AiformleadsAiformleads

Lead scoring: slik gir du poeng til og kvalifiserer leadsene dine automatisk fra skjemaet

Teamet i AiformleadsSkrevet med AI-hjelp20 min lesetid

Kort oppsummert

  • Lead scoring er en sum av poeng, ikke gjetning: hvert svar i skjemaet ditt er verdt et tall, og totalen avgjør hvem du ringer først. Det vanskelige er ikke formelen, men å velge hvilke spørsmål som gir poeng.
  • Å gi poeng uten å sette etiketter er halvveis arbeid: en 85 forteller deg at leaden er god; en etikett som hoyt-budsjett eller ingen-beslutning forteller deg hvorfor og hva du skal si i samtalen.
  • Terskelene evalueres fra høyest til lavest: den første hvis minimum nås, vinner. Med standardfordelingen i Aiformleads (Hot ≥ 80, Warm ≥ 50, Cold ≥ 0) er en lead med 80 poeng Hot og en med 79 Warm. Den grensen bestemmer du selv, og du kommer til å flytte den.
  • En ukalibrert modell er verre enn ingen modell: hvis 70 % av leadsene dine blir Hot, er skalaen din ødelagt. Mål det med fordelingen av kvalifiseringer og med det faktiske frafallet per trinn, ikke med prosentandelen en brosjyre lover.
  • Å gi poeng til personer har rettslige grenser: rettslig grunnlag, forhåndsinformasjon og retten til sletting er ikke valgfritt (forordning (EU) 2016/679). Denne artikkelen forklarer hvordan verktøyet fungerer, og erstatter ikke vurderingen til din juridiske rådgiver.

Hvis du mottar skjemaer og deretter avgjør for hånd hvilke som fortjener en samtale, driver du allerede med lead scoring: bare at du gjør det i hodet, sent og uten at det blir registrert. Denne veiledningen forklarer hvordan du gjør denne vurderingen om til en modell med poeng og etiketter som anvendes av seg selv, i øyeblikket skjemaet sendes inn, og hvordan du finner ut om den fungerer. Eksemplene er bygget på Aiformleads, miniappen for innhenting av leads fra AIsToHire (produktside og demo av Aiformleads), og alt som beskrives her, er kontrollert i versjonen fra oktober 2026: ingen funksjon er lovet som verktøyet ikke har.

Isometrisk skisse av en trakt som fordeler skjemasvar i tre lysende kasser i ulik høyde: rød, rav og blå
Isometrisk skisse av en trakt som fordeler skjemasvar i tre lysende kasser i ulik høyde: rød, rav og blå

Hva er egentlig lead scoring?

Lead scoring er å gi hver kontakt en tallverdi ut fra hva vedkommende har svart og hvordan vedkommende har oppført seg, for å rangere hvem du tar først. I sin mest praktiske form har hvert svaralternativ i skjemaet ditt et tilknyttet antall poeng; når skjemaet sendes inn, legges poengene for de valgte alternativene sammen, og totalen havner i et intervall (Hot, Warm, Cold) som bestemmer salgsprioriteten.

Det er ikke kunstig intelligens, og det trenger ikke være det. Det er aritmetikk på kriterier du allerede bruker i hodet:

  • Den som har budsjett, er mer verdt enn den som ikke har det.
  • Den som trenger noe denne måneden, er mer verdt enn den som «ser på alternativer».
  • Den som kan signere, er mer verdt enn den som må spørre tre personer.

Forskjellen på å gjøre det mentalt og å gjøre det med en modell er at modellen brukes på alle leads, i sekund null, på samme måte, og etterlater spor slik at du kan gå gjennom det senere.

Eksplisitt og implisitt scoring: forskjellen som betyr noe

TypeHvor det kommer fraEksempelDekkes det av et skjema?
EksplisittDet personen oppgirBudsjett, bedriftsstørrelse, hastegrad, rolleJa: det er nøyaktig det et skjema samler inn
ImplisittDet personen gjørSidevisninger, åpnede e-poster, nedlastingerDelvis: krever sporing av atferd

Denne artikkelen konsentrerer seg om eksplisitt scoring, som er den du kan sette opp i dag med et skjema og den som er minst sårbar: en oppgitt opplysning avhenger ikke av at informasjonskapsler fungerer eller av at den besøkende bruker samme nettleser.


