Kvalificera leads automatiskt utan att tappa omdöme
Lästid 6 minPublicerad 2026-09-03Senast granskad 2026-09-03
Kort svar
Automatisk kvalificering fungerar när kriterierna är skrivna av sälj, när data bakom varje kriterium finns för minst nio av tio poster och när poängen rangordnar i stället för att sortera bort. Sätt alltid en gräns där tveksamma fall går till en människa, och gå igenom modellen varje kvartal mot faktiskt vunna affärer.
- Kriterierna är skrivna av den som faktiskt säljer, inte av den som äger systemet.
- Varje kriterium går att härleda till minst tre av era tjugo senaste vunna affärer.
- Inget kriterium bygger på gissad budget. Använd storlek, bransch och signalstyrka i stället.
- Negativa kriterier finns nedskrivna, till exempel fel geografi eller pågående avtal hos konkurrent.
Kvalificering går fel på två sätt. Antingen sorteras bra affärer bort av ett kriterium ingen minns varför det finns, eller så får allt hög poäng och modellen blir meningslös. Checklistan nedan går att gå igenom på en förmiddag.
Data
- Varje kriterium har data för minst nio av tio poster. Saknas data oftare är kriteriet en gissning.
- Berikningen har en källa och ett datum, så att ni ser när uppgiften blev gammal.
- Dubbletter slås ihop före poängsättning, annars rankas samma bolag tre gånger.
- Historiska affärer är märkta med utfall, annars går modellen inte att utvärdera.
Gräns och eskalering
- Poängen rangordnar en arbetslista. Den raderar aldrig ett lead.
- Tveksamma fall mellan två gränser går till en människa samma dag.
- Alla leads är sökbara oavsett poäng, så att säljaren kan gå emot modellen.
- Det syns i gränssnittet varför ett lead fick sin poäng, i klartext.
Uppföljning
- Varje kvartal jämförs poäng mot faktiskt utfall och kriterier justeras.
- Andel vunna affärer som hade låg poäng följs. Är den hög är modellen fel, inte säljaren.
Underlag
- Vår bedömning
Modeller byggda ur faktiskt vunna affärer träffar i vår erfarenhet bättre än modeller byggda ur en generisk mall från plattformen.
Vanliga frågor
- Hur många kriterier bör en modell ha?
- Fem till åtta räcker nästan alltid. Fler ger sken av precision men gör det omöjligt att förstå varför ett lead hamnade högt.
- Ska modellen använda beteende eller bolagsfakta?
- Båda, men håll dem isär. Bolagsfakta säger om de passar, beteende säger om det är rätt tidpunkt. En sammanslagen poäng döljer vilket av de två som brister.
- Vad gör vi med gamla leads?
- Kör om dem mot den nya modellen en gång per kvartal. Bolag som inte passade i våras kan ha bytt läge, och det är den billigaste listan ni har.