ข้ามไปเนื้อหาหลัก

Lead Scoring คือ​อะไร แยก​คะแนน​ความ​เหมาะ​กับ​ความ​สนใจ​ก่อน​ส่ง MQL

อัปเดตล่าสุด 29 กันยายน 2569
เวลาอ่านประมาณ 12 นาที
Lead Scoring คือ​อะไร แยก​คะแนน​ความ​เหมาะ​กับ​ความ​สนใจ​ก่อน​ส่ง MQL

KEY TAKEAWAYS

3 ประเด็น

Lead Scoring คือ​การ​ให้​คะแนน lead จาก​สอง​แหล่ง คือ​ข้อมูล​ของ​ตัว​ลูกค้า (fit) กับ​การก​ระ​ทำ​ที่​ลูกค้า​ทำ (engagement)

HubSpot แยก​คะแนน​สอง​แบบ​นี้​ออก​จาก​กัน​ได้ และ​มี​คะแนน​รวม​ที่​ดู​ทั้ง​สอง​ด้าน​พร้อม​กัน

คะแนน​จาก​การก​ระ​ทำ​ควร​ลด​ลง​ตาม​เวลา

HubSpot ตั้ง​ให้​คะแนน​ของ​แต่ละ​เหตุการณ์​ลด​ลง​ทุก 1, 3, 6 หรือ 12 เดือน คน​ที่​กรอก​ฟอร์ม​เมื่อ​ปี​ที่​แล้ว​จึง​ไม่​ได้​คะแนน​เท่า​คน​ที่​กรอก​เมื่อ​วาน

โมเดล AI ต้อง​มี​ประวัติ lead ที่​ปิด​แล้ว​พอ​ก่อน​จะ​เริ่ม​ได้

HubSpot ต้อง​มี​ตัวอย่าง​อย่าง​น้อย 50 ราย แยก​เป็น​เปลี่ยน​สถานะ 25 และ​ไม่​เปลี่ยน 25 ส่วน Dynamics 365 ต้อง​มี lead ที่​ผ่าน​เกณฑ์ 40 ราย​และ​ไม่​ผ่าน 40 ราย ธุรกิจ​เล็ก​ส่วน​ใหญ่​จึง​เริ่ม​จาก​กฎ​ที่​ตั้ง​เอง

Lead Scoring แยก​คะแนน​ความ​เหมาะ​กับ​คะแนน​ความ​สนใจ ให้​คะแนน​เก่า​ลด​ตาม​เวลา และ​โมเดล AI ต้อง​มี lead ที่​ปิด​แล้ว​ขั้น​ต่ำ 40-50 ราย​ก่อน​ใช้

ทีม​ขาย​ของ​บริษัท​รับ​ติด​ตั้ง​ระบบ​โทร​หา lead ที่​กรอก​ฟอร์ม​บน​เว็บ​ทุก​ราย แล้ว​พบ​ว่า​เกือบ​ครึ่ง​เป็น​นักศึกษา​ทำ​รายงาน อีก​ส่วน​เป็น​คู่​แข่ง​ที่​มา​เช็​กรา​คา ฝ่าย​การ​ตลาด​ยืนยัน​ว่า​ส่ง lead ให้​ครบ​ทุก​ชื่อ​แล้ว ฝ่าย​ขาย​ตอบ​ว่า​ชื่อ​พวก​นี้​ไม่ใช่​ลูกค้า ทั้ง​สอง​ฝ่าย​พูด​ถูก เพียง​แต่​ยัง​ไม่มี​ใคร​เขียน​ไว้​ว่า lead แบบ​ไหน​ควร​ไป​ถึง​มือ​ฝ่าย​ขาย สิ่ง​ที่​บท​นี้​วาง​ให้​คือ​โครง​คะแนน​ที่​แยก​ความ​เหมาะ​ออก​จาก​ความ​สนใจ วิธี​ทำให้​คะแนน​เก่า​หมด​อายุ และ​จุด​ที่ lead ควร​เปลี่ยน​จาก MQL เป็น SQL

โครง​คะแนน​อ้าง​จาก​คู่มือ​ของ HubSpot และ Microsoft สาม​หน้า ได้แก่หน้า​ภาพ​รวม​เครื่อง​มือ​ให้​คะแนน lead ของ HubSpot ซึ่ง​ปรับปรุง​เมื่อ 2 กันยายน 2569 หน้า​วิธี​สร้าง​คะแนน​ของ HubSpot และหน้า​ตั้ง​ค่า predictive lead scoring ของ Dynamics 365 ตัวเลข​ใน​บท​เป็น​เงื่อนไข​ของ​สอง​โปรแกรม​นี้ โปรแกรม​อื่น​อาจ​ตั้ง​เกณฑ์​ต่าง​ออก​ไป

