Lead scoring B2B: modello pratico per capire quali contatti meritano la chiamata del commerciale

Lunedì mattina il commerciale apre il CRM e trova quaranta contatti nuovi. Ci sono lo studente che ha scaricato una guida per la tesi, il fornitore che vuole venderti qualcosa, il buyer di un’azienda perfetta che ha guardato tre volte la pagina dei prezzi. Senza un criterio li chiama in ordine di arrivo, oppure non ne chiama nessuno. Il lead scoring B2B serve a dare quell’ordine: ogni contatto riceve un punteggio di fit (quanto somiglia al cliente ideale: ruolo, settore, dimensione, area geografica) e uno di comportamento (quanto si sta muovendo verso l’acquisto: pagina prezzi, richiesta demo, webinar, click). Sopra una certa soglia il contatto passa alle vendite, sotto resta nel nurturing. Le soglie si tarano sui contratti chiusi, non a sensazione.

Qui sotto trovi il modello che usiamo come punto di partenza nei progetti di marketing automation, con i punteggi, le soglie e le regole di passaggio al commerciale.

Cos’è il lead scoring B2B e a cosa serve in pratica?

Il lead scoring è un sistema di punti che ordina i contatti per probabilità di diventare clienti, così il commerciale dedica il tempo a chi ha più chance di firmare. Nel B2B serve soprattutto quando i lead sono più di quanti le vendite riescano a richiamare con attenzione, o quando marketing e vendite non sono d’accordo su cosa sia un “lead buono”.

Il punteggio da solo non vende niente. Il suo valore sta in tre decisioni che rende automatiche:

• chi chiamare oggi, perché ha il profilo giusto e sta mostrando interesse;
• chi lasciare al nurturing, perché ha il profilo giusto ma è ancora lontano dalla decisione;
• chi ignorare, perché non comprerà mai (concorrenti, candidati, studenti, fornitori).

Se nella tua azienda arrivano dieci richieste al mese e il commerciale le richiama tutte entro un’ora, probabilmente non ti serve un modello di scoring: ti serve più volume. Il lead scoring diventa utile quando c’è da scegliere.

Fit e comportamento: perché servono due punteggi separati

Un buon modello tiene separati il punteggio di fit (chi è il contatto) e quello di comportamento (cosa fa), perché rispondono a domande diverse e un totale unico le confonde. Un titolare di un’azienda target che non ha ancora fatto nulla e uno studente che ha scaricato cinque ebook possono arrivare allo stesso numero, ma meritano trattamenti opposti.

Scoring esplicito: il fit con il cliente ideale

Il fit si calcola sui dati che il contatto ti dà (form, LinkedIn, arricchimento del CRM) e su quelli dell’azienda. I criteri che contano quasi sempre nel B2B sono quattro:

• ruolo: decisore, influenzatore tecnico, utente finale, oppure nessun ruolo nel processo d’acquisto;
• settore: quelli in cui hai già clienti e casi studio pesano più di quelli “possibili”;
• dimensione: numero di dipendenti o fatturato, nella fascia in cui il tuo prodotto ha senso;
• area geografica: dove hai rete commerciale, assistenza, logistica.

A questi aggiungiamo spesso il tipo di email (aziendale o personale) e, per chi vende macchinari o impianti, il parco installato o la tecnologia usata.

Scoring implicito: il comportamento che segnala interesse

Il comportamento si misura con le azioni tracciate dal sito, dalle email e dagli eventi. Non tutte valgono uguale: la differenza la fa la vicinanza all’acquisto.

• segnali forti: richiesta demo o preventivo, visita alla pagina prezzi o al configuratore, ritorno sul sito dopo una call;
• segnali medi: partecipazione a un webinar, download di una scheda tecnica, lettura di un caso studio del proprio settore;
• segnali deboli: click su una newsletter, lettura di un articolo del blog.

Le aperture delle email le teniamo a zero o quasi. Da quando Apple ha introdotto la Mail Privacy Protection molte aperture vengono registrate in automatico, anche se nessuno ha letto il messaggio, e gonfiano il punteggio senza dire nulla sull’interesse.