Hvor kommer poengene fra? Fra alternativene personen velger

I Aiformleads ligger poengene inne i hvert alternativ i enkeltvalgs- og flervalgsspørsmål: ved siden av teksten til hvert alternativ er det en tallboks der du skriver hvor mange poeng det er verdt. Når skjemaet er fullført, går backend gjennom svarene og legger sammen poengene for alle alternativene som er valgt. Resultatet lagres på leaden som score.

Kort med fire alternativer der hvert alternativ har en lysende kule i ulik størrelse, og alle konvergerer mot en vekt: poengvekten til hvert svar
Kort med fire alternativer der hvert alternativ har en lysende kule i ulik størrelse, og alle konvergerer mot en vekt: poengvekten til hvert svar

Tre praktiske konsekvenser av denne utformingen, sagt uten pynt:

  1. Bare spørsmål med alternativer gir poeng. Et fritekstfelt, en glidebryter eller en dato gir ikke poeng i seg selv. Hvis du vil at budsjettet skal gi poeng, spør om det i intervaller (alternativer), ikke med et åpent tall.
  2. Poengene kan være negative. Å skrive -20 på alternativet «Jeg er student / personlig prosjekt» er helt gyldig: det legges til som det er. Å trekke fra er den reneste måten å hindre at en dårlig lead sniker seg gjennom ved opphopning.
  3. I flervalg legges alle de valgte sammen. Hvis en person velger tre tjenester og hver er verdt 10, får vedkommende 30. Ta hensyn til det, eller sett et maksimum for antall valg i feltet.
Det et åpent eller numerisk felt ikke kan gjøre med poeng, kan det gjøre med etiketter: etiketteringsreglene støtter numeriske operatorer (større enn, mindre enn eller lik …) på ethvert svar. En budsjettglidebryter gir ikke poeng, men kan utløse etiketten hoyt-budsjett.

Slik bygger du poengtabellen din i fem trinn

Metoden som fungerer, er omvendt av den som virker logisk: ikke begynn med spørsmålene, begynn med kundene du allerede har. Sett av en time, åpne listen over avsluttede kunder fra det siste året og gjør dette.

  1. Skriv ned de fem kjennetegnene til den beste kunden din. Ikke «store bedrifter», men ting som kan kontrolleres: «omsetter for mer enn 2 M€», «har en markedsansvarlig ansatt», «ringte oss med en frist».
  2. Skriv ned de tre kjennetegnene til kunden som fikk deg til å tape penger. De du sverget å aldri gjenta. Disse blir dine negative poeng.
  3. Gjør hvert kjennetegn om til et spørsmål med lukkede alternativer. Hvis du ikke kan gjøre det om til 3-5 alternativer, ikke gi det poeng: still spørsmålet likevel, men som fritekst og for kontekst.
  4. Fordel 100 poeng på spørsmålene, ikke på alternativene. Bestem først hvor mye hvert spørsmål veier (f.eks. budsjett 40, hastegrad 25, rolle 20, størrelse 15) og fordel deretter vekten til hvert spørsmål på alternativene. Slik tvinger du deg selv til å prioritere.
  5. Sett terskelene med hånden på hjertet: fra hvor mange poeng ville du selv ringt på under en time? Det er din Hot.

Fem spørsmål med poeng er et godt tak å starte med. Hvert ekstra spørsmål reduserer sannsynligheten for at skjemaet blir fullført, og en perfekt lead som ikke kommer fram, gir ingen poeng.


Et komplett eksempel på modell: fire spørsmål, 100 poeng

Dette er en ekte og brukbar modell for et byrå eller et B2B-konsulentselskap. Kopier den, endre tekstene, så har du et forsvarlig utgangspunkt.

