리드 스코어링은 리드가 이상적인 고객 프로필(ICP)에 얼마나 부합하는지, 그리고 조직의 콘텐츠와 아웃리치에 얼마나 적극적으로 반응했는지를 바탕으로 리드에 수치를 매기는 방법론입니다. 이렇게 나온 점수는 영업팀과 마케팅팀이 어떤 리드에 바로 집중해야 하고, 어떤 리드에 추가 육성이 필요한지 우선순위를 정하는 데 쓰입니다.
적합성과 참여도를 합친 복합 점수
리드 스코어링은 두 가지 기준을 결합합니다. 하나는 적합성(리드가 누구인지)이고, 다른 하나는 참여도(리드가 무엇을 했는지)입니다. 두 기준을 합치면 영업 준비도를 보여 주는 복합 점수가 나옵니다.
적합성 스코어링
적합성 스코어링은 리드가 이상적인 고객의 속성에 맞는지를 평가합니다. 흔히 쓰는 적합성 기준은 다음과 같습니다.
- 기업 규모: 매출이나 직원 수로 측정합니다. 목표 규모 범위에 드는 기업의 리드일수록 높은 점수를 받습니다.
- 산업: 목표 버티컬에 속한 리드가 더 높은 점수를 받습니다.
- 직책과 역할: 의사결정권자와 경제적 구매자는 개인 실무자나 리서치 담당자보다 높은 점수를 받습니다.
- 지역: 영업 커버리지나 파트너가 있는 지역의 리드가, 그렇지 않은 지역보다 높은 점수를 받습니다.
- 기술 스택: 기술 벤더라면 호환되거나 보완적인 플랫폼을 운영하는 기업의 리드에 점수를 더 줍니다.
참여도 스코어링
참여도 스코어링은 리드가 조직과 어떻게 상호작용했는지 측정합니다. 행동마다 구매 의도 신호의 강도에 따라 점수가 매겨집니다.
- 구매 의도 높음: 데모 요청, 가격 페이지 방문, 실시간 제품 웨비나 참석 등이 가장 높은 점수를 받습니다.
- 구매 의도 중간: 솔루션 브리프 다운로드, 교육용 웨비나 참석, 제품 페이지를 여러 번 방문하는 행동입니다.
- 구매 의도 낮음: 이메일 열람, 블로그 방문, 소셜 미디어 팔로우입니다.
- 부정적 신호: 이메일 수신 거부, 채용 페이지 방문(구매자가 아닌 구직자임을 뜻함), 장기간의 비활동은 점수를 깎을 수 있습니다.
복합 스코어링
적합성 점수와 참여도 점수는 단순 합산, 가중 공식, 또는 매트릭스 모델로 합쳐져 전체 리드 점수가 됩니다. 점수가 미리 정한 임계값을 넘으면 리드는 마케팅 적격 리드(MQL)로 분류되어 영업팀에 넘어가거나 파트너에게 배분됩니다.
스코어링으로 영업 노력의 우선순위 정하기
스코어링이 없으면 모든 리드가 똑같이 취급됩니다. 중견 기업 IT 부문 부사장이 데모를 요청한 리드와, 수업 과제로 백서를 내려받은 학생이 같은 대기열에 나란히 놓입니다. 영업 담당자는 자격이 없는 연락처를 골라내느라 시간을 쓰고, 잠재력이 큰 리드는 뒤로 밀려 식어 버립니다.
리드 스코어링은 선별 체계를 만들어 이 문제를 해결합니다. 점수가 높은 리드는 즉시 주목을 받고, 점수가 중간인 리드는 리드 육성 트랙으로 들어가며, 점수가 낮은 리드는 우선순위가 밀리거나 부적격 처리됩니다.
채널 프로그램에서는 리드 스코어링이 어떤 리드를 언제 파트너에게 배분할지를 정합니다. 점수가 덜 찬 리드를 배분하면 파트너가 불만을 품고, 벤더의 리드 배분 프로그램을 믿지 않게 됩니다. 반대로 더 높은 점수를 기다리느라 리드를 너무 오래 붙잡아 두면 후속 활동이 늦어져 잠재 고객을 놓칠 수 있습니다. 잘 보정된 스코어링 모델은 이 두 압력 사이에서 균형을 잡아 줍니다.
스코어링 모델, 보정, 유지보수
스코어링 모델 예시
| 행동 또는 속성 | 점수 |
|---|---|
| 직책: VP 또는 C레벨 | +20 |
| 기업 규모: 직원 200·5,000명 | +15 |
| 산업: 목표 버티컬 | +10 |
| 데모 요청 | +30 |
| 가격 페이지 방문 | +20 |
| 솔루션 브리프 다운로드 | +10 |
| 육성 이메일 열람 | +2 |
| 30일간 활동 없음 | -15 |
| 채용 페이지 방문 | -20 |
| MQL 임계값 | 75점 |
스코어링 모델 유형
- 포인트 기반 모델: 가장 흔한 방식으로, 속성과 행동마다 고정된 점수를 줍니다. 만들기도 설명하기도 쉽습니다.
- 등급 및 점수 모델: 적합성과 참여도를 따로 추적합니다. 적합성은 문자 등급(A에서 D까지), 참여도는 수치 점수로 나타냅니다. 리드는 두 측면 모두에서 최소 기준을 충족해야 자격을 얻습니다.
- 예측 모델: 머신러닝이 과거 전환 데이터를 분석해, 어떤 리드가 계약으로 이어질 가능성이 높은지 예측하는 패턴을 찾아냅니다. 눈에 잘 띄지 않는 상관관계를 드러낼 수 있지만, 학습에 충분한 데이터가 필요합니다.
보정과 유지보수
리드 스코어링 모델은 관리하지 않으면 시간이 갈수록 성능이 떨어집니다. 보정에는 다음 작업이 포함됩니다.
- 전환 분석: 전환된 리드와 전환되지 않은 리드의 점수를 정기적으로 비교합니다. 점수가 높은 리드의 전환율이 낮은 리드와 같다면 모델을 손봐야 합니다.
- 임계값 검토: MQL 임계값은 분기마다 검증해야 합니다. 영업팀이 MQL의 자격이 부족하다고 보고하면 임계값을 올려야 할 수 있습니다. 반대로 파트너가 리드 공급이 부족하다고 불만을 제기하면 임계값이 너무 높은 것일 수 있습니다.
- 점수 감쇠: 오래된 참여 신호의 가치가 떨어지도록 시간에 따라 점수를 깎는 장치를 둡니다. 6개월 전에 가격 페이지를 방문한 잠재 고객은 어제 방문한 잠재 고객보다 구매 시점이 가까울 가능성이 낮습니다.
- 피드백 루프: 영업팀과 파트너가 전하는 리드 품질 피드백이 스코어링 모델 업데이트로 이어져야 합니다. 이 폐쇄 루프가 쓸모 있는 스코어링 모델을 유지하는 데 가장 중요한 요인 하나입니다.