คะแนน​ความ​เหมาะ​กับ​คะแนน​ความ​สนใจ

HubSpot แบ่ง​คะแนน​เป็น​สาม​แบบ

แบบ​คะแนน ดู​จาก​อะไร ตัวอย่าง​เกณฑ์
Fit score ข้อมูล​ของ​ลูกค้า เก็บ​ใน​ช่อง​ข้อมูล​ของ​ราย​ชื่อ ตำแหน่ง​งาน ขนาด​บริษัท อุตสาหกรรม จังหวัด
Engagement score การก​ระ​ทำ​ของ​ลูกค้า เข้า​ชม​เว็บ สมัคร​รับ​จดหมาย​ข่าว กด​ปุ่ม เปิด​อีเมล
Combined score ทั้ง​สอง​ด้าน​รวม​กัน และ​ยัง​ดู​แยก​แต่ละ​ด้าน​ได้ ใช้​กับ​ราย​ชื่อ บริษัท และ​ดีล

การ​แยก​สอง​ด้าน​ช่วย​ตอบ​คำถาม​ที่​คะแนน​รวม​ตัวเลข​เดียว​ตอบ​ไม่​ได้ นักศึกษา​ที่​อ่าน​บทความ​บน​เว็บ​ทุก​วัน​อาจ​มี​คะแนน​ความ​สนใจ​สูง​มาก แต่​คะแนน​ความ​เหมาะ​ต่ำ เพราะ​ไม่ใช่​เจ้าของ​กิจการ ส่วน​ผู้​จัดการ​โรงงาน​ที่​กรอก​ฟอร์ม​ครั้ง​เดียว​อาจ​มี​คะแนน​ความ​เหมาะ​สูง​และ​คะแนน​ความ​สนใจ​ต่ำ ฝ่าย​ขาย​ควร​คุย​กับ​คน​หลัง​ก่อน แม้​คะแนน​รวม​ของ​สอง​คน​จะ​ใกล้​กัน

คะแนน​ติดลบ​ใช้​ตอน​ไหน

แต่ละ​กฎ​จะ​บวก​หรือ​ลบ​คะแนน​ก็ได้ คู่มือ​ยก​ตัวอย่าง​สอง​กรณี กรณี​แรก​คือ​ราย​ชื่อ​ที่​มี​ส่วน​ร่วม​กับ​คอน​เทนต์​สูง​แต่​เพิ่ง​ยกเลิก​รับ​จดหมาย​ข่าว ให้​บวก​คะแนน​ส่วน​ร่วม​และ​ลบ​คะแนน​เมื่อ​ยกเลิก กรณี​ที่​สอง​คือ​บริษัท​ที่​ขนาด​และ​อุตสาหกรรม​ตรง​กลุ่ม​เป้า​หมาย แต่​อยู่​ใน​พื้นที่​ที่​ธุรกิจ​ไม่​ได้​ให้​บริการ ให้​ลบ​คะแนน​สำหรับ​พื้นที่​นั้น ถ้า​ธุรกิจ​ไม่​อยาก​ให้​มี​คะแนน​ติดลบ ก็​ตั้ง​เฉพาะ​กฎ​ที่​บวก​คะแนน

ราย​ละเอียด​ที่​มัก​ทำให้​คะแนน​เพี้ยน​คือ​กฎ​ที่​เลือก​หลาย​ค่า​ใน​ข้อ​เดียว คู่มือ​ของ HubSpot อธิบาย​ว่า​เงื่อนไข​แบบ Contains any of ทำงาน​ต่าง​กัน​ตาม​ชนิด​คะแนน ใน​คะแนน​ความ​เหมาะ ถ้า​บริษัท​ตรง​หลาย​ค่า​พร้อม​กัน เช่น มี​สาขา​ทั้ง​ภาค​เหนือ​และ​ภาค​กลาง กฎ​จะ​บวก​คะแนน​ครั้ง​เดียว ส่วน​ใน​คะแนน​ความ​สนใจ กฎ​จะ​บวก​ทุก​ครั้ง​ที่​เกิด​เหตุการณ์​ที่​ตรง​เงื่อนไข คน​ที่​ส่ง​ฟอร์ม​สอง​ฟอร์ม​ใน​รายการ​เดียวกัน​จึง​ได้​คะแนน​สอง​ครั้ง ถ้า​ต้องการ​ให้​แต่ละ​ค่า​ได้​คะแนน​ไม่​เท่า​กัน ให้​เลือก​ตั้ง​คะแนน​แยก​ที​ละ​ค่า​แทน​การ​ตั้ง​รวม

