Wat is Leadscoring? Betekenis, Methode en Voorbeeld
Wat is leadscoring? De betekenis, hoe een puntensysteem werkt, een concreet voorbeeldmodel en waarom leadscoring vaak faalt door onvolledige data.
Inhoud
Sales krijgt tien nieuwe leads per dag, maar belt er maar drie — en niet altijd de juiste drie. Zonder een manier om leads te rangschikken, bepaalt onderbuikgevoel wie eerst wordt opgevolgd. Leadscoring lost dat op door elke lead een score te geven op basis van hoe goed die past bij je ideale klant en hoe actief die interesse toont.
Deze gids legt de betekenis van leadscoring uit, hoe een puntensysteem in de praktijk werkt, geeft een concreet voorbeeldmodel en laat zien waarom leadscoring in veel teams alsnog niet goed werkt.
Wat is leadscoring? (definitie)
Leadscoring is een methode waarbij leads een numerieke score krijgen op basis van hun kenmerken (functie, bedrijfsgrootte, sector) en hun gedrag (websitebezoek, e-mailopens, demo-aanvraag). Hoe hoger de score, hoe groter de kans dat de lead klaar is voor een salesgesprek. Sales gebruikt de score om te bepalen wie eerst wordt opgevolgd.
Hoe werkt een leadscoringsmodel?
De meeste modellen combineren twee soorten signalen:
- Fit (demografisch/firmografisch) — past deze lead bij je ideale klantprofiel? Denk aan functietitel, senioriteit, bedrijfsgrootte, sector en locatie. Dit zegt iets over of iemand ooit koper kan worden.
- Intentie (gedrag) — toont deze lead actieve koopinteresse? Denk aan een prijzenpagina-bezoek, een demo-aanvraag, herhaalde websitebezoeken of het openen van meerdere e-mails. Dit zegt iets over wanneer iemand koopklaar is.
Een lead met perfecte fit maar geen enkel gedragssignaal is nog niet warm. Een lead met veel gedragssignalen maar een verkeerd profiel (bijvoorbeeld een student die je pricing-pagina bezoekt) is ook geen goede prioriteit. Pas de combinatie van beide geeft een bruikbare score.
Voorbeeld van een leadscoringsmodel
Een eenvoudig puntensysteem kent punten toe per kenmerk of actie, en telt op tot een totaalscore:
| Signaal | Type | Punten |
|---|---|---|
| Functietitel bevat "Head of" of "VP" | Fit | +20 |
| Bedrijfsgrootte binnen ICP (bijv. 50-500 medewerkers) | Fit | +15 |
| Sector matcht doelmarkt | Fit | +10 |
| Persoonlijk e-mailadres (geen bedrijfsdomein) | Fit | -20 |
| Prijzenpagina bezocht | Intentie | +25 |
| Demo aangevraagd | Intentie | +30 |
| Whitepaper gedownload | Intentie | +10 |
| E-mail geopend, niet aangeklikt | Intentie | +2 |
| Langer dan 90 dagen geen activiteit | Intentie | -15 |
Een team stelt vervolgens een drempel in — bijvoorbeeld: score 50+ betekent automatisch een taak voor sales om binnen 24 uur op te volgen. Alles daaronder blijft in een marketing-nurture-traject.
Handmatig vs. voorspellend leadscoring
Er zijn twee hoofdvarianten:
- Handmatig (rule-based) leadscoring — een sales- en marketingteam stelt zelf de puntenwaarden vast op basis van ervaring, zoals in het voorbeeld hierboven. Simpel op te zetten, makkelijk aan te passen, maar vraagt periodiek onderhoud.
- Voorspellend (predictive) leadscoring — een model analyseert historische data (welke leads uiteindelijk klant werden) en berekent zelf welke kenmerken en gedragingen het sterkst voorspellen. Nauwkeuriger op schaal, maar vraagt genoeg historische data om betrouwbaar te zijn en is minder transparant.
De meeste kleinere en middelgrote teams beginnen met een handmatig model en stappen pas over op predictive scoring zodra er voldoende afgesloten deals zijn om een model op te trainen.
Leadscoring vs. MQL en SQL
Leadscoring is het mechanisme; MQL en SQL zijn de labels die eruit voortkomen. Een lead die de scoredrempel voor marketing haalt, wordt een MQL (marketing qualified lead). Zodra sales die lead handmatig beoordeelt en bevestigt dat hij past bij het ICP en gesprek-klaar is, wordt het een SQL (sales qualified lead). Leadscoring versnelt de eerste stap, maar vervangt de menselijke check bij de tweede niet volledig.
Waarom werkt leadscoring in de praktijk vaak niet?
Leadscoring is conceptueel simpel, maar faalt in veel teams om dezelfde reden: de data waarop wordt gescoord is onvolledig. Een paar veelvoorkomende problemen:
- Lege velden — een lead komt binnen met alleen naam en e-mailadres. Zonder functietitel of bedrijfsgrootte kan het fit-gedeelte van de score niet worden berekend, en krijgt de lead standaard een lage of neutrale score — ook als het eigenlijk een perfecte match is.
- Verouderde data — iemand die twee jaar geleden "Marketing Manager" was en inmiddels "VP Marketing" is, wordt nog steeds gescoord op de oude titel.
- Geen onderscheid tussen persoonlijk en zakelijk e-mailadres — een Gmail-adres scoort in de praktijk vaak anders dan een verified bedrijfsdomein, maar zonder verificatie is dat onderscheid niet te maken.
De oplossing hiervoor zit niet in een beter scoremodel, maar in vollediger data vóór de score wordt berekend. Wanneer elk nieuw contact automatisch wordt aangevuld met functietitel, bedrijfsgrootte, sector en senioriteit zodra het binnenkomt, kan het fit-gedeelte van je model meteen op complete informatie draaien in plaats van op een half leeg formulier.
Enrich-CRM verrijkt nieuwe leads in real time met 250+ bedrijfsdatapunten en 50+ contactdatapunten — inclusief koopintentie-signalen en detectie van functiewisselingen — en koppelt dit rechtstreeks aan je CRM via HubSpot, Clay, Zapier, Make, n8n of een REST API, verwerkt op EU-servers in Parijs.
Veelgestelde vragen
Wat is het verschil tussen leadscoring en lead grading? Leadscoring is meestal één gecombineerde score op basis van fit én gedrag. Lead grading is een aparte, vaak letter-gebaseerde beoordeling (A, B, C) van alleen de fit met je ICP, los van gedragssignalen. Sommige teams gebruiken beide naast elkaar.
Wie bepaalt de puntenwaarden in een leadscoringsmodel? Meestal sales en marketing samen, op basis van welke kenmerken en acties historisch het vaakst voorkwamen bij leads die uiteindelijk klant werden. Het model wordt periodiek bijgesteld naarmate er meer data beschikbaar komt.
Heb je een CRM nodig voor leadscoring? Niet strikt noodzakelijk, maar wel praktisch. De meeste CRM's (HubSpot, Salesforce, Pipedrive) hebben ingebouwde scoringsfunctionaliteit die automatisch draait zodra nieuwe data binnenkomt, wat handmatig scoren in een spreadsheet overbodig maakt.
Kan leadscoring volledig geautomatiseerd worden? De berekening zelf wel — de meeste CRM's herberekenen de score automatisch bij elke nieuwe activiteit of dataverandering. De inrichting van het model (welke punten voor welk signaal) en de uiteindelijke kwalificatiebeslissing van sales blijven mensenwerk.
Wil je dat je leadscoring op complete data draait in plaats van halflege formulieren? Start gratis met 100 credits — geen creditcard nodig.