Punteggi negativi e decadimento: come evitare che il punteggio menta

I punti negativi tolgono dal radar chi non comprerà mai, il decadimento abbassa il punteggio di chi si è fermato. Senza queste due regole il punteggio sale e basta, e dopo un anno metà del database risulta “caldo”.

Esempi di punti negativi che mettiamo quasi sempre:

• visita alla pagina “lavora con noi” o candidatura;
• email con dominio di un concorrente;
• ruolo da studente, consulente commerciale, agenzia;
• azienda fuori dall’area servita o sotto la dimensione minima;
• disiscrizione dalle email, rimbalzo definitivo dell’indirizzo.

Il decadimento si applica solo al comportamento. Il ruolo di un direttore acquisti non scade, la visita alla pagina prezzi di otto mesi fa sì. Gli strumenti lo gestiscono in modo diverso: nel lead scoring di HubSpot (piani Professional ed Enterprise) puoi impostare una riduzione percentuale a intervalli regolari, per esempio il 50% ogni tre mesi; in ActiveCampaign puoi far scadere i punti di una regola dopo un certo periodo, quindi l’azione smette di contare tutta insieme. Se il tuo CRM non lo prevede, basta un’automazione che ogni mese azzera o dimezza i punti di comportamento dei contatti inattivi da 60 o 90 giorni.

Un modello di lead scoring B2B completo, con i punteggi

Il modello che segue è pensato per un’azienda che vende un prodotto o servizio tecnico ad altre aziende, con ciclo di vendita di qualche mese. È un punto di partenza: i pesi vanno adattati al tuo mercato e poi corretti con i dati.

Prendiamo un’azienda che produce sistemi di automazione per l’industria alimentare, vende in Italia e nei paesi di lingua tedesca, e lavora bene con clienti tra 50 e 500 dipendenti.

Area	Criterio	Punti
Fit	Ruolo decisore (titolare, direttore generale, direttore tecnico o di produzione)	+15
Fit	Ruolo influenzatore (ufficio tecnico, acquisti, manutenzione)	+8
Fit	Studente, consulente, agenzia	-15
Fit	Settore primario (alimentare, bevande)	+10
Fit	Settore secondario (packaging, farmaceutico)	+5
Fit	Settore fuori target	-10
Fit	50-500 dipendenti	+10
Fit	10-49 dipendenti	+4
Fit	Meno di 10 dipendenti	-10
Fit	Italia, Germania, Austria, Svizzera	+5
Fit	Fuori dall’area servita	-20
Fit	Email aziendale	+5
Comportamento	Richiesta demo o preventivo	+40
Comportamento	Visita pagina prezzi o configuratore (una volta ogni 7 giorni)	+15
Comportamento	Partecipazione a un webinar	+15
Comportamento	Iscrizione al webinar senza partecipare	+5
Comportamento	Download scheda tecnica	+10
Comportamento	Lettura caso studio del proprio settore	+8
Comportamento	Click su un’email (massimo 3 volte al mese)	+3
Comportamento	Apertura email	0
Comportamento	Visita pagina “lavora con noi”	-30
Comportamento	Disiscrizione dalle email	-20
Decadimento	Nessuna attività per 60 giorni	-50% dei punti comportamento

Fit massimo: 45 punti. Il comportamento non ha un tetto teorico, ma i limiti di frequenza (una visita ai prezzi a settimana, tre click al mese) evitano che un contatto molto attivo sulla newsletter superi chi ha chiesto un preventivo.

Due esempi per capire come si comporta. Il direttore di produzione di un caseificio emiliano con 120 dipendenti arriva a 45 punti di fit; partecipa a un webinar e guarda la pagina prezzi: 30 punti di comportamento. Un consulente di una società di formazione in Spagna parte con un fit sotto zero (consulente, settore fuori target, fuori dall’area servita) e può cliccare tutte le newsletter che vuole, il commerciale non lo vedrà mai in lista.

Come si fissano le soglie MQL e SQL?

