Trenger du hjelp til å finne ut hvilke leads som fortjener oppmerksomheten din først?
De fleste salgs- og markedsføringsteam kaster bort tid på å jage kontakter som aldri kom til å kjøpe, mens genuint interesserte prospekter glipper unna.
HubSpot lead scoring løser dette ved å gi hver kontakt (og hvert selskap) et tall som gjenspeiler hvor sannsynlig det er at de konverterer til kunde.
Men dette handler ikke lenger bare om å telle klikk.
Det moderne scoringsystemet i HubSpot kombinerer hvem noen er med hva de har gjort, og gir deg et todimensjonalt bilde som er langt mer nyttig enn én enkelt engasjementsmetrikk.
Når du har lest denne artikkelen, vet du hvordan du bygger en scoringmodell fra bunnen av, bruker terskler og automatisering til å handle på scorene dine, og holder hele systemet skarpt over tid.
Hva som er endret: Gammel scoring vs. det moderne lead scoring-verktøyet
Hvis du har brukt lead scoring i HubSpot tidligere, er systemet du husker, sannsynligvis borte.
Atferdssignaler som e-postklikk og skjemainnsendinger viser aktivitet, men de sier ingenting om hvorvidt noen faktisk passer godt til produktet eller tjenesten din.
En person kan åpne hver eneste e-post du sender og likevel være helt feil for det du selger — feil bransje, feil selskapsstørrelse, feil budsjett.
Den moderne tilnærmingen til lead scoring løser dette ved å kombinere atferdsdata med selskaps-/kontaktfit — det vil si at du ikke bare scorer hva noen gjør, men hvem de er.
Den kombinasjonen er det som skiller en genuint salgsklar lead fra en nysgjerrig en.
Der det gamle systemet ga deg ett enkelt tall drevet av en håndfull atferder som e-postklikk og skjemainnsendinger, introduserer det moderne lead scoring-verktøyet selskaps-/kontaktfit, score decay, tidsbasert logikk og gruppegrenser for lead scoring.
Hvis det er en stund siden du har brukt HubSpot lead scoring, er det et godt tidspunkt å se på verktøyet igjen nå.
Scoretyper: Fit, engasjement og kombinert
HubSpot skiller nå mellom tre typer lead-scorer, og det er viktig å forstå forskjellen, fordi hver av dem har et eget formål.
1. Engasjementsscore
En engasjementsscore måler atferd og interaksjoner. Den sporer ting som nettstedsbesøk, e-poståpninger og -klikk, CTA-klikk, skjemainnsendinger og møtebookinger. Dette forteller deg hvor interessert en kontakt er akkurat nå.
2. Fit-score
En fit-score måler hvor godt en kontakt eller et selskap matcher din ideelle kundeprofil.
Den evaluerer demografiske og firmografiske attributter: stillingstittel, selskapsstørrelse, omsetning, bransje og region.
Dette forteller deg om leaden er riktig type kjøper, uavhengig av hvor mye de har engasjert seg.
3. Kombinert score
En kombinert score slår begge signalene sammen i ett rammeverk. Det er her HubSpots terskelsystem blir spesielt nyttig.
Når du setter opp en kombinert score, oppretter HubSpot automatisk tre egenskaper: en kombinert score, en engasjementsscore og en fit-score.
Den genererer også en terskelklassifisering med et bokstav-tall-system fra A1 til C3.
Bokstaven (A, B eller C) representerer fit-nivå, fra best til dårligst. Tallet (1, 2 eller 3) representerer engasjementsnivå, der 1 er mest engasjert.
En kontakt klassifisert som A1 er altså en sterk match som er høyt engasjert — din varmeste lead.
En C1 er en med høyt engasjement, men lav fit — de er interessert, men de er kanskje ikke riktig kunde.
En B3 har grei fit, men minimalt engasjement — verdt å pleie videre, men ikke klar for salg.