SpørsmålAlternativPoeng
Hvilket budsjett disponerer du? (vekt 40)Over 10 000 €40
5 000 – 10 000 €30
1 000 – 5 000 €15
Under 1 000 €0
Når trenger du det? (vekt 25)Denne måneden25
Dette kvartalet15
Senere5
Jeg undersøker bare−10
Hva er rollen din i beslutningen? (vekt 20)Jeg bestemmer20
Jeg bestemmer sammen med teamet mitt12
Jeg anbefaler, en annen bestemmer6
Ingen, det er til en skoleoppgave−20
Hvor mange ansatte er dere? (vekt 15)Over 10015
51 – 10012
11 – 508
1 – 103

Med denne tabellen er maksimumsutslaget 100 og minimumet −30. To eksempler på hvordan det faller ut:

  • Markedsdirektør i en bedrift med 120 ansatte, 12 000 € i budsjett, trenger det denne måneden: 40 + 25 + 20 + 15 = 100 → Hot.
  • Selvstendig næringsdrivende med 800 € som «undersøker bare» og anbefaler for en annen: 0 + (−10) + 6 + 3 = −1 → Cold.

Legg merke til hva de negative poengene gjør: uten dem ville den andre leaden fått 9 poeng bare for å ha fylt ut skjemaet; med dem havner den uttrykkelig under null.


Terskler: gjøre tallet om til en beslutning

En løsrevet score er til ingen nytte; det som nytter, er intervallet den tilhører. I Aiformleads definerer du intervaller med navn, minimum, farge og emoji, og de evalueres fra høyest til lavest: den første hvis minimum nås, vinner. Intervallene som følger med som standard, er disse:

IntervallMinimumForeslått operativ betydning
🔥 Hot80Samtale samme dag, på telefon, av et menneske
⚡ Warm50Personlig e-post innen 48 t med et konkret tilbud
❄️ Cold0Automatisk innholdssekvens, uten salgsinnsats

Tre detaljer det er greit å vite før du endrer dem:

  • Det laveste intervallet må ha minimum 0 eller negativt, ellers blir leads som får poeng under det, stående uten kvalifisering og vises ikke i fordelingen etter kvalifisering.
  • Hvert intervall kan ha en tilknyttet etikett, slik at kvalifiseringen og etiketteringen holdes synkronisert uten å skrive en egen regel.
  • Varslene støtter minimumspoengsum: du kan sette opp at varselet til teamet, meldingen til chatten eller en webhook bare utløses hvis leaden overstiger X poeng. Det er forskjellen på at teamet ditt leser varslene og at det slår dem av etter en uke.

Poeng er ikke nok: etiketten er det som gjør en lead handlingsrettet

Et tall rangerer; en etikett forklarer. 92 poeng forteller deg at du skal ringe; hoyt-budsjett + haster + nåværende-konkurrent forteller deg hvilket argument du skal åpne samtalen med. Derfor er automatisk etikettering ikke pynt på scoringen: det er den andre halvdelen av samme jobb.

Skisse av kaskaderegler: en flyt kommer inn fra venstre, passerer tre porter som leder den til fargede etiketter, en lukket port stanser løpet, og en egen grå etikett fungerer som standardetikett
Skisse av kaskaderegler: en flyt kommer inn fra venstre, passerer tre porter som leder den til fargede etiketter, en lukket port stanser løpet, og en egen grå etikett fungerer som standardetikett

En etiketteringsregel er en HVIS … SÅ: hvis visse betingelser på svarene er oppfylt, tildeles visse etiketter. Betingelsene grupperes med vanlig logikk — innenfor en gruppe må alle være oppfylt (OG), mellom grupper er det nok at én er oppfylt (ELLER) — og støtter ti operatorer: er lik, er ikke, inneholder, inneholder ikke, større enn, større enn eller lik, mindre enn, mindre enn eller lik, er tom, er ikke tom.

Det som skiller en etikettering som hjelper fra en som rotete til innboksen, er disse fem kontrollene:

KontrollHva den brukes tilEksempel
Rekkefølge på regleneEvalueres i den rekkefølgen du plasserer demÅ sette forkastelsesregelen først hindrer at en student får etiketten hot
Stopp hvis den gjelderAvbryter evalueringen ved den første regelen som er oppfyltEn forkastet lead fortsetter ikke å samle salgsetiketter
StandardetikettTildeles bare hvis ingen regel har gjeldtuklassifisert: ingen lead blir stående foreldreløs i innboksen
EksklusjonsreglerTo etiketter som ikke kan eksistere samtidigeksisterende-kunde og ny-lead: hvis begge dukker opp, fjernes én
Hierarki (overordnet etikett)Når en underetikett tildeles, legges den overordnede til, opptil tre nivåeroslo legger til norge; filtrering på norge gir også Oslo

