Если у вас в отдел заходит 50–500+ лидов в месяц, рано или поздно вы упираетесь в одну и ту же проблему. Менеджеры физически не могут отработать каждую заявку с одинаковым качеством. Кто-то получает «горячий» лид с готовым бюджетом и печальной интонацией «срочно нужно вчера» — и тратит на него час. А холодный любопытствующий из соседней области тоже получает час внимания. Время одно, выручка — разная.
Решение — скоринг лидов. Каждой входящей заявке ИИ присваивает оценку «горячести» от 0 до 100, и менеджеры начинают работать в правильном порядке: сначала те, кто готов покупать, потом перспективные, потом «прогрев». В этой статье — как настроить скоринг в Битрикс24, какие данные использовать, какие модели существуют и что делать, если у вас «всего» 50 лидов в месяц.
Что такое скоринг лидов и зачем он нужен
Скоринг лидов — это автоматическая оценка вероятности, что конкретный лид станет реальной сделкой и принесёт деньги. Оценка ставится на основе данных о лиде: что он заполнил в форме, откуда пришёл, как себя ведёт на сайте, какие у него характеристики компании (если B2B).
В идеальном мире каждый лид получает 5 минут внимания, и скоринг не нужен. В реальном — у менеджеров ограничено время, и ставка на «первоочередную обработку горячих» даёт ощутимый рост выручки без дополнительных затрат на маркетинг или найм.
Скоринг используется в трёх главных сценариях:
- Приоритизация очереди — горячие лиды попадают в работу за минуты, тёплые — за часы, холодные — на следующий день или в воронку прогрева
- Распределение по менеджерам — горячие достаются сильным менеджерам, холодные — стажёрам или на автообработку
- Запуск автоматических цепочек — холодные лиды уходят в email-прогрев, горячие — получают мгновенный звонок
Какие данные использовать для скоринга
Скоринг строится на двух типах сигналов — что лид «есть» (демографические данные) и что лид «делает» (поведенческие).
Демографические сигналы (firmographic для B2B)
- Тип компании — ваш целевой сегмент или нет
- Размер компании — от 10 до 500 сотрудников может быть «горячо», крупный энтерпрайз — «холоднее» для типового продукта
- Отрасль — для одних услуг лучшая отрасль производство, для других — услуги или e-com
- География — покрываете ли вы этот регион?
- Должность ЛПР — заявку оставил гендиректор или стажёр-маркетолог?
- Корпоративная почта vs Gmail — косвенный признак серьёзности намерений
Поведенческие сигналы
- Что именно заполнил в форме — общий запрос или конкретная услуга?
- Сколько страниц посмотрел на сайте — заглянул на 1 страницу или изучил тарифы, кейсы, FAQ?
- Время на сайте — 5 секунд или 15 минут?
- Источник трафика — контекстная реклама по «купить»-запросам обычно горячее, чем «информационные» статьи
- Возвраты на сайт — заходит уже 3 раз за неделю?
- Открытия рассылок — кликает на ссылки в email?
- Скачивания материалов — забрал коммерческое предложение, прайс или кейс?
Каждому сигналу присваивается вес. Например: «оставил телефон» = +20 баллов, «провёл больше 5 минут на сайте» = +10, «компания меньше 5 сотрудников» = -15 (если ваш продукт для среднего бизнеса). Итоговый score — сумма всех сигналов, обычно нормализованная к шкале 0–100.
Три способа сделать скоринг в Битрикс24
Способ 1: правила в бизнес-процессах (без ИИ)
Самый базовый и доступный вариант. Создаётся бизнес-процесс на этапе «Новый лид» — он проходит по серии условий («если бюджет указан больше X — добавить 30 баллов», «если форма заполнена полностью — +20») и записывает итоговое значение в кастомное поле «Score».
Плюсы: настраивается за день, не требует никаких внешних сервисов, всё понятно («почему этот лид получил такой score»). Минусы: правила надо придумывать самому, они статичные, требуют ручного пересмотра раз в квартал. Не учитывает сложные паттерны.
Подходит компаниям с ясной воронкой и понятным портретом «горячего» клиента. Если у вас «непредсказуемые» лиды — простые правила не справятся.
Способ 2: ИИ-скоринг на основе исторических данных
Тут уже используется машинное обучение. Алгоритм смотрит на вашу историю сделок (например, за последний год) и ищет закономерности: какие признаки лида коррелируют с успешным закрытием. Дальше каждый новый лид прогоняется через эту модель и получает score.
Преимущество — модель сама находит неочевидные паттерны. Например, может оказаться, что лучше всего конвертятся лиды, заполнившие форму в период с 15:00 до 18:00 в четверг (потому что это время «принимаются решения после совещания»). Никакой человек такое правило не придумает.
Минусы: нужно минимум 200–500 закрытых сделок для обучения модели, нужен интегратор для настройки. На рынке есть готовые решения для Битрикс24 (например, через интеграцию с собственными ML-сервисами или через CoPilot, у которого тоже есть базовая функция предсказания).
Способ 3: гибрид — правила + ИИ
Самый рабочий вариант на практике. Базовые «жёсткие» правила (если регион не ваш — минус 100 баллов независимо от остального) + ИИ-модель на «мягких» сигналах. Так получается и управляемость, и учёт сложных паттернов.
Как обработка лидов меняется после внедрения скоринга
Было: «всё в общую очередь»
Лиды падают в CRM в порядке поступления. Менеджеры разбирают по очереди: первый поступил — первый обработан. Горячий лид с готовым бюджетом ждёт 4 часа, пока менеджер «доедет» до него через 12 холодных. К моменту звонка клиент уже закрыл сделку с конкурентом.
