- Что такое скоринг клиентов и зачем он нужен в маркетинге
- Какие данные нужны для скоринга клиентов
- Демографические и фирмографические данные
- Поведенческие данные на сайте и в рекламе
- Данные источника лида и контекста обращения
- Как построить модель скоринга клиентов с нуля
- Шаг 1. Собрать историю закрытых сделок
- Шаг 2. Отобрать признаки, доступные в момент оценки
- Шаг 3. Присвоить баллы каждому признаку
- Шаг 4. Просуммировать баллы и задать пороги
- Шаг 5. Проверить модель на новых данных и скорректировать
- Пример таблицы баллов для скоринга лида
- Чем скоринг клиентов отличается от RFM-анализа
- Как внедрить скоринг в CRM и отдел продаж
- Частые ошибки при внедрении скоринга клиентов
- Частые вопросы о скоринге клиентов
- Заключение
Когда обращений больше, чем доступных ресурсов обработки, команда выбирает порядок работы. Скоринг может поддержать этот выбор, но должен сохранять минимальный уровень обслуживания для всех и возможность проверить пропущенные обращения.
Я настраиваю контекстную рекламу и аналитику для бизнеса, и регулярно сталкиваюсь с этой проблемой на стыке маркетинга и продаж: данные о лиде есть и в Директе, и в CRM, и в Метрике, но никто не сводит их в единый балл, по которому можно расставить приоритеты. Скоринг клиентов — это и есть такой балл.
В статье разберём, что такое скоринг клиентов в маркетинге, какие данные для него нужны, как построить модель с нуля и баллами, чем он отличается от RFM-анализа, как внедрить его в CRM и каких ошибок избегать при расчёте.
Что такое скоринг клиентов и зачем он нужен в маркетинге
Скоринг присваивает приоритет по доступным признакам. Различайте соответствие предложению (fit), наблюдаемую активность (engagement) и общий балл правила. Балл 80 не означает вероятность покупки 80%. Вероятность можно указывать только для проверенной прогнозной модели с калибровкой на отложенных данных.
Важно не путать стадии воронки, через которые проходит лид. Клик по объявлению превращается в лид после заполнения формы или звонка. Лид становится квалифицированным лидом (MQL), если по набору признаков похож на реального покупателя. Дальше отдел продаж превращает MQL в SQL — лида, готового к переговорам. И только потом появляется заказ, оплаченный заказ и, наконец, клиент. Скоринг работает именно на границе между «просто лидом» и «квалифицированным лидом» — он решает, кого двигать по воронке в первую очередь.
Без балла можно применять другие правила очереди; со скорингом — выбранную систему приоритетов. Проверяйте результат и ошибки, не называйте приоритет вероятностью покупки. Разбор воронки — про анализ воронки конверсии сайта.
🔍 Зачем скоринг клиентов нужен маркетингу, а не только продажам
Сравнивайте источники по подтверждённым событиям, составу расходов и доступной мощности обработки. Высокий балл не является самостоятельным основанием масштабировать источник, а низкий — отключать его. Дополнительный разбор — как сравнивать каналы трафика.
CPL может быть низким, а CAC — высоким: это разные события и знаменатели. Наличие скоринга само по себе не снижает CAC. Учтите дополнительные расходы на модель и обработку, а затем сравните фактических новых клиентов. Методика — как считать CAC по каждому рекламному каналу.
Какие данные нужны для скоринга клиентов
Выбирайте необходимые, законно полученные и проверенные признаки. Большее число полей не гарантирует точности; неизвестные значения сохраняйте неизвестными.
Демографические и фирмографические данные
Не выводите доход, семейное положение или другие характеристики из устройства и региона. Используйте только необходимые сведения с законным основанием и подтверждённым источником. Для B2B проверьте роль участника и сведения о компании; должность сама по себе не доказывает полномочий.
Поведенческие данные на сайте и в рекламе
Сохраняйте подтверждённые события и время их доступности: визиты, действия на странице или обращения. Силу предиктора проверяйте на данных; повторный просмотр сам по себе не доказывает готовности купить. Пиксель email не подтверждает чтение. Для событий заранее определите методику, источник и ограничения.
Данные источника лида и контекста обращения
Канал и контекст обращения могут быть признаками, если они доступны в момент решения и имеют проверенное качество. Не назначайте им силу сигнала по общему представлению о брендовом трафике; проверьте на данных.
| Группа | Допустимые примеры | Проверка |
|---|---|---|
| Fit | Подтверждённая задача и роль участника | Не угадывать личные характеристики |
| Engagement | Действия до prediction_time | Сохранить время доступности события |
| Контекст | Подтверждённый источник обращения | Проверить пропуски и дубли |
| После контакта | Результат звонка | Только отдельное решение после звонка |
Как построить модель скоринга клиентов с нуля
Начать можно с прозрачного правила и журнала решений. Выбор прогнозной модели зависит от задачи и данных. Длительность накопления и число наблюдений сами по себе не подтверждают качество.