Og en måleverdi nesten ingen har, og som her kommer av seg selv: dekningen. Redigeringsprogrammet beregner hvor stor prosentandel av alle alternativene i spørsmålene dine som forekommer i en regel. Hvis dekningen din er 30 %, sier sju av ti mulige svar ingenting om leaden. Du trenger ikke komme opp i 100 %, men en svært lav dekning betyr vanligvis at du spør om ting du ikke bruker etterpå.


Kontaktbarhet: 90 poeng med en engangs-e-post er verdt null

En utmerket lead du ikke kan ringe, er ikke en lead. Derfor beregner Aiformleads, i tillegg til kvalifiseringsscoren du definerer, en kontaktbarhet fra 0 til 100 med en fast formel som ikke avhenger av modellen din: den måler om kontaktopplysningene duger til noe.

SignalPoeng
E-post med gyldig format40
E-postdomenet er ikke et engangsdomene10
Domenet er ikke en gratis e-posttjeneste (gmail, hotmail, outlook, yahoo, icloud)10
Telefon med 9 sifre eller mer20
Navn med mer enn 2 tegn10
Ett besvart spørsmål til (opptil 10 spørsmål)1 hver

Det er to tall med ulike oppgaver, og det er greit å ikke blande dem:

  • Scoren svarer på «er jeg interessert i denne leaden?».
  • Kontaktbarheten svarer på «kan jeg snakke med vedkommende?».

En lead med score 90 og kontaktbarhet 40 (Gmail-adresse, uten telefon) er ikke en dårlig lead: det er en lead som mangler en opplysning. Riktig handling er ikke å forkaste den, men å be om telefonnummeret. Begge verdiene følger med i leadens kort og i eksporten.


Hvordan vet jeg om modellen min er dårlig kalibrert?

En lead scoring-modell er dårlig kalibrert når fordelingen ikke ligner virkeligheten i virksomheten din. Det tydeligste signalet er fordelingen etter kvalifisering: hvis mer enn 25-30 % av de fullførte leadsene dine blir Hot, har du ikke et fantastisk produkt, du har terskelen for lavt. Hvis det ikke har kommet en eneste Hot på tre uker, har du den for høyt.

Fire alarmsignaler og hva du bør se på for hvert av dem:

SignalHva som skjerHva du bør sjekke
Nesten alle leads er HotFor lav terskel eller oppblåste poengFordeling etter kvalifisering; hev minimum for Hot
Det kommer aldri noen HotTeoretisk maksimum ligger under terskelenLegg sammen maksimumspoengene i tabellen din og sammenlign med terskelen
De som er Hot kjøper ikke, og de som er Cold gjør detDu gir poeng for noe som ikke forutsier salgSvarkart: hvilket alternativ de som avsluttet kjøpet, faktisk valgte
Mange leads uten etikettUfullstendige reglerRegeldekning og standardetikett

For det siste beregner panelet et svarkart: for hvert spørsmål med alternativer, hvor mange fullførte leads som valgte hvert alternativ og hvilken prosentandel det utgjør. Det er den raske måten å oppdage at 80 % av leadsene dine velger det laveste budsjettintervallet og at spørsmålet derfor nesten ikke skiller noe.


Ikke tro på prosentene i brosjyrene: mål din egen trakt

Alle som lover deg at et flertrinnsskjema konverterer X % mer enn et enkeltsideskjema, selger deg gjennomsnittet fra andre bedrifter. Det eneste som betyr noe, er hvor dine folk faller fra, og det måles med traktanalysen i ditt eget skjema, ikke med en annens studie.