ตัวอย่าง​การ​คิด​คะแนน​จาก​คู่มือ HubSpot

คู่มือ​ยก​ตัวอย่าง​คะแนน​ความ​สนใจ​ที่​มี​เพดาน​รวม 100 คะแนน แบ่ง​เป็น​สอง​กลุ่ม

  1. กลุ่ม​การ​ติดต่อ​กับ​ฝ่าย​ขาย เพดาน 60 คะแนน เริ่ม​สาย​โทร​ได้ 15 คะแนน นัด​ประชุม​ได้ 10 คะแนน ประชุม​เสร็จ​ได้ 20 คะแนน
  2. กลุ่ม​การ​ติดต่อ​กับ​ฝ่าย​การ​ตลาด เพดาน 40 คะแนน กด​ปุ่ม CTA ได้ 6 คะแนน เปิด​อีเมล​การ​ตลาด​ได้ 2 คะแนน กด​ลิงก์​ใน​อีเมล​ได้ 5 คะแนน

ราย​ชื่อ​ที่​นัด​ประชุม​หนึ่ง​ครั้ง เปิด​อีเมล​สอง​ฉบับ และ​กด​ลิงก์​ใน​อีเมล​สาม​ครั้ง ได้ 10 คะแนน​จาก​กลุ่ม​ฝ่าย​ขาย และ 19 คะแนน​จาก​กลุ่ม​การ​ตลาด รวม 29 คะแนน เพดาน​ของ​แต่ละ​กลุ่ม​ทำ​หน้าที่​กัน​ไม่​ให้การ​กระทำ​เล็ก ๆ ที่​ทำ​ซ้ำ​ได้​ง่าย เช่น การ​เปิด​อีเมล ดัน​คะแนน​รวม​ขึ้น​ไป​จน​เท่า​คน​ที่​นัด​ประชุม​แล้ว เพดาน​รวม​เลือก​ได้​ตั้งแต่​ช่วง -100 ถึง 100 ไป​จนถึง -10,000 ถึง 10,000

ตัวอย่าง​นี้​ให้​คะแนน​การ​เปิด​อีเมล​ต่ำ​ที่สุด​ใน​กลุ่ม ซึ่ง​สอดคล้อง​กับ​ข้อ​จำกัด​ของ​ยอด​เปิด แอป Mail ของ Apple โหลด​ภาพ​ใน​จดหมาย​มา​เก็บ​ไว้​ก่อน ผู้รับ​จะ​อ่าน​หรือ​ไม่​ก็ตาม ราย​ละเอียด​อยู่​ในEmail Automation เริ่ม​สอง​ลำดับ แล้ว​วัด​จาก​คลิก​แทน​ยอด​เปิด ธุรกิจ​ที่​ส่ง​อีเมล​ให้​ลูกค้า​ที่​ใช้ iPhone มาก​จึง​ควร​ให้​น้ำ​หนัก​กับ​การ​คลิก​มากกว่า​การ​เปิด

คะแนน​เก่า​ต้อง​ลด​ลง​เอง

HubSpot เรียก​กลไก​นี้​ว่า score decay เปิด​ได้​ใน​กลุ่ม​เหตุการณ์​ของ​คะแนน​ความ​สนใจ​และ​คะแนน​รวม ตั้ง​รอบ​การ​ลด​ได้​ทุก 1, 3, 6 หรือ 12 เดือน โดย​นับ​หนึ่ง​เดือน​เท่ากับ 30 วัน การ​ลด​คิด​แยก​ที​ละ​เหตุการณ์​และ​ลด​แบบ​เส้น​ตรง แล้ว​รวม​เป็น​คะแนน​ทั้งหมด

