# Lead scoring: cara memberi skor dan mengkualifikasi lead Anda secara otomatis dari formulir

> Panduan lead scoring: cara memberi poin tiap jawaban, menetapkan ambang Hot/Warm/Cold, melabeli dengan aturan, dan mengkalibrasi model dengan corong Anda.

- **Sumber (source):** https://aistohire.com/id/aiformleads-formulir-untuk-menjaring-dan-mengklasifikasikan-lead-108/blog/lead-scoring-kualifikasi-lead-dari-formulir
- **Platform (platform):** AIstoHire
- **Bahasa (language):** id
- **Diperbarui (updated):** 2026-11-20

## Ringkasan

- **Lead scoring adalah penjumlahan poin, bukan tebakan**: setiap jawaban di formulir Anda bernilai sebuah angka, dan totalnya menentukan siapa yang Anda hubungi lebih dulu. Yang sulit bukan rumusnya, melainkan memilih pertanyaan mana yang diberi poin.
- **Memberi skor tanpa label membuat pekerjaan setengah jadi**: angka 85 memberi tahu Anda bahwa lead itu bagus; label seperti `anggaran-tinggi` atau `belum-memutuskan` memberi tahu *mengapa* dan apa yang harus dikatakan saat menelepon.
- **Ambang batas dievaluasi dari yang tertinggi ke terendah**: yang menang adalah yang pertama kali minimumnya tercapai. Dengan pembagian bawaan Aiformleads (Hot ≥ 80, Warm ≥ 50, Cold ≥ 0), lead dengan 80 poin adalah Hot dan yang 79 adalah Warm. Batas itu Anda yang menentukan dan akan Anda geser.
- **Model yang belum dikalibrasi lebih buruk daripada tidak punya model**: jika 70% lead Anda menjadi Hot, skala Anda rusak. Ukurlah dengan distribusi kualifikasi dan dengan tingkat keluar nyata per langkah, bukan dengan persentase yang dijanjikan brosur.
- **Memberi skor kepada orang punya batas hukum**: dasar hukum, informasi di muka, dan hak penghapusan bukan pilihan (Peraturan (UE) 2016/679). Artikel ini menjelaskan cara kerja alatnya, bukan pengganti pertimbangan penasihat hukum Anda.

Jika Anda menerima formulir lalu memutuskan secara manual mana yang layak ditelepon, Anda sedang melakukan lead scoring: hanya saja Anda melakukannya dengan kepala, terlambat, dan tanpa tercatat. Panduan ini menjelaskan cara mengubah kriteria itu menjadi model poin dan label yang berjalan sendiri pada saat pengiriman, dan cara mengetahui apakah model itu berhasil. Contoh-contohnya dibangun di atas **Aiformleads**, mini aplikasi penjaring lead dari **AIsToHire** ([halaman dan demo Aiformleads](/id/aiformleads-formulir-untuk-menjaring-dan-mengklasifikasikan-lead-108)), dan semua yang dijelaskan di sini telah diverifikasi pada versinya per **Oktober 2026**: tidak ada fungsi yang dijanjikan yang tidak dilakukan alat ini.

![Skema isometrik sebuah corong yang membagi jawaban formulir ke tiga nampan bercahaya dengan ketinggian berbeda: merah, kuning, dan biru](https://cdn.aistohire.com/i/4402-qees-jxcv-tlut-rxmy.webp)

---

## Apa sebenarnya lead scoring itu?

Lead scoring adalah memberi skor numerik kepada setiap kontak berdasarkan apa yang mereka jawab dan bagaimana mereka berperilaku, untuk mengurutkan siapa yang Anda layani lebih dulu. Dalam bentuk paling praktis, setiap opsi jawaban di formulir Anda membawa angka poin; saat formulir dikirim, poin dari opsi yang dipilih dijumlahkan dan totalnya jatuh ke dalam satu rentang (`Hot`, `Warm`, `Cold`) yang menentukan prioritas penjualan.

Ini bukan kecerdasan buatan, dan tidak perlu begitu. Ini aritmetika atas kriteria yang sudah Anda terapkan di kepala:

- Orang yang punya anggaran bernilai lebih daripada yang tidak punya.
- Orang yang butuh sesuatu bulan ini bernilai lebih daripada yang "sedang melihat-lihat opsi".
- Orang yang bisa menandatangani bernilai lebih daripada yang harus bertanya kepada tiga orang.

Perbedaan antara melakukannya di kepala dan dengan model adalah bahwa model diterapkan kepada **semua** lead, pada detik ke-nol, dengan cara yang sama, dan meninggalkan jejak agar bisa Anda tinjau kemudian.