Nedgående trapp med fem stadig smalere plattformer som en strøm av partikler beveger seg nedover: ved hvert trinn renner en del av strømmen over, med den største lekkasjen ved det tredje trinnet
Nedgående trapp med fem stadig smalere plattformer som en strøm av partikler beveger seg nedover: ved hvert trinn renner en del av strømmen over, med den største lekkasjen ved det tredje trinnet

Traktanalysen i Aiformleads teller, for hvert trinn, hvor mange økter som nådde det, og beregner frafallet med en eksplisitt formel:

frafall for trinnet = (ankomster til forrige trinn − ankomster til dette trinnet) / ankomster til forrige trinn × 100

Ved siden av denne prosenten ser du gjennomsnittstiden hver person brukte på trinnet. Kombinasjonen er svært informativ:

  • Høyt frafall + lang tid → spørsmålet er vanskelig eller ubehagelig (budsjett, telefon). Flytt det lenger fram eller gjør det valgfritt.
  • Høyt frafall + kort tid → folk blir redde når de ser trinnet. Det er vanligvis et skjema som plutselig ber om for mange felt.
  • Lavt frafall + svært lang tid → spørsmålet er dårlig forstått, men folk holder ut. Skriv om formuleringen.

Hvis du tester to versjoner av skjemaet, viser panelet i tillegg feilmarginen på 95 % for hver variant, beregnet som 1,96 × √(p(1−p)/n) på konverteringsraten. Den brukes til det eneste som betyr noe i en A/B-test: å vite om forskjellen du ser, er reell eller støy. Hvis variant A konverterer med 22 % ± 6 og B med 25 % ± 6, har du ennå ikke vunnet noe: du mangler data.


Seks feil som ødelegger en lead scoring-modell

  1. Å gi poeng for intensjon i stedet for samsvar. «Jeg vil komme i gang med en gang» er gratis å si. Budsjett og rolle er ikke det.
  2. Å ikke bruke negative poeng. Uten fratrekk går scoren bare opp, og etter noen uker er alle Hot.
  3. Å spørre om det du ikke skal bruke. Hvert spørsmål koster frafall. Hvis et spørsmål ikke inngår i scoren, i en etiketteringsregel eller i salgssamtalen, slett det.
  4. Å sette det opp og aldri se på det igjen. En modell gjennomgås når tilbudet, prisen eller markedet endres. Minst én gang i kvartalet.
  5. Å forveksle scoren med et løfte. Scoren rangerer en arbeidskø; den forutsier ikke et salg og erstatter ikke samtalen.
  6. Å gi poeng uten å ha forberedt den juridiske delen. Å samle inn data for å klassifisere personer krever rettslig grunnlag og forhåndsinformasjon; det forberedes før publisering, ikke etterpå.

Hva må du ta hensyn til juridisk når du gir poeng og etiketter leads?

Å gi poeng til og etikettere en person er å behandle personopplysninger, så det faller klart inn under forordning (EU) 2016/679 (GDPR) og, hvis du sender kommersielle meldinger i Spania, under artikkel 21 i lov 34/2002 (LSSI-CE). I praksis betyr det å ha et rettslig grunnlag for behandlingen, å informere om hva du samler inn dataene til før du samler dem inn, og å kunne ivareta personens rettigheter. Dette er ikke juridisk rådgivning: Aiformleads er et skjemaverktøy, ikke en juridisk tjeneste, og behandlingsansvaret ligger hos den som publiserer skjemaet.

Dette gir verktøyet deg for å oppfylle denne delen, kontrollert i oktober 2026:

Vanlig pliktHva appen tilbyr
Informert og atskillbart samtykke (art. 6.1.a og 7 GDPR)Detaljerte samtykker i kontakttrinnet, lagret sammen med leaden
Forhåndsinformasjon (art. 13 GDPR)Samtykketekst og lenker som kan konfigureres i skjemaet
Rett til innsyn (art. 15 GDPR)Eksport av alle data for en bestemt lead
Rett til sletting (art. 17 GDPR)Sletting av leaden og tilknyttede data på forespørsel
Dataminimering og frister (art. 5.1.e GDPR)Lagring som kan konfigureres i måneder: de eldste leadsene slettes av seg selv

Om artikkel 22 i GDPR (automatiserte avgjørelser): en score som bare brukes til å rangere en selgers ringekø, er normalt ikke en «automatisert avgjørelse med rettslige eller tilsvarende virkninger», fordi den faktiske avgjørelsen tas av et menneske. Hvis ditt tilfelle likevel skulle være det — for eksempel å automatisk avslå en tjeneste ut fra poengsummen —, rådfør deg med rådgiveren din før du setter det opp. Verktøyet bestemmer ingenting for deg: det beregner, etiketterer og legger det i innboksen din.