คู่มือ​ยก​ตัวอย่าง​กฎ​ที่​ให้ 10 คะแนน​เมื่อ​กรอก​ฟอร์ม และ​ตั้ง​ให้​ลด 50% ทุก​เดือน หนึ่ง​เดือน​หลัง​กรอก​ฟอร์ม เหตุการณ์​นั้น​เหลือ 5 คะแนน การ​ลด​คิด​จาก​คะแนน​ตั้ง​ต้น​ของ​เหตุการณ์ คือ 10 คะแนน ไม่ใช่​คิด​จาก​คะแนน​ที่​เหลือ การ​ลด​ยัง​ย้อน​ไป​ใช้​กับ​ข้อมูล​เก่า​ด้วย ถ้า​กฎ​ให้ 2 คะแนน​สำหรับ​การ​กด CTA และ​ลด 100% ใน 3 เดือน ราย​ชื่อ​ที่​กด​เมื่อ 4 เดือน​ก่อน​จะ​ไม่​ได้ 2 คะแนน​นั้น​เลย

รอบ​การ​ลด​ควร​ยาว​เท่าไร

ใช้​ระยะ​เวลา​ตัดสิน​ใจ​ซื้อ​ของ​ลูกค้า​จริง​เป็น​ตัว​ตั้ง ธุรกิจ​ที่​ขาย​คอร์ส​เรียน​ระยะ​สั้น​ซึ่ง​ลูกค้า​ตัดสิน​ใจ​ภายใน​สอง​สาม​สัปดาห์ ควร​ให้​คะแนน​ความ​สนใจ​ลด​เร็ว เช่น ทุก​เดือน ส่วน​ธุรกิจ​ที่​ขาย​เครื่องจักร​หรือ​ระบบ​ที่​ต้อง​ผ่าน​การ​อนุมัติ​งบ​ประมาณ ลูกค้า​อาจ​ใช้​เวลา​ครึ่ง​ปี​ถึง​หนึ่ง​ปี รอบ​การ​ลด​ที่​ยาว​กว่า​จะ​ไม่​ทำให้ lead ที่​ยัง​อยู่​ระหว่าง​ขอ​อนุมัติ​หล่น​ออก​จาก​ราย​ชื่อ​ของ​ฝ่าย​ขาย​เร็ว​เกิน​ไป ระยะ​เวลา​ตัดสิน​ใจ​นี้​ดู​ได้​จาก​วัน​ที่​สร้าง lead กับ​วัน​ที่​ปิด​การ​ขาย​ขอ​งดีล​เก่า​ใน​ระบบ CRM

MQL และ SQL คือ​จุด​ส่ง​ต่อ ไม่ใช่​ป้าย​ชื่อ

MQL หรือ Marketing Qualified Lead คือ lead ที่​ฝ่าย​การ​ตลาด​ประเมิน​แล้ว​ว่า​พร้อม​ส่ง​ต่อ SQL หรือ Sales Qualified Lead คือ lead ที่​ฝ่าย​ขาย​รับ​ไป​คุย​แล้ว​ยืนยัน​ว่า​มี​โอกาส​ซื้อ​จริง ความ​ต่าง​ที่​สำคัญ​ของ​สอง​สถานะ​นี้​อยู่​ที่​ผู้​ตัดสิน ฝ่าย​การ​ตลาด​ตัดสิน​สถานะ​แรก​จาก​คะแนน​และ​ข้อมูล ส่วน​ฝ่าย​ขาย​ตัดสิน​สถานะ​ที่​สอง​จาก​การ​คุย​กับ​ลูกค้า

คะแนน​ทำ​หน้าที่​ตรง​รอย​ต่อ​ระหว่าง​สอง​สถานะ HubSpot ให้​ตั้ง​เกณฑ์​คะแนน (threshold) ผูก​กับ​คะแนน​แต่ละ​ชุด แล้ว​นำ​คะแนน​ไป​ใช้​ใน​กลุ่ม​ราย​ชื่อ​หรือ​เวิร์กโฟลว์​ต่อ​ได้ เช่น ย้าย​ราย​ชื่อ​ที่​ผ่าน​เกณฑ์​เข้า​คิว​ของ​ฝ่าย​ขาย ส่วน​การ​ตั้ง​เกณฑ์​ต้อง​มา​จาก​การ​ตกลง​ของ​สอง​ฝ่าย ถ้า​ฝ่าย​การ​ตลาด​ตั้ง​เกณฑ์​เอง​ฝ่าย​เดียว ฝ่าย​ขาย​จะ​ได้​ราย​ชื่อ​ที่​ไม่​อยาก​โทร​หา​เหมือน​เดิม เพียง​แต่​มี​ตัวเลข​กำกับ