### Scoring eksplisit dan implisit: pembedaan yang penting

| Jenis | Berasal dari mana | Contoh | Apakah formulir mencakupnya? |
|---|---|---|---|
| **Eksplisit** | Apa yang dinyatakan orang itu | Anggaran, ukuran perusahaan, urgensi, peran | Ya: persis apa yang dikumpulkan formulir |
| **Implisit** | Apa yang dilakukan orang itu | Halaman dilihat, email dibuka, unduhan | Sebagian: butuh pelacakan perilaku |

Artikel ini berfokus pada **scoring eksplisit**, yang bisa Anda bangun hari ini dengan formulir dan yang paling jarang rusak: data yang dinyatakan tidak bergantung pada cookie yang berfungsi atau pada pengunjung yang memakai browser yang sama.

---

## Dari mana poin berasal? Dari opsi yang dipilih orang

Di Aiformleads poin berada **di dalam setiap opsi** dari pertanyaan pilihan tunggal dan pilihan ganda: di samping teks setiap opsi ada kotak numerik tempat Anda menulis berapa poin nilainya. Saat formulir selesai, backend menelusuri jawaban dan menjumlahkan poin dari semua opsi yang dipilih. Hasilnya disimpan pada lead sebagai `score`.

![Kartu dengan empat opsi yang masing-masing membawa bola bercahaya berukuran berbeda dan semuanya bertemu di sebuah timbangan: bobot poin tiap jawaban](https://cdn.aistohire.com/i/7068-qlhr-hhqo-hcrq-jppa.webp)

Tiga konsekuensi praktis dari desain itu, tanpa hiasan:

1. **Hanya pertanyaan dengan opsi yang memberi poin.** Kolom teks bebas, slider, atau tanggal tidak menambah poin dengan sendirinya. Jika Anda ingin anggaran diberi poin, tanyakan dalam rentang (opsi), bukan dengan angka terbuka.
2. **Poin bisa negatif.** Menulis `-20` pada opsi "Saya mahasiswa / proyek pribadi" sepenuhnya valid: dijumlahkan apa adanya. Mengurangi adalah cara paling bersih untuk mencegah lead buruk lolos lewat akumulasi.
3. **Pada pilihan ganda, semua yang ditandai dijumlahkan.** Jika seseorang memilih tiga layanan dan masing-masing bernilai 10, ia mendapat 30. Perhatikan hal ini atau tetapkan batas maksimum pilihan pada kolomnya.

> Apa yang tidak bisa dilakukan kolom terbuka atau numerik lewat poin, bisa dilakukan lewat **label**: aturan pelabelan menerima operator numerik (`lebih besar dari`, `kurang dari atau sama dengan`...) pada jawaban apa pun. Slider anggaran tidak menambah poin, tetapi bisa memicu label `anggaran-tinggi`.

---

## Cara menyusun tabel poin Anda dalam lima langkah

Metode yang berhasil kebalikan dari yang tampak logis: jangan mulai dari pertanyaan, mulailah dari pelanggan yang sudah Anda punya. Sisihkan satu jam, buka daftar pelanggan yang closing tahun lalu, dan lakukan ini.

1. **Tulis lima ciri pelanggan terbaik Anda.** Bukan "perusahaan besar", melainkan hal yang bisa diperiksa: "omzet lebih dari 2 jt €", "punya penanggung jawab marketing di staf", "menghubungi kami dengan tenggat waktu".
2. **Tulis tiga ciri pelanggan yang membuat Anda rugi.** Yang sudah Anda sumpahi tidak akan terulang. Itulah poin negatif Anda.
3. **Ubah setiap ciri menjadi pertanyaan dengan opsi tertutup.** Jika tidak bisa dijadikan 3-5 opsi, jangan beri poin: tetap tanyakan, tetapi sebagai teks bebas dan untuk konteks.
4. **Bagikan 100 poin di antara pertanyaan, bukan di antara opsi.** Tentukan dulu seberapa berat setiap pertanyaan (mis. anggaran 40, urgensi 25, peran 20, ukuran 15) lalu bagikan bobot tiap pertanyaan ke opsinya. Dengan begitu Anda dipaksa menentukan prioritas.
5. **Tetapkan ambang batas dengan jujur:** mulai dari berapa poin Anda sendiri akan menelepon dalam waktu kurang dari satu jam? Itulah Hot Anda.

Lima pertanyaan berpoin adalah batas atas yang baik untuk memulai. Setiap pertanyaan tambahan mengurangi kemungkinan formulir diselesaikan, dan lead sempurna yang tidak sampai tidak bernilai apa-apa.