Denne toaksede klassifiseringen er det som gjør kombinerte scorer så praktiske. Automatiseringen din kan reagere ulikt avhengig av hvorfor en lead scoret høyt, ikke bare om tallet er stort.
Bygg din ideelle kundeprofil
Før du rører scoringverktøyet, trenger du klarhet i hvem dine beste kunder faktisk er.
Din ideelle kundeprofil er en fokusert beskrivelse av virksomhetene og rollene som får mest verdi av det du selger.
Start med å se på de eksisterende kundene dine.
Hvilke konverterer raskest, blir lengst og utvider mest? Hva har de til felles?
Typisk ser du på trekk som bransje, selskapsstørrelse og omsetning, geografisk region og stillingstitlene til dem som kjøper.
Når du har identifisert disse trekkene, bygger du en enkel prospekt-/fit-matrise.
Plott nøkkelattributtene dine mot viktighetsnivåer for å lage et veikart for poengfordeling.
Hvis dine beste kunder for eksempel er mellomstore B2B-teknologiselskaper med dedikerte salgsteam, bør de attributtene veie tyngst i fit-scoren din.
Denne matrisen blir oversettelseslaget mellom forretningsstrategi og HubSpot-konfigurasjon.
Hver poengverdi du tildeler senere, bør kunne spores tilbake til en bevisst beslutning om hva som gjør noen til en god match.
Steg for steg: Bygg lead scoring i HubSpot
Her er den praktiske gjennomgangen for å bygge en score i HubSpots moderne lead scoring-verktøy.
1. Sjekk tilgang og rettigheter
Naviger til Marketing og deretter Lead Scoring. Du trenger Lead Scoring-rettigheten aktivert for brukerrollen din. Hvis du ikke ser valget, ber du HubSpot-administratoren din om tilgang.
2. Velg objekt og scoretype
Velg hva du vil score — kontakter, selskaper eller avtaler — og velg scoretype: Fit, engasjement eller kombinert. Avtalescoring er vanligvis kombinert som standard. Hvilke objekter som er tilgjengelige, kan avhenge av HubSpot-abonnementsnivået ditt.
3. Definer scoreområde og gruppegrenser
HubSpot lar deg sette en egendefinert scoregrense — og vi anbefaler å holde det enkelt med et område fra 0 til 100.
Hvorfor?
Fordi rene, runde tall gjør det enkelt å koble scoreterskler direkte til livssyklusfaser.
For eksempel:
0–25 = Lead
26–50 = MQL
51–75 = SQL
Med den strukturen på plass kan du utløse automatiske oppdateringer av livssyklusfase i workflows i det øyeblikket en kontakt krysser en terskel — uten manuell gjennomgang.
For at tersklene skal være meningsfulle, bør du også sette et tak på hver scoringgruppe individuelt. Uten gruppegrenser kan en kontakt som besøker nettstedet ditt femti ganger, samle flere poeng enn en som booket en demo.
Ved å begrense «sidebesøk»-gruppen din til for eksempel 20 poeng, mens «møteaktivitet» kan nå 60, sikrer du at modellen gjenspeiler reell kjøpsintensjon i stedet for tilfeldig surfing — og at MQL-ene og SQL-ene dine faktisk er verdt å handle på.
4. Bygg reglene dine
Engasjementsregler er basert på hendelser. Du kan filtrere på frekvens, tidsvinduer og operatorer som «minst», «mellom» eller «i løpet av de siste». For eksempel: gi 12 poeng når en kontakt besøker prissiden minst to ganger i løpet av de siste 30 dagene.
Fit-regler bruker egenskapsbetingelser. Dette er enkle attributtsjekker: selskapsstørrelse ligger innenfor et bestemt område, stillingstittel inneholder bestemte nøkkelord, bransje matcher målsegmentene dine.
For selskaps- eller avtalescoring kan engasjementshendelser komme fra tilknyttede kontakter — slik at et selskaps score kan gjenspeile den samlede atferden til alle i organisasjonen.