ตัวเลข​อะไร​บอก​ว่า​เกณฑ์​ตั้ง​ไว้​ถูก

ดู​สัดส่วน MQL ที่​ฝ่าย​ขาย​ยอมรับ​เป็น SQL ใน​แต่ละ​เดือน ถ้า​สัดส่วน​ต่ำ แปล​ว่า​เกณฑ์​หลวม​ไป​หรือ​กฎ​ให้​คะแนน​การก​ระ​ทำ​ที่​ไม่​เกี่ยว​กับ​การ​ซื้อ ถ้า​ฝ่าย​ขาย​ยอมรับ​เกือบ​ทุก​ราย แต่​จำนวน MQL น้อย​จน​ทีม​ขาย​ว่าง แปล​ว่า​เกณฑ์​อาจ​เข้ม​เกิน​ไป ตัวเลข​ทั้ง​สอง​นี้​ต้อง​ดู​คู่​กับ​จำ​นวน​ดีล​ที่​ปิด​ได้​จริง วิธี​อ่าน​ตัว​ชี้​วัด​โฆษณา​ที่​มัก​ถูก​ใช้​วัด​คุณภาพ lead ผิด​ที่ อยู่​ในKPI โฆษณา CTR กับ ROAS ที่ Google และ Meta นับ​ต่าง​กัน

โมเดล AI ต้องการ​ข้อมูล​เท่าไร

ทั้ง HubSpot และ Microsoft มี​คะแนน​ที่​สร้าง​ด้วย AI หรือ​โมเดล​คาด​การณ์ ทั้ง​สอง​ต้องการ​ประวัติ lead ที่​รู้​ผล​แล้ว​เป็น​ขั้น​ต่ำ

โปรแกรม ข้อมูล​ขั้น​ต่ำ เงื่อนไข​อื่น​ที่​คู่มือ​ระบุ
HubSpot ตัวอย่าง​อย่าง​น้อย 50 ราย​ชื่อ เปลี่ยน​สถานะ​แล้ว 25 และ​ยัง​ไม่​เปลี่ยน 25 ใช้ได้​กับ Marketing Hub Enterprise ตั้ง​จุด​เริ่ม​และ​จุดจบ​ได้ เช่น จาก MQL ไป SQL ภายใน 30 วัน
Dynamics 365 Sales lead ที่​ผ่าน​เกณฑ์ 40 ราย และ​ไม่​ผ่าน​เกณฑ์ 40 ราย ซึ่ง​สร้าง​และ​ปิด​แล้ว​ใน​ช่วง​ที่​เลือก ช่วง​ข้อมูล​เลือก​ได้ 3 เดือน​ถึง 2 ปี ค่า​ตั้ง​ต้น 2 ปี สร้าง​ได้​สูงสุด 10 โมเดล สิทธิ์ Sales Enterprise ให้​คะแนน​ได้ 1,500 รายการ​ต่อ​เดือน

Microsoft ยัง​เขียน​ว่า​ถ้า​ความ​แม่น​ของ​โมเดล​ต่ำ​กว่า​เกณฑ์ ซึ่ง​วัด​ด้วย​ค่า AUC ระบบ​จะแจ้ง​ว่า​โมเดล​ยัง​ไม่​พร้อม​เผย​แพร่ ผู้​ใช้​ยัง​กด​เผย​แพร่​ได้ แต่​คู่มือ​เตือน​ว่า​โมเดล​จะ​ทำงาน​ได้​ไม่​ดี ธุรกิจ​ที่​ได้ lead เดือน​ละ​ไม่​กี่​สิบ​ราย​และ​ปิด​การ​ขาย​ได้​เดือน​ละ​ไม่​กี่​ราย อาจ​ต้อง​เก็บ​ข้อมูล​เป็น​ปีก​ว่า​จะ​ถึง​ขั้น​ต่ำ ระหว่าง​นั้น​กฎ​ที่​ตั้ง​เอง​จาก​ประสบการณ์​ของ​ฝ่าย​ขาย​ใช้​งาน​ได้​เลย และ​ยัง​เป็น​ข้อมูล​ตั้ง​ต้น​ให้​โมเดล​ใน​อนาคต​ด้วย

