg kan se præcis, hvorfor et lead scorer 45 point. Modellen er let at justere. Hvis I opdager, at besøg på prissiden faktisk ikke siger ret meget om sandsynlighed for køb, fjerner I bare de point. Og vigtigst: Modellen giver jer data til at evaluere, om AI faktisk ville tilføje noget.

Signal	Eksempel	Point
Firmastørrelse	Over 20 ansatte	+10
Sidebesøg	Besøgt prisside	+10
Engagement	Svaret på e-mail inden 24 timer	+15
Formular	Detaljeret besked med konkret problem	+20
Møde	Bekræftet demo eller opkald	+25
Branche	Inden for jeres kernemålgruppe	+10

Når mønstre er skjulte, og AI kan finde dem hurtigere

Når I har haft en regelbaseret scoring model kørende i tre til seks måneder, begynder I at have noget interessant: et datasæt af leads med scores, og et datasæt af outcomes (vundet, tabt, intet møde). På det tidspunkt kan AI og machine learning faktisk begynde at tilføje reel værdi.

Predictive lead scoring bruger historiske data til at forudsige, hvilke leads der mest sandsynligt konverterer, baseret på mønstre, der er for komplekse til at opdage manuelt. Måske er det ikke prissidebesøget alene, der forudsiger et køb, men kombinationen af prissidebesøg, en specifik branche og at de første åbnede en e-mail om onboarding. Det er mønstre, et regelbaseret system aldrig ville finde. AI segmentering kan også bruges til at opdele leads i grupper baseret på adfærd og karakteristika, ikke bare en samlet score. Det giver mulighed for at tilpasse opfølgning: gruppe A modtager et telefonopkald i dag, gruppe B modtager en case-e-mail, gruppe C sættes i en nurturing-sekvens. AI til salgsprocesser handler ikke om at erstatte sælgerne, men om at gøre deres indsats mere præcis.

Gennemsigtighed, sådan får du salg til at stole på scoren

Den hyppigste årsag til at lead scoring projekter mislykkes, er ikke teknologien. Det er tillid. Hvis salg ikke forstår, hvorfor et lead scorer 78 point, og et andet scorer 23 point, vil de ignorere scoren og falde tilbage til mavefornemmelsen. Det er rationelt. Ingen følger et system, de ikke forstår eller stoler på.

Forklarlig AI og gennemsigtighed i scoring modellen er ikke bare pæne principper. Det er afgørende for, at scoring faktisk bruges i hverdagen. Det er her begrebet "forklarlig AI" eller "explainable AI" kommer ind: modellen skal ikke bare give et tal, den skal forklare, hvad der bidrog til tallet.

Gennemsigtighed i scoring er også et GDPR og lead scoring spørgsmål. Ifølge databeskyttelsesforordningen har enkeltpersoner i visse situationer ret til en forklaring, når automatiseret behandling påvirker dem. I B2B-sammenhæng er dette sjældent et problem for scoringen i sig selv, men det er god praksis at have dokumentation for, hvilke datakilder der bruges, og hvad de bruges til.

Vis hvilke signaler der gav point, i klar tekst

Når et sælger åbner et lead i CRM-systemet, skal vedkommende ikke se et isoleret tal. De skal se: "Dette lead scorer 72 point fordi: besøgte prissiden to gange (10 point), svarede på e-mail inden 24 timer (15 point), virksomheden har 35 ansatte og er i jeres kernebranche (20 point), og udfyldte kontaktformular med konkret spørgsmål om integration (20 point) og har 7 point fratrukket for at virksomheden er lokaliseret uden for primær geografisk zone."

Det er forklarlig AI i praksis. Det er ikke en sort boks. Det er en liste over årsager, som salg kan forholde sig til og eventuelt korrigere. Måske kender sælgeren faktisk virksomheden og ved, at den geografiske zone ikke er relevant i dette tilfælde. Så kan scoren justeres manuelt, og modellen kan lære af det over tid.

Lav en scorehistorik, så man kan se udviklingen

Et lead der scorede 20 point for to uger siden og nu scorer 65 point, fortæller en historie. Det fortæller, at noget er sket. Leadet er begyndt at bevæge sig. Det er et af de stærkeste signaler for købsvillighed: ikke det absolutte tal, men bevægelsen i det.

En scorehistorik giver salg mulighed for at se, hvornår et lead begyndte at opvarme sig. Det er særlig værdifuldt for mødebookning prioritering: I stedet for at ringe til det lead med den højeste score i dag, ringer man til de leads der er steget mest i score de seneste syv dage. De er aktive, de undersøger noget, og det er præcis det rigtige tidspunkt at ringe.

Dette kræver ikke avanceret teknologi. Det kræver bare, at CRM-systemet gemmer score-snapshots med dato, og at der er en simpel visning der sorterer på ændring frem for absolut score.

Fang bias, når bestemte typer leads altid taber

Bias i lead scoring er et reelt problem, der sjældent tages alvorligt nok. Hvis jeres historiske data er skæv, det vil sige at I primært har haft succes med leads fra bestemte geografiske områder, brancher eller virksomhedsstørrelser, vil en AI-model lære at favorisere præcis de leads. Det er ikke nødvendigvis forkert, men det kan betyde, at I systematisk nedprioriterer leads, der faktisk ville have potentiale, fordi de ikke ligner jeres historiske succeshistorier.

Model drift i scoring er et beslægtet problem. Over tid ændrer markedet sig. De signaler der forudsagde køb for to år siden, er ikke nødvendigvis de samme i dag. En model der aldrig justeres, bliver langsomt dårligere uden at nogen nødvendigvis opdager det, fordi forsøgelsen sker gradvist.