4. Legg til negative signaler
Regler kan trekke fra poeng, og scorer kan bli negative. Vanlige negative signaler er avmelding fra e-post, e-postdomener fra konkurrenter, gratis e-postadresser (for B2B) og stillingstitler som indikerer en ikke-kjøper (som «student» eller «jobbsøker»).
En liten advarsel: ikke overdriv negativ scoring. Hvis en bestemt type kontakt aldri skal scores i det hele tatt, er en ekskluderingsliste ryddigere enn å trekke fra poeng.
5. Aktiver score decay
Score decay reduserer poeng gradvis over tid, slik at modellen din gjenspeiler nylig aktivitet i stedet for historisk atferd. HubSpot tilbyr decay-intervaller på 1, 3, 6 eller 12 måneder.
Slik fungerer det i praksis. Si at du gir 10 poeng når en kontakt fyller ut et skjema. Med decay på én måned aktivert faller de 10 poengene til 5 etter én måned, og deretter til null etter to.
Det betyr at en lead som fylte ut et skjema i fjor, ikke veier like tungt som en som gjorde det forrige uke — som er akkurat det du vil.
5. Kontroller hvilke oppføringer som scores
Du kan definere inkluderingslister og ekskluderingslister for å styre hvilke kontakter eller selskaper som inngår i scoringmodellen. Dette hindrer at irrelevante oppføringer — interne ansatte, eksisterende kunder, kjente konkurrenter — forstyrrer dataene dine.
6. Konfigurer scoreterskler
Terskler kategoriserer de scorede kontaktene dine i bånd: Høy, Middels og Lav for endimensjonale scorer, eller A1-til-C3-klassifiseringen for kombinerte scorer.
HubSpot oppretter automatisk en terskelegenskap med fargekodede etiketter, slik at det er lett å se hvor noen står med et raskt blikk.
7. Test før du publiserer
Dette er steget de fleste team hopper over, og det er det som redder deg fra å publisere en modell som ikke stemmer med virkeligheten.
HubSpot gir deg to testverktøy. «Test a record» viser nøyaktig hvilke regler som ble utløst og hvor mange poeng hver av dem bidro med — tenk på det som et røntgenbilde av én enkelt kontakts score.
«Preview distribution» viser scorefordelingen på tvers av databasen din, slik at du ser om modellen din gir en realistisk normalfordeling eller klumper alle i én ytterkant.
I store portaler kan fordelingsforhåndsvisningen bruke et utvalg av dataene, men det er fortsatt den beste fornuftssjekken før du går live.
Hvis 80 prosent av kontaktene dine scorer under 5 og en håndfull scorer over 90, trenger reglene dine sannsynligvis rebalansering.
Du bør også gjøre litt backtesting: se på kontakter som ble kunder de siste seks månedene, og sjekk om den nye modellen din ville gitt dem høy score.
Hvis de beste kundene dine ville blitt begravd nederst på listen, fanger ikke reglene dine opp de riktige signalene.
8. Aktiver og følg med
Når modellen er aktivert, evaluerer HubSpot historiske oppføringer og beregner scorer med tilbakevirkende kraft. Scorene oppdateres deretter automatisk etter hvert som nye data kommer inn. Du trenger ikke å kjøre noe på nytt manuelt.
Eksempler på lead scoring-modeller
Abstrakte regler blir mye tydeligere med konkrete eksempler. Her er to modeller — én B2B og én B2C — som illustrerer hvordan ulike virksomheter kan konfigurere scorene sine.
Gjennomgang av en beregning
Ta B2B-eksempelet. En markedsdirektør i et mellomstort SaaS-selskap besøker prissiden din, laster ned en whitepaper og booker et møte.
Scoren deres: +15 (selskapsstørrelse) + +10 (bransje) + +12 (prisside) + +25 (demoforespørsel via skjema) + +30 (møte booket) = 92 poeng. Det er en A1-lead — sterk fit, høyt engasjement, og salgsteamet ditt bør ta kontakt i dag.