คะแนน​ที่​ดี​มา​จาก​นิยาม​ที่​สอง​ทีม​ตกลง​กัน

ขอบเขต​ของ​ข้อมูล​ใน​บท​นี้​มี​ห้า​เรื่อง

  1. ตัวเลข​ทั้งหมด​เป็น​เงื่อนไข​ของ HubSpot และ Dynamics 365 โปรแกรม CRM อื่น​อาจ​ตั้ง​ขั้น​ต่ำ​และ​รอบ​การ​ลด​คะแนน​ต่าง​ออก​ไป
  2. เครื่อง​มือ​ให้​คะแนน​ของ HubSpot ต้อง​ใช้​แพ็ก​เก​จ​แบบ​เสีย​เงิน คู่มือ​ระบุ​ว่า​ใช้ได้​กับ Marketing Hub และ Sales Hub ระดับ Professional ขึ้น​ไป ส่วน​คะแนน​ด้วย AI ใช้ได้​เฉพาะ Enterprise
  3. ตัวอย่าง​คะแนน 15 10 20 6 2 5 เป็น​ตัวอย่าง​อธิบาย​การ​คำนวณ ไม่ใช่​น้ำ​หนัก​ที่​คู่มือ​แนะนำ​ให้​ใช้​กับ​ทุก​ธุรกิจ
  4. บท​นี้​ไม่มี​ตัวเลข​อัตรา​แปลง MQL เป็น SQL ของ​ธุรกิจ​ไทย ยัง​ไม่​พบ​ข้อมูล​สำรวจ​ที่​เปิด​วิธี​เก็บ​ข้อมูล​ให้​ตรวจ​ได้ ตัวเลข​ที่​ใช้​เทียบ​ควร​มา​จาก​ระบบ​ของ​ธุรกิจ​เอง
  5. เอกสาร​ทั้ง​สอง​ชุด​ปรับปรุง​บ่อย หน้า​ของ HubSpot ที่​อ้าง​ปรับปรุง​เมื่อ​สิงหาคม​และ​กันยายน 2569 ผู้​ที่​จะ​ตั้ง​ค่า​ตาม​บท​นี้​ควร​เทียบ​เมนู​กับ​หน้า​ฉบับ​ปัจจุบัน​ที​ละ​ข้อ

กฎ​คะแนน​ชุด​เริ่ม​ต้น

ตาราง​นี้​เป็น​ร่าง​สำหรับ​ธุรกิจ​บริการ​ที่​รับ lead จาก​ฟอร์ม​บน​เว็บ น้ำ​หนัก​เป็น​จุด​เริ่ม​ทดสอบ ไม่​ได้​มา​จาก​คู่มือ​ของ HubSpot หรือ Microsoft

กฎ คะแนน เหตุผล
ตำแหน่ง​เป็น​เจ้าของ​หรือ​ผู้​จัดการ +20 (ความ​เหมาะ) คน​ตัดสิน​ใจ​ซื้อ
อยู่​ใน​พื้นที่​ที่​ให้​บริการ +15 (ความ​เหมาะ) ส่ง​มอบ​งาน​ได้​จริง
อีเมล​โดเมน​สถาน​ศึกษา -20 (ความ​เหมาะ) มัก​เป็นการ​ค้น​ข้อมูล​ทำ​รายงาน
เปิด​หน้า​ราคา​อย่าง​น้อย​สอง​ครั้ง +15 (ความ​สนใจ) ลด 50% ต่อ​เดือน สัญญาณ​เปรียบ​เทียบ​ก่อน​ซื้อ
กด​ขอ​ใบ​เสนอ​ราคา​หรือ​นัด​คุย +30 (ความ​สนใจ) ลด 50% ทุก 3 เดือน บอก​ความ​ตั้งใจ​ชัด​ที่สุด
เปิด​อีเมล​การ​ตลาด +1 (ความ​สนใจ) เพดาน​กลุ่ม 5 ยอด​เปิด​เพี้ยน​ได้

เกณฑ์​ส่ง​ต่อ​เป็น MQL เริ่ม​ที่​คะแนน​ความ​เหมาะ​ไม่​น้อย​กว่า 20 และ​คะแนน​ความ​สนใจ​ไม่​น้อย​กว่า 30 แล้ว​ปรับ​ตาม​สัดส่วน​ที่​ฝ่าย​ขาย​ยอมรับ​ใน​เดือน​แรก หน้า​บริการ​ที่​เกี่ยว​กับ​การ​วาง​กระบวนการ​ระหว่าง​ทีม​การ​ตลาด​กับ​ทีม​ขาย​คือบริการ​ที่​ปรึกษา​การ​ตลาด