Løsningen er at bygge et simpelt review-flow ind i processen. Hver kvartal kigger I på: hvilke leads fik høj score men konverterede aldrig? Hvilke fik lav score men endte alligevel i et møde? Det er de afvigelser, der afslører bias og model drift, og som giver input til at justere modellen.

• Quarterly review: Sammenlign høje scorer med faktiske outcomes
• Blindspot-tjek: Find leads med lav score men høj konvertering
• Branche-audit: Er visse brancher systematisk under- eller overvurderet?
• Sælger-feedback: Spørg salg: hvad ser I, som modellen ikke ser?

Vedligeholdelse, så modellen ikke bliver forældet

En lead scoring model er ikke et projekt man afleverer og går videre. Det er et levende system der kræver løbende opmærksomhed, ikke fordi det er kompliceret, men fordi virksomheden og markedet er i konstant bevægelse. En scoring model der sidst blev justeret for 18 måneder siden, er sandsynligvis ikke ret god mere.

Vedligeholdelse handler om tre ting: at opdage, hvornår modellen begynder at fejle, at sætte de rigtige måleparametre op, og at have et ansvar placeret et sted, så det faktisk sker. Ikke engang den bedste AI lead scoring model hjælper, hvis ingen ejer den i hverdagen.

Det er her mange virksomheder taber den. Implementeringen var god. Entusiasmen var der. Men seks måneder inde er der ingen der har kigget på modellen siden, fordi alle er travle med andre ting. Resultatet er en model der kører videre på autopilot og gradvist leverer dårligere input til pipeline prioritering.

Når markedet skifter, og scoring skal justeres

Markedet skifter. Nye konkurrenter dukker op. Jeres tilbud udvikler sig. Prispunkter ændres. En helt ny kundetype begynder at udvise interesse. Alle disse ændringer betyder, at de signaler der tidligere forudsagde et godt lead, kan ændre sig.

Et konkret eksempel: Hvis I tidligere primært solgte til mellemstore produktionsvirksomheder, og scoring modellen er trænet på den historik, vil den sandsynligvis score servicebranchen lavt. Men hvis I har udvidet jeres tilbud og faktisk begyndt at vinde aftaler i servicebranchen, vil den gamle model aktivt modvirke jeres nye vækstretning ved at nedprioritere netop de leads.

Det er ikke AI der fejler. Det er vedligeholdelse der mangler. Løsningen er halvårlige justeringer baseret på de seneste seks måneders vundne og tabte aftaler. Hvad kendetegnede dem? Er mønstrene ændret i forhold til det modellen scorer højt? Juster derefter.

Mål på møder og vundet omsætning, ikke kun klik

ROI på lead scoring kan ikke måles i antal klik, sidevisninger eller åbningsrater. Det kan kun måles på, om salg holder færre irrelevante møder, om den gennemsnitlige tid fra lead til afsluttet aftale er faldet, og om det samlede antal vundne aftaler er steget relativt til indsatsen.

Attribution for leads er en vigtig del af dette. Hvilken kanal, hvilken kampagne eller hvilken indsats genererede det lead der faktisk endte i en aftale? Når det er klart, kan I allokere budget og energi bedre, og I kan vurdere om scoring modellen faktisk hjælper med at identificere de gode leads tidligt nok.

Konkrete måleparametre for en scoring model bør inkludere: konverteringsrate fra MQL til SQL, konverteringsrate fra SQL til møde, gennemsnitlig tid fra første kontakt til vundet aftale, og andelen af højtscorende leads der faktisk konverterede. Disse tal fortæller dig, om modellen er kalibreret rigtigt.

Hvis jeres højtscorende leads konverterer dårligere end jeres lavtscorende, er modellen forkert kalibreret. Hvis de konverterer markant bedre, fungerer den. Det er den enkle test. Mål det, og juster løbende.

Et bedre fundament for de samtaler der faktisk lukker

Den vigtigste pointe i denne artikel er enkel: lead scoring er ikke et teknologiprojekt, det er et prioriteringsprojekt. Og prioritering er noget, alle virksomheder med en salgsfunktion har brug for, uanset størrelse og modenhed.

Vi har gennemgået, hvornår symptomerne på dårlig lead prioritering typisk viser sig: salg ringer rundt i blinde, marketing og salg taler forbi hinanden, og de varme leads dør i en overfyldt pipeline. Vi har set på, hvilke data der faktisk er til rådighed i en typisk dansk SMV, fra firmadata og brancheinfo over website adfærd og events til CRM historik med møder, svar og tabte grunde.

Vi har talt om rækkefølgen: start med en simpel points model med klare regler, inden du begynder at tale om predictive lead scoring og kunstig intelligens. Og vi har gennemgået, hvorfor gennemsigtighed og forklarlig AI er forudsætningen for at salg overhovedet stoler på og bruger scoren.

Endelig har vi set på vedligeholdelse, fordi en scoring model der aldrig justeres, er en model der langsomt holder op med at virke. Mål på møder og omsætning, ikke på klik. Fang bias og model drift, inden de skader pipeline prioritering stille og roligt.

AI lead scoring og kunstig intelligens i salg behøver ikke at være sort boks-teknologi forbeholdt store virksomheder med dedikerede datateams. Det kan være en overskuelig, gennemsigtig og praktisk model, der giver salgsteamet en klarere fornemmelse af, hvem der skal ringes til i morgen tidlig. Det er egentlig alt, det handler om.