---

## Contoh model lengkap: empat pertanyaan, 100 poin

Ini model nyata dan bisa dipakai untuk agensi atau konsultan B2B. Salin, ganti teksnya, dan Anda akan punya titik awal yang bisa dipertanggungjawabkan.

| Pertanyaan | Opsi | Poin |
|---|---|---|
| **Berapa anggaran Anda?** (bobot 40) | Lebih dari 10.000 € | 40 |
| | 5.000 – 10.000 € | 30 |
| | 1.000 – 5.000 € | 15 |
| | Kurang dari 1.000 € | 0 |
| **Kapan Anda membutuhkannya?** (bobot 25) | Bulan ini | 25 |
| | Kuartal ini | 15 |
| | Nanti | 5 |
| | Saya hanya sedang meneliti | −10 |
| **Apa peran Anda dalam keputusan?** (bobot 20) | Saya yang memutuskan | 20 |
| | Saya memutuskan bersama tim | 12 |
| | Saya merekomendasikan, orang lain yang memutuskan | 6 |
| | Tidak ada, ini untuk tugas kuliah | −20 |
| **Berapa jumlah karyawan Anda?** (bobot 15) | Lebih dari 100 | 15 |
| | 51 – 100 | 12 |
| | 11 – 50 | 8 |
| | 1 – 10 | 3 |

Dengan tabel ini, rentang maksimumnya **100** dan minimumnya **−30**. Dua contoh bagaimana hasilnya:

- Direktur marketing perusahaan 120 orang, anggaran 12.000 €, membutuhkannya bulan ini: `40 + 25 + 20 + 15 = 100` → **Hot**.
- Pekerja lepas dengan 800 € yang "sedang meneliti" dan merekomendasikan orang lain: `0 + (−10) + 6 + 3 = −1` → **Cold**.

Perhatikan apa yang dilakukan poin negatif: tanpanya, lead kedua akan mendapat 9 poin hanya karena mengisi formulir; dengannya, ia secara eksplisit berada di bawah nol.

---

## Ambang batas: mengubah angka menjadi keputusan

Skor yang berdiri sendiri tidak berguna; yang berguna adalah rentang tempatnya berada. Di Aiformleads Anda menentukan rentang dengan nama, minimum, warna, dan emoji, dan **dievaluasi dari yang tertinggi ke terendah: yang menang adalah yang pertama kali minimumnya tercapai**. Rentang bawaannya adalah berikut:

| Rentang | Minimum | Arti operasional yang disarankan |
|---|---|---|
| 🔥 Hot | 80 | Telepon di hari yang sama, oleh seseorang |
| ⚡ Warm | 50 | Email pribadi dalam 48 jam dengan proposal konkret |
| ❄️ Cold | 0 | Rangkaian konten otomatis, tanpa upaya penjualan |

Tiga detail yang perlu diketahui sebelum mengubahnya:

- Rentang terendah harus bernilai minimum `0` atau negatif, atau lead yang skornya di bawahnya akan **tanpa kualifikasi** dan tidak muncul dalam distribusi per kualifikasi.
- Setiap rentang bisa dikaitkan dengan satu **label**, sehingga kualifikasi dan pelabelan tetap sinkron tanpa menulis aturan terpisah.
- Pemberitahuan menerima **skor minimum**: Anda bisa mengatur agar pemberitahuan ke tim, pesan ke chat, atau webhook hanya terpicu bila lead melampaui X poin. Itulah beda antara tim Anda memperhatikan notifikasi dan membisukannya dalam seminggu.

---

## Memberi skor saja tidak cukup: label membuat lead bisa ditindaklanjuti

Angka mengurutkan; label menjelaskan. `92 poin` memberi tahu Anda untuk menelepon; `anggaran-tinggi` + `mendesak` + `pesaing-saat-ini` memberi tahu dengan argumen apa membuka telepon. Karena itu pelabelan otomatis bukan hiasan scoring: ia adalah separuh lain dari pekerjaan yang sama.

![Skema aturan berantai: sebuah aliran masuk dari kiri, melewati tiga gerbang yang mengalihkannya ke label berwarna, satu gerbang tertutup menghentikan perjalanan, dan satu label abu-abu terpisah berfungsi sebagai label bawaan](https://cdn.aistohire.com/i/9629-qoim-ownl-uyzb-hjtv.webp)

Aturan pelabelan adalah **JIKA… MAKA**: jika kondisi tertentu pada jawaban terpenuhi, label tertentu diberikan. Kondisi dikelompokkan dengan logika yang lazim: di dalam satu grup semuanya harus terpenuhi (DAN), antargrup cukup satu yang terpenuhi (ATAU), dan menerima sepuluh operator: *sama dengan, bukan, mengandung, tidak mengandung, lebih besar dari, lebih besar atau sama dengan, kurang dari, kurang dari atau sama dengan, kosong, tidak kosong*.