Slik settes dette opp i Aiformleads, fane for fane

Dette er de faktiske trinnene i appen, med navnene du ser på skjermen.

  1. Opprett skjemaet. Start fra null eller fra en av de 10 innebygde malene. Et skjema er en forside, trinnene med spørsmål du trenger, og et avsluttende kontakttrinn.
  2. Legg til spørsmålene med poeng i fanen Trinn. Det finnes 13 felttyper (kort og lang tekst, enkeltvalg og flervalg, skala og NPS, glidebryter, matrise, dato, telefon, adresse, fil, signatur og beregning). For scoring bruker du enkeltvalg eller flervalg og skriver poengene i tallboksen for hvert alternativ.
  3. Aktiver scoring og definer intervallene i delen for varsler: navn, minimum, farge, emoji og, hvis du vil, en tilknyttet etikett.
  4. Skriv etiketteringsreglene i fanen Etiketter. Definer først ordlisten (navn, farge, kategori, overordnet etikett) og deretter reglene med betingelsene deres. Sorter reglene, merk «stopp hvis den gjelder» på forkastelsesreglene og sett en standardetikett. Hold øye med dekningsindikatoren.
  5. Kontroller det i forhåndsvisningen. Det er den samme gjengiveren som den som fyller ut skjemaet vil se, så det du ser, er det som er. I forhåndsvisningsmodus opprettes ingen økt, ingen e-poster sendes og ingen webhooks utløses.
  6. Publiser det. Det finnes sju måter: offentlig lenke, iframe, skript med automatisk høyde, modalvindu, sidepanel, flytende knapp og nedlastbar QR-kode for trykt materiell.
  7. Jobb med innboksen. Filtrer etter etikett, etter leadstatus (ny, kontaktet, under behandling, kvalifisert, konvertert, forkastet) eller etter poengintervall; sorter etter score; legg til notater; gjør masseoperasjoner. Eksporter til CSV eller Excel og velg kolonner, blant annet score, kvalifisering, kontaktbarhet, etiketter, land, enhet, referrer, utmsource, utmmedium, utm_campaign og variant.
  8. Gjennomgå og kalibrer på nytt. Gå tilbake hver måned til fordelingen etter kvalifisering og til traktanalysen, og flytt terskelene.

Hva Aiformleads gjør og ikke gjør

Ærlighet sparer deg her for skuffelser. Dette er hva som er med og ikke med i appens omfang, per oktober 2026.

Dette gjør denDette gjør den ikke
Gi poeng med poengene til hvert valgalternativScoring etter atferd på nettstedet ditt (sidevisninger, tid på siden)
Kvalifisere i intervaller og etikettere med regler når skjemaet sendes innBestemme for deg: samtalen gjøres fortsatt av et menneske
Beregne kontaktbarhet med en fast formelSjekke hos operatøren om et telefonnummer finnes
Trakt, frafall per trinn, svarkart, kilder, land, enheter og varianterFullstendig attribusjon på tvers av kanaler for markedsføringen din
Varsler til teamet, bekreftelse til leaden og betingede e-postsekvenserVære et fullverdig CRM med salgsmuligheter og salgsprognoser
Utgående webhooks og REST API med egen nøkkelToveis synkronisering med Google Sheets via OAuth
Eksportere til CSV og Excel med kolonnevelgerEget domene for det offentlige skjemaet

Ofte stilte spørsmål

Hvor mange poeng skal jeg gi hvert svar?

Det finnes ingen universell tabell. Metoden som fungerer, er først å fordele 100 poeng på spørsmålene dine etter hva som faktisk forutsier et salg i virksomheten din (for eksempel: budsjett 40, hastegrad 25, rolle 20, størrelse 15) og deretter fordele vekten til hvert spørsmål på alternativene. Begynn med runde tall, la det gå noen uker og juster ved å se på hvilke leads som endte opp med å kjøpe.

Kan jeg trekke fra poeng i stedet for å legge til?