La soglia MQL (Marketing Qualified Lead) indica quando un contatto è abbastanza in target e abbastanza attivo da meritare l’attenzione delle vendite; la SQL (Sales Qualified Lead) arriva dopo, quando il commerciale ha verificato che c’è un progetto reale. Le prime soglie si stimano, poi si correggono guardando i punteggi dei contratti chiusi.

Con due punteggi separati conviene ragionare per combinazioni, non per un numero unico. Questa matrice è quella che proponiamo come prima versione:

Fit / comportamento	Basso (sotto 15)	Medio (15-34)	Alto (35 o più)
Alto (30-45)	Nurturing mirato	MQL	MQL prioritario, chiamata entro la giornata
Medio (15-29)	Nurturing	Nurturing intensivo	MQL
Basso (sotto 15)	Nessuna azione	Nurturing generico	Verifica manuale

La richiesta di demo o preventivo fa eccezione: se il fit è almeno medio, il contatto va al commerciale subito, a prescindere dal resto. Nessuno vuole che un’azienda che chiede un’offerta aspetti perché “non ha ancora abbastanza punti”.

Tarare le soglie sui contratti chiusi

Dopo tre o sei mesi hai abbastanza dati per controllare se le soglie sono giuste. Il procedimento è semplice:

1. Esporta dal CRM le opportunità chiuse degli ultimi 12-24 mesi, vinte e perse, con il punteggio che il contatto aveva al momento del passaggio alle vendite.
2. Dividi i contatti in fasce di punteggio e calcola per ognuna la percentuale di opportunità vinte.
3. Guarda dove la percentuale cambia passo. Se sotto i 40 punti di comportamento non chiude quasi nessuno e sopra sì, la soglia è lì.
4. Controlla i criteri uno per uno: se i clienti vinti vengono quasi tutti da un settore che hai messo come “secondario”, alzagli il peso.
5. Fai lo stesso con i persi: un criterio che compare spesso tra chi ha detto no merita meno punti, o punti negativi.

Se le opportunità chiuse sono poche, il modello resta in buona parte un’ipotesi. Va bene lo stesso, purché tu lo dichiari e lo riveda più spesso. Per collegare il punteggio a cosa succede dopo, fino alla fattura, abbiamo scritto una guida su come seguire il percorso dal lead al contratto, dal CRM al fatturato.

Il passaggio alle vendite: lo SLA che rende utile il punteggio

Lo SLA (accordo sul livello di servizio) tra marketing e vendite stabilisce cosa succede quando un contatto supera la soglia: chi lo prende, entro quanto lo contatta e come restituisce l’esito. Senza questo accordo il punteggio diventa un numero che nessuno guarda.

La velocità pesa. Uno studio pubblicato su Harvard Business Review su oltre duemila aziende ha rilevato che chi tentava di contattare il lead entro un’ora aveva quasi sette volte più probabilità di qualificarlo rispetto a chi aspettava anche solo un’ora in più (The Short Life of Online Sales Leads). Lo studio è del 2011, ma la dinamica non è cambiata: un preventivo richiamato il giorno dopo spesso ha già ricevuto un’altra offerta.

Uno SLA di partenza può essere questo:

• richiesta demo o preventivo: primo contatto entro un’ora lavorativa;
• MQL prioritario: contatto entro la stessa giornata lavorativa;
• MQL: contatto entro due giorni lavorativi;
• esito obbligatorio entro cinque giorni: accettato (diventa SQL), rifiutato con motivo, oppure da ricontattare con una data;
• impegno del marketing: un numero minimo di MQL al mese concordato, con la qualità misurata dalla quota accettata dalle vendite.

Il motivo del rifiuto è il dato più prezioso di tutto il sistema. “Azienda troppo piccola”, “nessun budget quest’anno”, “già cliente di un concorrente con contratto pluriennale”: se lo stesso motivo torna spesso, va trasformato in un criterio del modello.

Cosa fare con chi non è ancora pronto: automazioni e nurturing

I contatti sotto soglia non vanno buttati: vanno seguiti con un percorso di lead nurturing che li riporti al commerciale quando il punteggio sale. È qui che il lead scoring e la marketing automation lavorano insieme.