Стало: умная маршрутизация
- Score 80–100 («горячо») — автоматический звонок менеджеру в течение 2 минут, push-уведомление в мобильный Битрикс, карточка в «красной» очереди в интерфейсе
- Score 50–79 («тепло») — связаться в течение часа, обычная очередь
- Score 20–49 («прохладно») — связаться в течение дня, можно перенаправить на стажёров
- Score 0–19 («холодно») — автоматическая email-цепочка прогрева, без ручного контакта (если score вырастет — перейдёт в нормальную очередь)
Эффект: менеджеры физически фокусируются на тех, кто принесёт деньги. Холодные не «заваливаются» — они идут в автопрогрев и могут «дозреть» через 2–3 месяца касаний.
Кейс: внедрение скоринга в IT-компании
Клиент — разработчик корпоративного ПО, отдел продаж 8 человек, входящий поток ~150 лидов в месяц с разными источниками (контекст, SEO, рассылки, выставки, рекомендации). Боль: конверсия из лида в продажу составляла 6%, и никто не понимал, как это улучшить — все лиды отрабатывались примерно одинаково.
Что настроили:
- Подняли историю сделок за 3 года, обучили простую ML-модель на признаках лидов и факте закрытия
- Добавили жёсткие правила-исключения (например, лиды от ИП на УСН со штатом до 3 человек — автоматически в холодную воронку, потому что продукт корпоративный)
- Настроили автозвонок ответственному менеджеру для лидов с score 80+
- Запустили email-цепочку для лидов со score 0–30 (4 письма за 6 недель)
Через 4 месяца:
- Конверсия из лида в продажу выросла с 6% до 9,5% — чисто за счёт скорости реакции на горячие лиды
- Из «холодной» воронки прогрева через 2–3 месяца «оживало» 11% лидов — это дополнительные продажи без затрат на маркетинг
- Менеджеры стали тратить меньше времени на «непрофильные» лиды — и средний цикл сделки сократился с 38 до 28 дней
- Окупаемость внедрения — 4 месяца
Хотите похожий результат? Посчитайте стоимость на калькуляторе или запросите бесплатный разбор воронки.
Что НЕ делать при настройке скоринга
Ошибка 1: усложнять правила сразу
Видим у клиентов системы из 50 правил, которые писались полгода. Никто не понимает, как они работают, и никто не готов их трогать. Лучше начать с 5–7 базовых правил, посмотреть месяц на результат, потом улучшать.
Ошибка 2: скрывать score от менеджеров
Если score — это «чёрный ящик», менеджеры начинают ему не доверять. Покажите им: «вот этот лид получил 85 баллов, потому что [список причин]». Прозрачность — основа доверия к любой автоматизации.
Ошибка 3: не пересматривать модель
Бизнес меняется. Появляются новые продукты, уходят старые сегменты, меняется рынок. Модель скоринга, обученная год назад, может работать всё хуже. Раз в квартал — проверка точности и переобучение, если нужно.
Ошибка 4: путать score с готовностью купить
Высокий score — это не «клиент готов положить деньги на стол сейчас». Это «вероятность что этот лид доедет до сделки выше среднего». Менеджеру всё равно нужно качественно работать — скоринг лишь подсказывает, на кого тратить больше внимания.
FAQ — частые вопросы про скоринг лидов
Сколько лидов в месяц нужно, чтобы скоринг был полезен?
Простой скоринг по правилам имеет смысл от 30–50 лидов в месяц — уже появляется задача расставить приоритеты. ИИ-скоринг для серьёзной модели требует исторической базы 200+ закрытых сделок, поэтому реально окупается на потоке от 100 лидов в месяц.
Как быть, если у нас нет столько данных для обучения модели?
Тогда строится скоринг на явных правилах (Способ 1) + начинается аккуратное накопление данных. Через 6–12 месяцев, когда наберётся достаточно сделок, можно подключить ML-модель. Это нормальный эволюционный путь — почти все наши клиенты так начинают.
Можно ли использовать данные о клиенте из открытых источников?
Да, в скоринг можно подмешивать данные из ЕГРЮЛ (оборот компании, давность регистрации, ОКВЭД), Контур.Фокус, СПАРК. Это доступно через интеграции — Битрикс24 умеет автоматически подтягивать карточку компании по ИНН. Эффект сильный — часто «оборот компании» оказывается ключевым предиктором конверсии.
Что делать, если ИИ оценивает лид «холодно», а менеджер чует горячего?
Доверять чутью менеджера. Score — это статистическая оценка, она ошибается на 15–25% случаев. У менеджера в живом разговоре есть данные, которых нет в CRM. Хорошая практика: если менеджер «передвинул» лид в приоритет вручную — это учитывается в будущем переобучении модели как дополнительный сигнал.
Сколько стоит внедрение скоринга в Битрикс24?
Простой скоринг по правилам — от 30 000 ₽ (несколько дней работы интегратора). ИИ-скоринг с обучением модели и интеграцией — от 120 000 ₽. Если у вас уже настроены воронки и есть исторические данные — проект можно сделать за 2–3 недели.
Что в итоге
Скоринг лидов — это не «хайповая ML-фишка», а рабочий инструмент управления приоритетами в отделе продаж. Он даёт ощутимый рост конверсии (на 30–60% от базовой) и окупается за 3–6 месяцев на любом отделе с потоком от 50 лидов в месяц.
Главное — начинать с простого: 5–7 правил, прозрачная логика, обратная связь от менеджеров. Потом усложнять, добавляя ИИ и внешние источники данных.
Если хотите внедрить скоринг в своём Битрикс24 — оцените стоимость на калькуляторе или запишитесь на бесплатный разбор. Мы посмотрим вашу воронку и скажем честно: какой вариант скоринга подойдёт под ваш объём лидов и что это реально даст в цифрах.