Ja. I poengboksen til et alternativ kan du skrive et negativt tall, og det legges til som det er. Det er den beste måten å sørge for at profiler du ikke er interessert i — «det er til en skoleoppgave», «jeg undersøker bare» — havner under terskelen i stedet for å samle poeng bare for å ha fylt ut skjemaet.

Hva skjer med spørsmål som ikke er flervalg?

De gir ikke poeng: scoren beregnes bare med alternativene som er valgt i enkeltvalgs- eller flervalgsspørsmål. Men ethvert svar, også glidebrytere, tall og tekster, kan utløse en etiketteringsregel, fordi betingelsene støtter numeriske og tekstlige operatorer. Hvis du trenger at noe skal gi poeng, gjør det om til lukkede alternativer.

Hvor mange spørsmål bør skjemaet ha?

Så få som mulig som lar deg avgjøre. Hvert spørsmål øker frafallet, og det kan du faktisk måle: traktanalysen forteller deg nøyaktig ved hvilket trinn folk faller fra og hvor lang tid de brukte der. Begynn med fire eller fem spørsmål med poeng, se på frafallet per trinn i et par uker og kutt de som ikke bidrar med noe til scoren eller etikettene.

Når beregnes scoren, ved besvarelse eller ved innsending?

Når skjemaet er fullført. Da validerer backend innsendingen, legger sammen poengene for de valgte alternativene, bestemmer kvalifiseringsintervallet, bruker etiketteringsreglene, løser den avsluttende skjermen og utløser de varslene og webhookene som hører til. Delvise svar fra en avbrutt økt lagres, men den økten blir hverken scoret eller etikettert.

Hvor ofte må lead scoring-modellen gjennomgås?

Minst én gang i kvartalet, og alltid når du endrer tilbud, pris eller marked. Den raske gjennomgangen er to data: fordelingen etter kvalifisering (hvis nesten alt blir Hot eller ingenting gjør det, er terskelen feil) og svarkartet (hva leadsene som endte opp med å kjøpe, faktisk valgte).

Kan jeg varsle teamet bare når en god lead kommer inn?

Ja. Varslene til teamet, meldingen til chatten og webhookene støtter en minimumspoengsum: under den utløses de ikke. Det er måten å sørge for at varslene fortsatt betyr noe etter den første måneden i stedet for å ende opp avslått.

Kan leadsene hentes ut til et annet verktøy?

Ja. Du kan eksportere til CSV eller Excel og velge hvilke kolonner du tar med (score, kvalifisering, kontaktbarhet, etiketter, status, opprinnelse, UTM, variant …), sende hver lead til systemene dine med utgående webhooks og hente skjemaer, leads og statistikk fra et REST API med egen nøkkel.

Er det lovlig å gi poeng til personene som fyller ut skjemaet mitt?

Å klassifisere leads er en behandling av personopplysninger og er underlagt GDPR: du trenger rettslig grunnlag, må informere før du samler inn dataene og må kunne ivareta rettighetene til innsyn og sletting. Appen leverer de tekniske delene (detaljerte samtykker lagret sammen med leaden, eksport og sletting av en bestemt lead, lagring som kan konfigureres i måneder), men behandlingsansvaret er ditt, og den konkrete konfigurasjonen bør gjennomgås med din juridiske rådgiver.


I én setning

Aiformleads er miniappen fra AIsToHire som gjør et flertrinnsskjema om til leads som allerede er scoret og etikettert i øyeblikket de sendes inn, og den finnes som Aiformleads — Skjemaer som fanger leads og klassifiserer dem automatisk. Lead scoring er ikke magi: det er å bestemme én gang, skriftlig, hva som gjør en kunde god, og la den beslutningen anvendes av seg selv på alle som banker på døren din.

Sett opp lead scoring-modellen din i Aiformleads: lag skjemaet, sett poeng på hvert alternativ, definer intervallene dine og begynn å motta hver lead ferdig scoret og etikettert i innboksen.

Sett opp lead scoring-modellen din i Aiformleads: lag skjemaet, sett poeng på hvert alternativ, definer intervallene dine og begynn å motta hver lead ferdig scoret og etikettert i innboksen.

↑ Til toppen