Le automazioni che impostiamo più spesso:

• fit alto, comportamento basso: sequenza di contenuti per il settore e il ruolo (casi studio, schede tecniche, inviti a webinar), con un’email personale del commerciale dopo qualche settimana;
• fit medio, comportamento in crescita: avviso al commerciale quando il contatto torna sulla pagina prezzi, anche se non ha ancora superato la soglia;
• rifiutato dalle vendite con motivo “non ora”: rientro automatico nel nurturing e promemoria al commerciale alla data indicata;
• MQL non lavorato entro lo SLA: notifica al responsabile commerciale;
• contatto inattivo da sei mesi: campagna di riattivazione, poi pulizia dalla lista se non risponde.

Abbiamo raccolto esempi di flussi completi nella guida al lead nurturing B2B, e il funzionamento di base di workflow, trigger e segmenti è spiegato in marketing automation: cos’è e come funziona.

Le implicazioni per lead generation, CRM e campagne

Un modello di scoring cambia anche il modo in cui misuri il marketing: il numero di lead conta meno, conta quanti diventano MQL accettati e poi opportunità. È la stessa logica delle metriche per la gestione dei lead B2B, con un livello in più di dettaglio.

In pratica:

• campagne: puoi confrontare le fonti (Google Ads, LinkedIn, fiere, organico) per quota di MQL e non per costo per lead. Una campagna che porta pochi contatti ma quasi tutti con fit alto vale più di una che riempie il CRM di studenti;
• conversioni offline: se rimandi a Google Ads o Meta l’evento “MQL” o “SQL” al posto del semplice invio del form, gli algoritmi imparano a cercare contatti simili a quelli buoni;
• CRM: servono campi puliti per ruolo, settore e dimensione. Un form con “Settore: altro” come prima opzione rende inutile metà del fit;
• report: ogni mese guardiamo quanti MQL sono stati generati, quanti accettati, in quanto tempo lavorati e quanti diventati opportunità.

Scoring predittivo e AI nei CRM: cosa fanno oggi HubSpot, ActiveCampaign e Salesforce

Lo scoring predittivo usa il machine learning per stimare la probabilità di conversione partendo dallo storico dei clienti, invece di punteggi scritti a mano. Funziona bene quando hai molti dati puliti; con pochi contratti all’anno un modello a regole resta più affidabile e più facile da spiegare al commerciale.

Lo stato attuale nei tre CRM che incontriamo più spesso:

CRM	Scoring a regole	Scoring predittivo	Cosa sapere
HubSpot	Punteggi di fit, di engagement e combinati, con soglie e decadimento (Marketing o Sales Hub Professional ed Enterprise)	Proprietà “Likelihood to close” e “Contact priority” (piani Enterprise)	La probabilità stimata riguarda la chiusura entro 90 giorni e i contatti vengono raggruppati in quattro fasce di priorità
ActiveCampaign	Punteggi sui contatti e sulle trattative, con punti positivi, negativi e scadenza	Win Probability sulle trattative	La probabilità si calcola sulle trattative vinte di ciascuna pipeline, e i fattori non pertinenti si possono escludere
Salesforce	Regole personalizzate o tramite Account Engagement	Einstein Lead Scoring	Serve uno storico minimo: almeno 1.000 lead creati negli ultimi 200 giorni e almeno 120 convertiti; altrimenti usa un modello globale costruito su dati anonimi

Le fonti: la documentazione di HubSpot sul predictive lead scoring, la pagina di ActiveCampaign sulla Win Probability e quella di Salesforce sui requisiti di Einstein Lead Scoring, che è incluso in Sales Cloud Einstein (edizioni Performance e Unlimited, a pagamento in Enterprise).

Il nostro consiglio: parti con un modello a regole, fallo girare sei mesi, poi affianca il predittivo e confronta. Se il punteggio predittivo e quello a regole indicano gli stessi contatti, bene; se divergono, il confronto ti dice quali segnali stavi ignorando. Il predittivo ha un limite pratico: spiega poco perché un contatto ha quel punteggio, e un commerciale tende a non fidarsi di un numero che non capisce.