Yang membedakan pelabelan yang membantu dari yang mengotori kotak masuk adalah lima kontrol ini:

| Kontrol | Fungsinya | Contoh |
|---|---|---|
| **Urutan aturan** | Dievaluasi sesuai urutan penempatannya | Menaruh aturan penyisihan lebih dulu mencegah mahasiswa dilabeli `hot` |
| **Berhenti jika berlaku** | Memotong evaluasi pada aturan pertama yang terpenuhi | Lead yang disisihkan tidak terus mengumpulkan label penjualan |
| **Label bawaan** | Diberikan hanya jika tidak ada aturan yang berlaku | `belum-diklasifikasi`: tidak ada lead yang terlantar di kotak masuk |
| **Aturan pengecualian** | Dua label yang tidak boleh bersama | `klien-saat-ini` dan `lead-baru`: jika keduanya muncul, salah satu dicabut |
| **Hierarki (label induk)** | Saat label anak diberikan, induknya ikut ditambahkan, hingga tiga tingkat | `madrid` menambahkan `spanyol`; memfilter `spanyol` juga menampilkan Madrid |

Dan satu metrik yang hampir tak dimiliki siapa pun dan di sini muncul dengan sendirinya: **cakupan**. Editor menghitung berapa persen dari semua opsi pertanyaan Anda yang muncul dalam suatu aturan. Jika cakupan Anda 30%, tujuh dari sepuluh jawaban yang mungkin tidak mengatakan apa-apa tentang lead. Tidak perlu mencapai 100%, tetapi cakupan yang sangat rendah biasanya berarti Anda menanyakan hal-hal yang kemudian tidak dipakai.

---

## Keterhubungan: 90 poin dengan email sekali pakai bernilai nol

Lead yang sangat baik yang tidak bisa Anda telepon bukanlah lead. Karena itu, selain skor kualifikasi yang Anda tentukan, Aiformleads menghitung **keterhubungan dari 0 sampai 100** dengan rumus tetap yang tidak bergantung pada model Anda: mengukur apakah data kontak berguna.

| Sinyal | Poin |
|---|---|
| Email dengan format valid | 40 |
| Domain email bukan jenis sekali pakai | 10 |
| Domain bukan email gratis (gmail, hotmail, outlook, yahoo, icloud) | 10 |
| Telepon 9 digit atau lebih | 20 |
| Nama lebih dari 2 karakter | 10 |
| Satu pertanyaan terjawab lagi (hingga 10 pertanyaan) | 1 masing-masing |

Ini dua angka dengan tugas berbeda dan sebaiknya tidak dicampur:

- **Skor** menjawab *"apakah saya tertarik pada lead ini?"*.
- **Keterhubungan** menjawab *"bisakah saya berbicara dengannya?"*.

Lead dengan skor 90 dan keterhubungan 40 (email Gmail, tanpa telepon) bukan lead buruk: ia lead yang kekurangan satu data. Tindakan yang benar bukan menyisihkannya, melainkan meminta nomor teleponnya. Kedua nilai itu ikut bersama di kartu lead dan dalam ekspor.

---

## Bagaimana saya tahu model saya salah kalibrasi?

Model lead scoring salah kalibrasi bila distribusinya tidak menyerupai kenyataan bisnis Anda. Sinyal paling jelas adalah **distribusi per kualifikasi**: jika lebih dari 25-30% lead yang selesai menjadi Hot, Anda bukan punya produk hebat, melainkan ambang yang terlalu rendah. Jika dalam tiga minggu tidak ada satu pun Hot, ambangnya terlalu tinggi.

Empat sinyal peringatan dan apa yang diperiksa pada masing-masing:

| Sinyal | Yang terjadi | Yang perlu diperiksa |
|---|---|---|
| Hampir semua lead Hot | Ambang rendah atau poin menggelembung | Distribusi per kualifikasi; naikkan minimum Hot |
| Tidak pernah ada Hot | Maksimum teoretis di bawah ambang | Jumlahkan poin maksimum tabel Anda dan bandingkan dengan ambang |
| Yang Hot tidak membeli dan yang Cold membeli | Anda memberi skor pada hal yang tidak memprediksi penjualan | Peta jawaban: opsi apa yang benar-benar dipilih mereka yang closing |
| Banyak lead tanpa label | Aturan tidak lengkap | Cakupan aturan dan label bawaan |

Untuk yang terakhir, dasbor menghitung **peta jawaban**: untuk setiap pertanyaan dengan opsi, berapa lead selesai yang memilih setiap opsi dan berapa persen yang diwakilinya. Ini cara cepat untuk menemukan bahwa 80% lead Anda memilih rentang anggaran terendah dan karena itu pertanyaan tersebut nyaris tidak membedakan apa pun.