รับ lead ทาง LINE เป็น​หลัก ให้​คะแนน​จาก​อะไร

ธุรกิจ​ที่​ลูกค้า​ทัก​ผ่าน LINE มากกว่า​กรอก​ฟอร์ม ยัง​ให้​คะแนน​ได้ แต่​ต้อง​ให้​แอด​มิ​นบัน​ทึก​การก​ระ​ทำ​ลง​ระบบ​เอง เพราะ​ข้อความ​ใน​แชต​ไม่​ไหล​เข้า CRM โดย​อัตโนมัติ​ถ้า​ไม่​ได้​เชื่อม​ระบบ​ไว้ ทาง​ที่​ใช้ได้​ทันที​คือ​ให้​แอ​ดมิน​ติด​ป้าย​แช​ต​ตาม​สาม​คำถาม ลูกค้า​ถาม​ราคา​หรือ​ยัง ระบุ​จำนวน​หรือ​วัน​ที่​ต้องการ​หรือ​ยัง และ​เป็น​ผู้​ตัดสิน​ใจ​เอง​หรือ​เปล่า แต่ละ​ป้าย​เทียบ​ได้​กับ​หนึ่ง​กฎ​ใน​ตาราง ข้อมูล​ส่วน​นี้​แม้​จะ​นับ​ด้วย​มือ ก็​บอก​ได้​ชัด​กว่า​ยอด​คน​เพิ่ม​เพื่อน

สรุป

Lead Scoring ให้​คะแนน lead จาก​สอง​ด้าน คือ​ข้อมูล​ของ​ลูกค้า​ว่า​ตรง​กลุ่ม​เป้า​หมาย​แค่​ไหน กับ​การก​ระ​ทำ​ที่​บอก​ความ​สนใจ HubSpot แยก​สอง​ด้าน​นี้​เป็น fit score และ engagement score ใส่​เพดาน​คะแนน​ต่อ​กลุ่ม​ได้ ลบ​คะแนน​ได้ และ​ลด​คะแนน​ของ​แต่ละ​เหตุการณ์​ได้​ทุก 1, 3, 6 หรือ 12 เดือน MQL เป็น​สถานะ​ที่​ฝ่าย​การ​ตลาด​ตัดสิน SQL เป็น​สถานะ​ที่​ฝ่าย​ขาย​ยืนยัน​หลัง​คุย​กับ​ลูกค้า เกณฑ์​ระหว่าง​สอง​สถานะ​ต้อง​มา​จาก​การ​ตกลง​ของ​สอง​ทีม และ​วัด​จาก​สัดส่วน​ที่​ฝ่าย​ขาย​ยอมรับ โมเดล AI ต้อง​มี​ข้อมูล​ขั้น​ต่ำ HubSpot 50 ราย และ Dynamics 365 ต้อง​มี​อย่าง​ละ 40 ราย ธุรกิจ​เล็ก​จึง​เริ่ม​จาก​กฎ​ที่​ตั้ง​เอง​ได้​ทันที

คำถามที่พบบ่อย (FAQ)

MQL ตัดสิน​โดย​ฝ่าย​การ​ตลาด​จาก​คะแนน​และ​ข้อมูล​ที่​มี SQL ตัดสิน​โดย​ฝ่าย​ขาย​หลัง​ได้​คุย​กับ​ลูกค้า​แล้ว ทั้ง​สอง​ฝ่าย​ต้อง​เขียน​นิยาม​ร่วม​กัน ไม่​อย่าง​นั้น​สอง​สถานะ​นี้​จะ​เป็น​แค่​ป้าย​ที่​แต่ละ​ทีม​ใช้​ต่าง​กัน

ทำได้​ใน​รูป​คอลัมน์​คะแนน​ที่​คิด​จาก​เงื่อนไข​ง่าย ๆ เช่น ตำแหน่ง​งาน ขนาด​บริษัท และ​การ​กด​ขอ​ใบ​เสนอ​ราคา ข้อ​เสีย​คือ​ต้อง​อัปเดต​การก​ระ​ทำ​ด้วย​มือ และ​การ​ลด​คะแนน​ตาม​เวลา​ต้อง​เขียน​สูตร​เอง เมื่อ lead เกิน​ที่​คน​หนึ่ง​คน​ดูแล​ได้ จึง​ค่อย​ย้าย​ไป​ระบบ CRM