Errori da evitare nel lead scoring

Gli errori che vediamo più spesso non sono tecnici: riguardano la manutenzione del modello e il rapporto con le vendite.

• Troppi criteri. Trenta regole con pesi da 1 a 7 nessuno le ricorda e nessuno le sa correggere. Dieci o quindici criteri bastano quasi sempre.
• Punteggio mai rivisto. Il modello impostato all’avvio del CRM e mai più toccato descrive il mercato di allora. Una revisione ogni sei mesi, sui contratti chiusi, è il minimo.
• Il commerciale non lo usa. Se le vendite non hanno partecipato alla definizione dei criteri, continueranno a lavorare a modo loro. Coinvolgile dall’inizio, mostrando le liste ordinate e chiedendo dove il punteggio sbaglia.
• Un solo numero totale. Sommare fit e comportamento nasconde i casi peggiori, come il contatto fuori target molto attivo.
• Nessun punto negativo e nessun decadimento. Il database diventa tutto caldo e il punteggio perde ogni significato.
• Dati di fit vuoti. Se ruolo e settore mancano nel 60% dei contatti, il modello lavora solo sul comportamento. Rendi obbligatori i campi chiave nei form ad alto valore e usa l’arricchimento dove possibile.

Checklist per mettere in piedi il modello in un mese

1. Riunisci marketing e vendite e definite insieme il cliente ideale: ruolo, settore, dimensione, area.
2. Elenca le azioni che oggi precedono una richiesta d’offerta (pagine, contenuti, eventi).
3. Verifica che il CRM raccolga quei dati e che il tracciamento del sito li registri sul contatto.
4. Scrivi la prima versione del modello: 10-15 criteri, punti negativi, decadimento.
5. Applicalo allo storico e controlla se i clienti attuali sarebbero risultati MQL.
6. Concorda lo SLA: tempi di contatto, esiti, motivi di rifiuto.
7. Imposta le automazioni per avvisi, nurturing e rientri.
8. Dopo tre mesi, prima revisione delle soglie sui dati reali; poi ogni sei mesi.

Vuoi impostare il lead scoring con il tuo team commerciale?

Il modello funziona quando marketing e vendite lo costruiscono insieme. Per questo lo impostiamo con un workshop: una o due sessioni in cui definiamo il cliente ideale, i segnali d’acquisto, le soglie e lo SLA, poi lo configuriamo nel tuo CRM e lo colleghiamo ai flussi di lead nurturing B2B. Fa parte del nostro lavoro sulla marketing automation e sull’analisi dei dati.

Se vuoi capire se nel tuo caso ha senso, prenota una call con Federico oppure scrivici dal form. Guardiamo volumi, CRM e processo commerciale e ti diciamo con franchezza se conviene partire dallo scoring o da qualcos’altro.

Domande frequenti

Quanti lead servono per fare lead scoring?

Per un modello a regole non c’è un minimo: basta avere più contatti di quanti il commerciale riesca a seguire con attenzione. Per lo scoring predittivo servono volumi più alti; Salesforce, per esempio, chiede almeno 1.000 lead in 200 giorni e 120 conversioni.

Che differenza c’è tra MQL e SQL?

L’MQL è un contatto che, secondo il punteggio, è abbastanza in target e attivo da passare alle vendite. Diventa SQL quando il commerciale lo ha sentito e ha verificato che c’è un progetto, un referente e una tempistica.

Ogni quanto va rivisto il modello di lead scoring?

La prima revisione dopo tre mesi, poi almeno ogni sei, confrontando i punteggi con le opportunità vinte e perse. Va rivisto anche quando cambiano prodotto, mercati o sito.

Il lead scoring funziona anche con pochi contatti al mese?

Con poche decine di contatti al mese il commerciale può valutarli uno per uno. In quel caso conviene usare almeno il fit e i punti negativi, per filtrare chi è fuori target, e rimandare il resto a quando i volumi crescono.

Lo scoring predittivo sostituisce quello a regole?

Può affiancarlo quando lo storico è ampio e pulito. Con pochi contratti chiusi all’anno un modello a regole è più affidabile e più facile da spiegare alle vendite.