---

## Jangan percaya persentase di brosur: ukur corong Anda sendiri

Siapa pun yang menjanjikan bahwa formulir multi-langkah mengonversi X% lebih banyak daripada formulir satu halaman sedang menjual rata-rata perusahaan lain kepada Anda. Satu-satunya yang penting adalah di mana **orang Anda** berhenti, dan itu diukur dengan corong formulir Anda sendiri, bukan studi orang lain.

![Tangga menurun dari lima pelataran yang semakin sempit tempat aliran partikel turun: di setiap anak tangga sebagian aliran tumpah, dengan kebocoran terbesar di langkah ketiga](https://cdn.aistohire.com/i/3062-mgdi-unbb-deim-keyw.webp)

Corong Aiformleads menghitung, untuk setiap langkah, berapa sesi yang mencapainya dan menghitung tingkat keluar dengan rumus eksplisit:

```
tingkat keluar langkah = (jumlah tiba di langkah sebelumnya − jumlah tiba di langkah ini) / jumlah tiba di langkah sebelumnya × 100
```

Di samping persentase itu Anda akan melihat **waktu rata-rata** yang dihabiskan setiap orang di langkah tersebut. Kombinasinya sangat informatif:

- **Tingkat keluar tinggi + waktu lama** → pertanyaannya sulit atau tidak nyaman (anggaran, telepon). Pindahkan lebih belakang atau jadikan opsional.
- **Tingkat keluar tinggi + waktu singkat** → orang takut begitu melihat langkahnya. Biasanya formulir yang tiba-tiba meminta terlalu banyak kolom.
- **Tingkat keluar rendah + waktu sangat lama** → pertanyaannya kurang dipahami, tetapi orang bertahan. Tulis ulang rumusannya.

Jika Anda menguji dua versi formulir, dasbor juga menampilkan **margin kesalahan 95%** untuk setiap varian, dihitung sebagai `1,96 × √(p(1−p)/n)` atas tingkat konversi. Berguna untuk satu-satunya hal yang penting dalam uji A/B: mengetahui apakah perbedaan yang Anda lihat nyata atau hanya derau. Jika varian A mengonversi 22% ± 6 dan B 25% ± 6, Anda belum memenangkan apa-apa: datanya masih kurang.

---

## Enam kesalahan yang merusak model lead scoring

1. **Memberi skor pada niat, bukan kecocokan.** "Saya ingin mulai sekarang" gratis untuk diucapkan. Anggaran dan peran tidak.
2. **Tidak memakai poin negatif.** Tanpa pengurangan, skor hanya naik, dan setelah beberapa minggu semua orang Hot.
3. **Menanyakan yang tidak akan dipakai.** Setiap pertanyaan menambah tingkat keluar. Jika sebuah pertanyaan tidak masuk ke skor, ke aturan pelabelan, atau ke percakapan penjualan, hapus.
4. **Membangunnya lalu tidak pernah melihatnya lagi.** Model ditinjau saat penawaran, harga, atau pasar berubah. Paling tidak, sekali per kuartal.
5. **Mengira skor adalah janji.** Skor mengurutkan antrean kerja; ia tidak memprediksi penjualan dan tidak menggantikan percakapan.
6. **Memberi skor tanpa menyiapkan sisi hukumnya.** Mengumpulkan data untuk mengklasifikasikan orang menuntut dasar hukum dan informasi di muka; itu disiapkan sebelum dipublikasikan, bukan sesudahnya.

---

## Apa yang perlu diperhatikan secara hukum saat memberi skor dan label pada lead?

Memberi skor dan label kepada seseorang berarti memproses data pribadinya, sehingga sepenuhnya termasuk dalam Peraturan (UE) 2016/679 (GDPR) dan, jika Anda mengirim komunikasi komersial di Spanyol, dalam pasal 21 Undang-Undang 34/2002 (LSSI-CE). Dalam praktik artinya memiliki dasar hukum untuk pemrosesan, menginformasikan untuk apa Anda mengumpulkan data sebelum mengumpulkannya, dan mampu melayani hak-hak orang tersebut. **Ini bukan nasihat hukum: Aiformleads adalah alat formulir, bukan layanan hukum, dan tanggung jawab pemrosesan ada pada pihak yang menerbitkan formulir.**