Sammenlign det med en som har Gmail-adresse og ingen selskapsinfo, og som åpnet to markedsførings-e-poster. Scoren deres: -10 (gratis e-post) + +4 (e-poståpninger) = -6 poeng. De blir værende i nurture-sekvenser.
Regelbasert scoring vs. AI og prediktive modeller
HubSpot tilbyr tre ulike tilnærminger til scoring, og de blandes ofte sammen.
1. Manuell regelbasert scoring
Dette er det vi har dekket så langt. Du definerer regler, tildeler poengverdier og kontrollerer hele modellen. Det er den mest transparente og fleksible tilnærmingen, og den er tilgjengelig på lavere abonnementsnivåer.
2. AI Score Builder
HubSpot kan foreslå en scoringmodell basert på historiske livssykluskonverteringer.
Den analyserer kontakter som beveget seg fra én livssyklusfase til en annen, og anbefaler regler som korrelerer med konvertering.
Dette krever Marketing Hub Enterprise og et minimumsdatasett på rundt 50 kontakter som har fullført konverteringen du modellerer. Tenk på det som et datainformert utgangspunkt som du deretter tilpasser.
3. Prediktiv lead scoring
Prediktiv scoring er en egen Enterprise-funksjon som bruker maskinlæring til å estimere sannsynligheten for at en kontakt blir kunde innen 90 dager. Den skriver resultatene til standardegenskaper som «Likelihood to close» og «Contact priority».
Det viktige skillet: HubSpot sier eksplisitt at denne modellen er en svart boks. Du kan se hvilke data som går inn og hvilke scorer som kommer ut, men ikke vektingslogikken imellom.
Den er et supplement til regelbasert scoring, ikke en erstatning — bruk den som en second opinion ved siden av modellen du selv kontrollerer.
Gjør scorer om til handling med workflows
En score som ligger i et egenskapsfelt, er bare et tall. Den blir verdifull når du kobler den til handling. Det er her lead scoring i HubSpot slutter å være en rapporteringsøvelse og begynner å drive omsetning.
Den typiske workflow-strukturen ser slik ut. Leads med høy score (dine A1-er og A2-er) utløser umiddelbare salgshandlinger: tildel en eier, opprett en oppgave, send et internt varsel eller opprett en avtale automatisk.
Leads med middels score (B1-er, B2-er) går inn i nurture-sekvenser der du følger med på engasjementet og venter på kjøpssignaler. Leads med lav score (C2-er, C3-er) får lavterskelbehandling — nyhetsbrev, bredt pedagogisk innhold, ingenting som binder opp salgsteamets tid.
HubSpot har også en workflow-handling for å nullstille engasjementsscorer.
Dette er praktisk når en kontakt kommer tilbake i trakten etter å ha gått kald — du kan viske tavlen ren og la dem bygge en fersk score basert på nåværende atferd.
For rapportering bruker du scoreegenskaper i dashbordene dine. Følg med på konverteringsrater per scorebånd, gjennomsnittlig responstid per scorenivå, og pipeline generert fra leads med høy score kontra lav.
Scorehistorikk er også synlig direkte i tidslinjene på kontakt- og selskapsoppføringer, slik at selgerne dine kan se utviklingen, ikke bare det gjeldende tallet.
Beste praksis og vanlige fallgruver
Etter å ha jobbet med HubSpot lead scoring i dusinvis av portaler, er dette det som skiller modellene som faktisk blir brukt, fra dem som blir ignorert.
Start i det små. Begynn med 6 til 12 signaler, ikke dusinvis. En oppblåst modell er vanskelig å vedlikeholde og enda vanskeligere å feilsøke når noe går galt. Du kan alltid legge til kompleksitet senere.
Bruk score decay fra dag én. Uten det samler kontakter poeng i det uendelige, og listen over «toppleads» fylles opp av folk som var aktive for to år siden, men ikke har logget inn siden.