ให้​ได้​แต่​ควร​ให้​น้ำ​หนัก​ต่ำ เพราะ​แอป​อีเมล​บาง​ตัว​ดาวน์โหลด​เนื้อหา​เอง​โดยที่​ผู้รับ​ไม่​ได้​เปิด​อ่าน การ​คลิก​ลิงก์​และ​การ​ตอบ​กลับ​บอก​ความ​สนใจ​ได้​ชัด​กว่า

ทุก​ไตรมาส​เป็น​จุด​เริ่ม​ที่​เหมาะ​สม ให้​ดึง​ราย​ชื่อ​ที่​ปิด​การ​ขาย​ได้​และ​ที่​ฝ่าย​ขาย​ปฏิเสธ​ใน​ไตรมาส​นั้น แล้ว​ดู​ว่า​กฎ​ใด​ให้​คะแนน​ผิด​ทาง หน้าที่​นี้​มัก​อยู่​กับ​คน​ที่​ดูแล​ข้อมูล​ของ​องค์กร ซึ่ง​อธิบาย​ไว้​ในData Analyst คือ​อะไร คน​ที่​บอก​ว่า​ตัวเลข​เชื่อ​ได้​แค่​ไหน

เก็บ​เฉพาะ​ข้อมูล​ที่​ใช้​คัด​กรอง​จริง เช่น ประเภท​ธุรกิจ จำนวน​พนักงาน และ​จังหวัด ฟอร์ม​ที่​ถาม​มาก​เกิน​ไป​ทำให้​คน​กรอก​น้อย​ลง และ​ข้อมูล​ส่วน​บุคคล​ที่​เก็บ​เกิน​จำเป็น​ยัง​เพิ่ม​ภาระ​ใน​การ​ดูแล​ตาม​กฎหมาย​ด้วย

PHYGITAL INSIGHT

ฟิจิ⁠ทัล​ตั้ง​คะแนน​ร่วม​กับ​ทีม​ขาย​ของ​ลูกค้า โดย​ขอ​ราย​ชื่อ lead ที่​ปิด​การ​ขาย​ได้​ใน​หก​เดือน​ที่​ผ่าน​มา แล้ว​ไล่​ดู​ว่า​คน​กลุ่ม​นั้น​ทำ​อะไร​ก่อน​ตัดสิน​ใจ​ซื้อ หลาย​ครั้ง​พบ​ว่าการ​กระทำ​ที่​ทีม​การ​ตลาด​ให้​คะแนน​สูง เช่น ดาวน์โหลด​เอกสาร ไม่​ได้​อยู่​ใน​เส้น​ทาง​ของ​คน​ที่​ซื้อ​จริง ส่วน​การ​เปิด​หน้า​ราคา​สอง​ครั้ง​กลับ​อยู่​เกือบ​ทุก​ราย บริการ​ที่​ปรึกษา​ด้าน​งาน​ขาย​ของ​ฟิจิ⁠ทัล​ใช้​ข้อมูล​ของ​ลูกค้า​เอง​ตั้ง​น้ำ​หนัก​คะแนน แทน​การ​ยก​ตาราง​คะแนน​สำเร็จรูป​จาก​ที่​อื่น​มา​ใช้

ให้ PHYGITAL AGENCY ช่วยต่อยอดเรื่องนี้สู่ผลลัพธ์จริง

lead ที่​ปิด​การ​ขาย​ได้ 20 ราย​ล่าสุด​บอก​ได้​ว่า​กฎ​คะแนน​ควร​ให้​น้ำ​หนัก​กับ​อะไร

ก่อน​ตั้ง​เกณฑ์ MQL รอบ​แรก ส่ง​ราย​ชื่อ​ชุด​นั้น​พร้อม​เส้น​ทาง​ที่​ลูกค้า​เดิน​มา​ให้ PHYGITAL AGENCY ช่วย​ไล่​ดู​ว่า​กฎ​ข้อ​ไหน​ควร​มี​จริง

PARANATH PANARATANA

WRITTEN BY

PARANATH PANARATANA

CHAIRMAN OF PHYGITAL AGENCY

ประธานกรรมการบริษัท ฟิจิทัล เอเจนซี จำกัด มีประสบการณ์ดูแลการตลาดที่ผสานโลกจริงและโลกออนไลน์เข้าด้วยกัน ตลอดจนเป็นที่ปรึกษาในการวินิจฉัยธุรกิจ อีกทั้งยังเคยทำงานในสายวิดีโอโปรดักชั่นและภาพยนตร์ไทยอีกด้วย