Yang disediakan alat ini untuk memenuhi bagian itu, diverifikasi pada Oktober 2026:

| Kewajiban yang lazim | Yang ditawarkan aplikasi |
|---|---|
| Persetujuan yang diinformasikan dan dapat dipisahkan (pasal 6.1.a dan 7 GDPR) | Persetujuan granular pada langkah kontak, disimpan bersama lead |
| Informasi di muka (pasal 13 GDPR) | Teks persetujuan dan tautan yang dapat dikonfigurasi di formulir |
| Hak akses (pasal 15 GDPR) | Ekspor semua data dari lead tertentu |
| Hak penghapusan (pasal 17 GDPR) | Penghapusan lead dan data terkaitnya sesuai permintaan |
| Minimisasi dan jangka waktu (pasal 5.1.e GDPR) | Retensi yang dapat diatur dalam bulan: lead yang paling lama dihapus otomatis |

Soal pasal 22 GDPR (keputusan otomatis): skor yang hanya berfungsi mengurutkan antrean telepon seorang tenaga penjual biasanya bukan "keputusan otomatis dengan akibat hukum atau yang serupa", karena keputusan sebenarnya diambil seseorang. Jika kasus Anda memang demikian, misalnya menolak layanan secara otomatis berdasarkan skor, konsultasikan dengan penasihat Anda sebelum menyusunnya. Alat ini tidak memutuskan apa pun untuk Anda: ia menghitung, melabeli, dan menaruhnya di kotak masuk Anda.

---

## Cara menyusunnya di Aiformleads, tab demi tab

Ini langkah nyata di aplikasi, dengan nama yang akan Anda lihat di layar.

1. **Buat formulirnya.** Mulai dari nol atau dari salah satu dari 10 templat bawaan. Sebuah formulir terdiri dari sampul, langkah pertanyaan sesuai kebutuhan, dan satu langkah kontak terakhir.
2. **Tambahkan pertanyaan berpoin di tab Langkah.** Ada 13 jenis kolom (teks pendek dan panjang, pilihan tunggal dan ganda, skala dan NPS, slider, matriks, tanggal, telepon, alamat, berkas, tanda tangan, dan kalkulasi). Untuk scoring, gunakan pilihan tunggal atau ganda dan tulis poin di kotak numerik setiap opsi.
3. **Aktifkan scoring dan tentukan rentang** di bagian pemberitahuan: nama, minimum, warna, emoji, dan, jika mau, label terkait.
4. **Tulis aturan pelabelan di tab Label.** Tentukan dulu glosarium (nama, warna, kategori, label induk) lalu aturan dengan kondisinya. Urutkan aturan, centang "berhenti jika berlaku" pada aturan penyisihan, dan tetapkan label bawaan. Perhatikan indikator cakupan.
5. **Periksa di pratinjau.** Ini perender yang sama yang akan dilihat orang yang mengisi formulir, jadi yang Anda lihat adalah yang ada. Dalam mode pratinjau tidak ada sesi yang dibuat, tidak ada email yang dikirim, dan tidak ada webhook yang terpicu.
6. **Publikasikan.** Ada tujuh cara: tautan publik, iframe, skrip dengan tinggi otomatis, jendela modal, panel samping, tombol mengambang, dan kode QR yang dapat diunduh untuk materi cetak.
7. **Kerjakan kotak masuk.** Filter berdasarkan label, status lead (baru, dihubungi, diproses, terkualifikasi, terkonversi, disisihkan) atau rentang skor; urutkan menurut skor; tambahkan catatan; bertindak secara massal. Ekspor ke CSV atau Excel dengan memilih kolom, di antaranya skor, kualifikasi, keterhubungan, label, negara, perangkat, referrer, utm_source, utm_medium, utm_campaign, dan varian.
8. **Tinjau dan kalibrasi ulang.** Kembalilah setiap bulan ke distribusi per kualifikasi dan ke corong, lalu geser ambangnya.

---

## Apa yang dilakukan Aiformleads dan apa yang tidak

Kejujuran di sini menghindarkan kekecewaan. Inilah yang termasuk dan tidak termasuk dalam cakupan aplikasi, per Oktober 2026.

| Yang dilakukan | Yang tidak dilakukan |
|---|---|
| Memberi skor dengan poin dari setiap opsi pilihan | Scoring berdasarkan perilaku di situs web Anda (halaman dilihat, waktu di halaman) |
| Mengkualifikasi per rentang dan melabeli dengan aturan saat formulir dikirim | Memutuskan untuk Anda: telepon tetap dilakukan oleh seseorang |
| Menghitung keterhubungan dengan rumus tetap | Memverifikasi ke operator apakah sebuah nomor telepon ada |
| Corong, tingkat keluar per langkah, peta jawaban, sumber, negara, perangkat, dan varian | Atribusi multisaluran lengkap untuk pemasaran Anda |
| Pemberitahuan ke tim, konfirmasi ke lead, dan rangkaian email bersyarat | Menjadi CRM lengkap dengan peluang dan prakiraan penjualan |
| Webhook keluar dan REST API dengan kunci sendiri | Sinkronisasi dua arah dengan Google Sheets lewat OAuth |
| Ekspor ke CSV dan Excel dengan pemilih kolom | Domain sendiri untuk formulir publik |