Шаг 1. Собрать историю закрытых сделок
Определите событие результата и горизонт. Разделите данные по времени и клиентам, сохраняйте нетронутую проверочную выборку. Оцените ошибки и устойчивость в объёме доступной обработки; универсального минимума в 100–200 лидов нет.
Шаг 2. Отобрать признаки, доступные в момент оценки
Зафиксируйте prediction_time и feature_available_at для каждого признака. До первого звонка допускаются только данные, доступные до решения. Отклик на этот звонок относится к отдельному постконтактному скорингу. Выполняйте преобразования после разделения train/test и не передавайте будущий исход в признаки.
Шаг 3. Присвоить баллы каждому признаку
Условные веса могут показать устройство правила. Не переводите отношение исторических конверсий напрямую в вероятность. Проверяйте качество на новых данных, а калибровку вероятностей — отдельно.
Шаг 4. Просуммировать баллы и задать пороги
Пороги и действия выбирает команда с учётом ресурсов. Установите минимальный SLA для всех обращений, проверочную выборку разных приоритетов и контроль пропущенных заявок. Рекламные письма и сообщения требуют разрешения получателя и правил канала.
Шаг 5. Проверить модель на новых данных и скорректировать
На новых данных оцените precision/recall для доступного объёма обработки, устойчивость по группам и экономику. Отсутствие различий может быть связано не только с весами, но и с данными, выборкой или действиями команды.
💡 Практический совет
Если в компании есть доступ к SQL и база хранится не только в CRM, но и в отдельной БД, построение модели сильно ускоряется: можно напрямую выгрузить историю обращений, рекламные параметры и исход сделки одним запросом, не выгружая вручную таблицы из разных систем. Основы такой работы разобраны в статье SQL для маркетолога: основы работы с рекламными данными.
Пример таблицы баллов для скоринга лида
Ниже — упрощённый пример модели для B2B-компании, продающей услуги через контекстную рекламу. Веса подобраны условно, в реальном проекте их нужно считать по собственной статистике конверсий.
| Признак | Значение | Баллы |
|---|---|---|
| Источник трафика | Брендовый запрос / рекомендация | +25 |
| Источник трафика | РСЯ, широкий таргетинг | +5 |
| Просмотр страницы цен | Да | +20 |
| Полнота заполнения формы | Все поля + комментарий | +15 |
| Повторное обращение | Второй визит за неделю | +20 |
| Должность в форме | Руководитель/ЛПР | +15 |
В условном правиле 25 + 20 + 15 = 60 баллов. Это приоритет правила, а не вероятность и не доказательство необходимости срочного звонка. Действия и SLA согласуйте отдельно и проверяйте их результат.
Чем скоринг клиентов отличается от RFM-анализа
Скоринг и RFM-анализ часто путают, потому что оба метода присваивают клиенту числовой показатель. Но решают они разные задачи и работают на разных стадиях воронки.
| Вопрос | Скоринг | RFM |
|---|---|---|
| Объект | Обращение до выбранного решения | Клиенты с историей покупок |
| Результат | Приоритет правила; вероятность только проверенной модели | Группы по давности, частоте и сумме |
| Ограничение | Доступность признаков на момент решения | Определения покупок и выбранный период |
На практике оба метода хорошо дополняют друг друга: скоринг отвечает за первую сделку, а RFM — за всё, что происходит после неё. Если нужно детально разобраться с построением RFM-сегментов, есть пошаговая инструкция в статье RFM-анализ в Excel. А для оценки, какие клиенты рискуют уйти совсем, пригодится материал про расчёт оттока клиентов.
Как внедрить скоринг в CRM и отдел продаж
Самая частая ошибка — построить отличную модель в Excel и оставить её там же, без интеграции в реальный рабочий процесс менеджеров. Скоринг работает только тогда, когда балл виден прямо в карточке лида в CRM, а не в отдельном отчёте, который никто не открывает.
- Выберите способ хранения балла и журнал версии. Проверьте текущие возможности выбранной CRM, доступные события запуска, место расчёта и запись результата. Кастомное поле, внешняя интеграция и штатная автоматизация — разные решения; вебхук не предполагается универсальным пересчётом при каждом событии.
- Показать выбранный приоритет и минимальный SLA для всех. Контролировать обращения, которые оказались ниже в очереди.