Bruk gruppegrenser konsekvent. En av de vanligste feilene er scoreinflasjon fra gjentatte hendelser med lav verdi. Hvis noen besøker bloggen din 200 ganger, bør ikke det gjøre dem til leaden med høyest score. Sett tak på gruppene dine.
Bruk terskelkategorier i stedet for vilkårlige tall. Å si til salgsteamet «følg opp leads som scorer over 47» er mindre nyttig enn «følg opp A1- og A2-leads». A1–C3-rammeverket gir alle et felles språk.
Gjennomgå kvartalsvis. Markeder endrer seg, produktet ditt utvikler seg, og kjøpsatferden forandrer seg. En scoringmodell bygget i Q1 stemmer kanskje ikke med virkeligheten i Q4. Sett opp en kvartalsvis gjennomgang for å sjekke om leads med høy score faktisk konverterer, og juster reglene basert på det du finner.
Se opp for disse fallgruvene: Scoreinflasjon fra sidebesøk uten tak. Publisering av regler uten å teste fordelingen. Overforbruk av negative poeng når ekskluderingslister ville vært enklere.
Og forsømmelse av datahygiene i CRM — selskaps- og avtalescorer er avhengige av tilknyttede kontakter, så dupliserte eller ufullstendige oppføringer vil forvrenge resultatene dine.
GDPR og personvern: Dette må du vite
Hvis du scorer leads i Europa (eller scorer europeiske kontakter fra hvor som helst), er denne delen viktig. Lead scoring kvalifiserer ofte som profilering under GDPR.
Profilering innebærer automatisert behandling av personopplysninger for å vurdere atferd eller preferanser, og å tildele scorer basert på nettstedsbesøk, e-postengasjement og demografiske attributter passer den beskrivelsen.
Selv om markedsføringsprioritering vanligvis ikke utløser begrensningene rundt helautomatiserte beslutninger under artikkel 22, må du fortsatt sikre åpenhet (kontaktene dine bør vite at du scorer dem), et lovlig behandlingsgrunnlag og riktig samtykke for sporingen som mater scorene dine.
HubSpot tilbyr verktøy som støtter etterlevelse: personverninnstillinger, banner for informasjonskapsler og sporing av behandlingsgrunnlag som egenskap.
Hvis du importerer eksterne atferdsdata til HubSpot for å berike scorene dine, blir styring enda viktigere. Dokumenter hvilke data du bruker, hvor de kommer fra og hvorfor.
Kom i gang: Veien til bedre lead-prioritering
Du har nå alt du trenger for å bygge en HubSpot lead scoring-modell som faktisk fungerer. Her er rekkefølgen som får team raskest live:
Først: definer ICP-en din og oversett de attributtene til fit-scoringsregler. Dette er attributter som sjelden endrer seg, så de utgjør et stabilt fundament.
Deretter: legg på engasjementssignaler som gjenspeiler reell kjøpsintensjon — ikke bare tilfeldig surfing, men handlingene som historisk går forut for en vunnet avtale.
Så: sett gruppegrenser og score decay fra starten av. Disse to innstillingene er det som skiller en scoringmodell som forblir nyttig, fra en som gradvis blir meningsløs.
Til slutt: koble scorene dine til workflows som ruter de riktige leadsene til de riktige personene i riktig øyeblikk.
Forskjellen mellom et team som gjetter og et team som scorer, er forskjellen mellom å jage hver eneste lead og å fokusere på dem som betyr noe.
Hvis du har vært i tvil om HubSpot lead scoring, har det moderne verktøyet gjort investeringen verdt det. Gammel scoring var for begrenset til å forsvare for mange team.
Dagens system — med kombinerte scorer, terskelklassifiseringer, decay og AI-assistert modellbygging — er noe helt annet.
Vil du ha hjelp til å bygge eller revidere lead scoring-modellen din? Ta kontakt med teamet vårt — vi konfigurerer dette for B2B-selskaper hver uke.