---

## Pertanyaan yang sering diajukan

### Berapa poin yang harus saya berikan pada setiap jawaban?

Tidak ada tabel universal. Metode yang berhasil adalah membagikan dulu 100 poin di antara pertanyaan Anda sesuai apa yang benar-benar memprediksi penjualan di bisnis Anda (misalnya: anggaran 40, urgensi 25, peran 20, ukuran 15) lalu membagikan bobot tiap pertanyaan ke opsinya. Mulailah dengan angka bulat, biarkan beberapa minggu berlalu, dan sesuaikan dengan melihat lead mana yang akhirnya membeli.

### Bisakah saya mengurangi poin alih-alih menambahnya?

Bisa. Di kotak poin sebuah opsi Anda bisa menulis angka negatif dan akan dijumlahkan apa adanya. Itu cara terbaik agar profil yang tidak Anda inginkan, seperti "ini untuk tugas kuliah" atau "saya hanya sedang meneliti", berada di bawah ambang alih-alih mengumpulkan poin hanya karena mengisi formulir.

### Bagaimana dengan pertanyaan yang bukan pilihan ganda?

Tidak menambah poin: skor hanya dihitung dari opsi yang dipilih pada pertanyaan pilihan tunggal atau ganda. Tetapi jawaban apa pun, termasuk slider, angka, dan teks, bisa memicu aturan pelabelan, karena kondisinya menerima operator numerik dan teks. Jika Anda butuh sesuatu diberi poin, ubahlah menjadi opsi tertutup.

### Berapa banyak pertanyaan yang sebaiknya ada di formulir?

Sesedikit mungkin yang memungkinkan Anda memutuskan. Setiap pertanyaan menambah tingkat keluar, dan itu bisa Anda ukur: corong memberi tahu persis di langkah mana orang berhenti dan berapa lama mereka berada di sana. Mulailah dengan empat atau lima pertanyaan berpoin, lihat tingkat keluar per langkah selama dua minggu, dan pangkas yang tidak menyumbang apa pun pada skor maupun label.

### Kapan skor dihitung, saat menjawab atau saat mengirim?

Saat formulir selesai. Pada saat itu backend memvalidasi pengiriman, menjumlahkan poin dari opsi yang dipilih, menentukan rentang kualifikasi, menerapkan aturan pelabelan, menentukan layar akhir, dan memicu pemberitahuan serta webhook yang sesuai. Jawaban parsial dari sesi yang ditinggalkan disimpan, tetapi sesi itu tidak diberi skor maupun label.

### Seberapa sering model lead scoring harus ditinjau?

Paling tidak sekali per kuartal, dan setiap kali Anda mengganti penawaran, harga, atau pasar. Tinjauan cepat terdiri dari dua data: distribusi per kualifikasi (jika hampir semua menjadi Hot atau tidak ada sama sekali, ambangnya salah) dan peta jawaban (apa yang benar-benar dipilih lead yang akhirnya membeli).

### Bisakah saya memberi tahu tim hanya saat lead yang bagus masuk?

Bisa. Pemberitahuan ke tim, pesan ke chat, dan webhook menerima skor minimum: di bawahnya tidak terpicu. Dengan begitu notifikasi tetap bermakna setelah bulan pertama alih-alih akhirnya dibisukan.

### Bisakah lead dikeluarkan ke alat lain?

Bisa. Anda dapat mengekspor ke CSV atau Excel dengan memilih kolom yang dibawa (skor, kualifikasi, keterhubungan, label, status, asal, UTM, varian...), mengirim setiap lead ke sistem Anda dengan webhook keluar, dan mengakses formulir, lead, dan statistik dari REST API dengan kunci sendiri.

### Apakah legal memberi skor kepada orang yang mengisi formulir saya?

Mengklasifikasikan lead adalah pemrosesan data pribadi dan tunduk pada GDPR: Anda memerlukan dasar hukum, menginformasikan sebelum mengumpulkan data, dan mampu melayani hak akses dan penghapusan. Aplikasi menyediakan perangkat teknisnya (persetujuan granular yang disimpan bersama lead, ekspor dan penghapusan lead tertentu, retensi yang dapat diatur dalam bulan), tetapi tanggung jawab pemrosesan ada pada Anda dan konfigurasi konkretnya sebaiknya ditinjau bersama penasihat hukum Anda.