- Записать действие менеджера и версию правила. Использовать проверочную выборку разных приоритетов; рекламная коммуникация — только с разрешением и соблюдением правил канала.
- Связать балл с дашбордом руководителя отдела продаж. Это позволяет видеть в динамике, сколько горячих лидов пришло за неделю и как быстро их обрабатывают. Какие метрики выводить на такой дашборд, разобрано в статье дашборд для руководителя отдела продаж.
- Пересматривать модель при изменении данных и процесса. Сохраняйте версии, проверяйте ошибки и новые исходы; календарь сам по себе не определяет срок устаревания весов.
Частые ошибки при внедрении скоринга клиентов
⚠️ На что чаще всего ошибаются компании
- Слишком много признаков в модели без проверки их реальной предсказательной силы — это усложняет расчёт, но не повышает точность.
- Отсутствие контроля свежих данных и ошибок: условия меняются, но календарь сам по себе не определяет срок устаревания модели.
- Игнорирование обратной связи от продаж: менеджеры видят, что горячие лиды по баллам на деле не конвертируются, но модель не корректируется.
- Скоринг используется только маркетингом и не доходит до CRM менеджеров — модель существует «для отчёта», а не для работы.
- Путаница между скорингом новых лидов и сегментацией существующей базы (где уместнее ABC-XYZ анализ или RFM) — см. также ABC-XYZ анализ: как приоритизировать товары и клиентов.
Частые вопросы о скоринге клиентов
Сколько лидов нужно, чтобы построить рабочую модель скоринга?
Достаточность данных зависит от задачи, частоты исходов и требуемой оценки. Проверьте модель на новых данных и сохраните неопределённость; фиксированное число лидов не гарантирует статистически заметного различия.
Можно ли внедрить скоринг без программиста и дата-аналитика?
Да, на старте простую балльную модель можно собрать в Excel или Google Таблицах, а затем вручную переносить баллы в CRM через импорт или простое правило в автоматизации amoCRM/Bitrix24. Полноценная автоматическая интеграция с пересчётом баллов в реальном времени обычно требует разработчика или готового модуля CRM.
Как часто нужно пересматривать модель скоринга?
Выберите график контроля и условия пересмотра по изменениям данных, продукта и процесса. Сохраняйте версии, ошибки и действия менеджеров; универсального оптимального квартального интервала нет.
Чем скоринг лидов отличается от RFM-анализа?
Правило скоринга задаёт приоритет до выбранного события; проверенная прогнозная модель может оценивать вероятность. RFM описывает существующую базу по давности, частоте и сумме покупок. Применимость зависит от задачи. Методика — RFM-анализ в Excel: пошаговая инструкция.
Нужно ли учитывать отток клиентов при построении скоринга?
Да, если бизнес работает по подписке или с регулярными повторными покупками, скоринг стоит расширить до модели прогноза оттока — она использует похожие признаки, но предсказывает не покупку, а риск ухода клиента. Как считать и снижать этот показатель, подробно разобрано в статье churn rate: как считать отток клиентов и снижать его.
Как понять, что модель скоринга работает правильно?
Оценивайте ошибки, precision/recall на доступном объёме обработки, устойчивость и экономику на отложенных данных. Разница исторических конверсий в 3–5 раз сама по себе не подтверждает корректность модели и может отражать разные действия команды.
Заключение
Скоринг — проверяемый способ организации приоритетов. Сохраните доступность признаков во времени, версии правил, минимальное обслуживание всех обращений и журнал исходов. Эффект не следует из числа прошлых сделок или наличия балла.
Контролируйте качество данных и работу процесса. Проверяйте выборку всех приоритетов, включая низкие, и учитывайте, что действия менеджеров меняют наблюдаемые результаты. Изменение выручки не доказывает причинный вклад модели.
Начните с ограниченного пилота: зафиксируйте событие результата, доступность признаков на момент решения, правила и действия команды. Проверьте качество приоритизации, пропущенные обращения и экономику на новых данных. Месяц можно выбрать как организационный срок, но он не гарантирует улучшения или результата на выручке.
Если нужна помощь с настройкой — оставьте заявку на консультацию.
Читайте также
→ RFM-анализ в Excel: пошаговая инструкция
→ ABC-XYZ анализ: как приоритизировать товары и клиентов
→ Churn rate: как считать отток клиентов и снижать его
→ Дашборд для руководителя отдела продаж: какие метрики выводить
→ Анализ воронки конверсии сайта: как найти точки потерь
Автор: Павел Комарков — специалист по контекстной рекламе с 2010 года, работал с бюджетами от 50 000 ₽ до 150 млн ₽ в месяц. Подробнее →