---

## Dalam satu kalimat

**Aiformleads adalah mini aplikasi AIsToHire yang mengubah formulir multi-langkah menjadi lead yang sudah diberi skor dan label pada saat pengiriman, dan tersedia di [Aiformleads — Formulir yang menjaring lead dan mengklasifikasikannya sendiri](/id/aiformleads-formulir-untuk-menjaring-dan-mengklasifikasikan-lead-108)**. Lead scoring bukan sulap: ia adalah memutuskan sekali, secara tertulis, apa yang membuat seorang pelanggan baik, dan membiarkan keputusan itu diterapkan sendiri kepada semua yang mengetuk pintu Anda.

> Bangun model lead scoring Anda di Aiformleads: buat formulir, beri poin pada setiap opsi, tentukan rentang Anda, dan mulai menerima setiap lead yang sudah diberi skor dan label di kotak masuk.

- [Aiformleads — Formulir yang menjaring lead dan mengklasifikasikannya sendiri](https://aistohire.com/id/aiformleads-formulir-untuk-menjaring-dan-mengklasifikasikan-lead-108)

## Tentang platform

**Aiformleads — Formulir yang menjaring lead dan mengklasifikasikannya sendiri** — aplikasi dari AIstoHire. Tersedia di: https://aistohire.com/id/aiformleads-formulir-untuk-menjaring-dan-mengklasifikasikan-lead-108/blog/lead-scoring-kualifikasi-lead-dari-formulir

### Bahasa lainnya

- `es`: https://aistohire.com/es/aiformleads-formularios-captacion-leads-108/blog/lead-scoring-cualificar-leads-formulario
- `en`: https://aistohire.com/aiformleads-forms-lead-capture-108/blog/lead-scoring-qualify-leads-form
- `fr`: https://aistohire.com/fr/aiformleads-formulaires-capture-leads-108/blog/scoring-leads-qualifier-formulaire
- `it`: https://aistohire.com/it/aiformleads-moduli-acquisizione-lead-108/blog/lead-scoring-qualificare-lead-modulo
- `pt`: https://aistohire.com/pt/aiformleads-formularios-captacao-leads-108/blog/lead-scoring-qualificar-leads-formulario
- `de`: https://aistohire.com/de/aiformleads-formulare-lead-gewinnung-108/blog/lead-scoring-leads-qualifizieren-formular
- `bg`: https://aistohire.com/bg/aiformleads-formulyari-za-privlichane-i-klasifitsirane-na-liydove-108/blog/lead-scoring-kvalifitsirane-na-liydove-formulyar
- `ja`: https://aistohire.com/ja/aiformleads-lead-capture-forms-108/blog/riido-sukoaringu-fomu-ridoshikaku
- `nl`: https://aistohire.com/nl/aiformleads-formulieren-om-leads-binnen-te-halen-en-in-te-delen-108/blog/leadscoring-leads-kwalificeren-formulier
- `ko`: https://aistohire.com/ko/aiformleads-lead-suljip-form-108/blog/rideu-seukoeoring-rideu-seonbyeol-pom
- `sv`: https://aistohire.com/sv/aiformleads-formular-for-att-fanga-och-sortera-leads-108/blog/lead-scoring-kvalificera-leads-formular
- `da`: https://aistohire.com/da/aiformleads-formularer-til-at-indfange-og-klassificere-leads-108/blog/lead-scoring-kvalificer-leads-formular
- `ar`: https://aistohire.com/ar/aiformleads-nmadhj-ljdhb-alamla-almhtmlin-wtsnifhm-108/blog/tasjil-nuqat-alumalaa-almuhtamalin-namudhaj
- `no`: https://aistohire.com/no/aiformleads-skjemaer-for-a-fange-og-klassifisere-leads-108/blog/lead-scoring-kvalifisere-leads-skjema
- `fi`: https://aistohire.com/fi/aiformleads-lomakkeet-liidien-keraamiseen-ja-luokitteluun-108/blog/liidien-pisteytys-lomakkeesta
- `zh`: https://aistohire.com/zh/ai-form-lead-capture-scoring-108/blog/qianzai-kehu-pingfen-biaodan-shaixuan
- `pl`: https://aistohire.com/pl/aiformleads-formularze-do-pozyskiwania-i-klasyfikowania-leadow-108/blog/lead-scoring-kwalifikacja-leadow-formularz
- `he`: https://aistohire.com/he/aiformleads-tpsim-lgios-vsioog-lidim-108/blog/lead-scoring-hakshara-lidim-tofes
- `cs`: https://aistohire.com/cs/aiformleads-formulare-pro-ziskavani-a-trideni-leadu-108/blog/lead-scoring-kvalifikace-leadu-formular
