ИИ-скоринг расставляет входящие заявки по приоритету до первого звонка: система оценивает известные признаки лида и показывает, какие обращения стоит обработать раньше. Менеджер видит балл прямо в карточке CRM и решает, кому звонить в первую очередь, а не тратит время на случайный порядок.
Низкий балл не должен автоматически закрывать заявку. Это вспомогательный сигнал, а не приговор. Разберём, какие данные нужны для скоринга, как подключить его к Битрикс24 и как проверять, что модель не ошибается систематически.
Что такое скоринг лидов и зачем он нужен
Скоринг лидов - это присвоение каждой заявке числового балла на основе набора признаков. Чем выше балл, тем больше признаков указывают на то, что лид готов к покупке или соответствует портрету целевого клиента.
Без скоринга менеджеры обрабатывают заявки в порядке поступления. Горячий лид, пришедший в пятницу вечером, может ждать до понедельника, пока в начале очереди стоят слабые обращения. Скоринг решает эту задачу: система сортирует очередь автоматически, и менеджер начинает день с самых перспективных контактов.
ИИ-скоринг отличается от простых правил тем, что модель учитывает комбинации признаков и их взаимодействие, а не только отдельные условия. Например, правило «лид из Москвы = плюс 10 баллов» работает линейно. Модель может учесть, что лид из Москвы, пришедший по брендовому запросу и просмотревший страницу цен, значительно ценнее, чем лид из Москвы с одним визитом на главную.
Какие признаки лида берёт в расчёт модель
Признаки делятся на три группы: демографические и фирмографические, поведенческие и контекстные.
Демографические и фирмографические признаки - это то, что лид сообщил о себе в форме или что подтягивается из внешних источников: город, должность, размер компании, отрасль, тип клиента (физлицо или юрлицо).
Поведенческие признаки - действия лида на сайте до подачи заявки: количество визитов, глубина просмотра, посещение страниц с ценами или кейсами, время на сайте, источник трафика, устройство.
Контекстные признаки - время подачи заявки, канал (форма, звонок, чат), UTM-метки, ключевое слово из рекламы.
Ниже - пример структуры таблицы признаков с весами. Веса условные и подбираются под конкретную воронку через обучение модели или экспертную оценку:
- Источник: брендовый запрос - высокий вес
- Источник: общий информационный запрос - низкий вес
- Посещение страницы цен - средний вес
- Количество визитов больше двух - средний вес
- Заполнен телефон и email - средний вес
- Указана должность «руководитель» или «директор» - высокий вес
- Заявка в рабочее время - низкий положительный вес
- Заявка с мобильного устройства по нецелевому запросу - отрицательный вес
Итоговый балл - сумма взвешенных признаков, нормированная к шкале, например от 0 до 100.
Источники данных: Метрика, CRM, формы и телефония
Для скоринга нужны данные из нескольких систем, объединённые по идентификатору лида.
Яндекс Метрика передаёт поведенческие данные: источник визита, глубину просмотра, достижение целей, время на сайте. Через API Метрики можно получить данные по конкретному ClientID - идентификатору браузера посетителя. Если форма на сайте передаёт ClientID вместе с заявкой, вы можете сопоставить поведение пользователя с его лидом в CRM. Для этого в форму добавляют скрытое поле, которое заполняется значением из cookie _ym_uid.
CRM хранит данные о самом лиде: поля формы, историю взаимодействий, статус предыдущих сделок, если клиент уже обращался.
Телефония добавляет данные о звонках: длительность разговора, номер телефона, время звонка. Если лид позвонил сам - это сильный сигнал.
UTM-метки из рекламных кампаний позволяют определить, по какому ключевому слову или объявлению пришёл лид. Брендовые запросы и запросы с коммерческим интентом обычно дают более конверсионных лидов.
Как подключить скоринг через Битрикс24
Битрикс24 позволяет реализовать скоринг несколькими способами в зависимости от бюджета и технических возможностей.
Вариант 1: Роботы и правила в CRM без разработки. В разделе CRM - Настройки - Роботы и триггеры можно настроить автоматические действия при создании лида. Робот проверяет значения полей и присваивает балл через изменение пользовательского поля «Балл скоринга». Это работает как набор правил: если источник = «Яндекс.Директ» и заполнен телефон, добавить 20 баллов. Подход простой, но не учитывает комбинации признаков.
Вариант 2: Webhook и внешняя модель. При создании лида Битрикс24 отправляет webhook на внешний сервис. Сервис рассчитывает балл и возвращает его через REST API Битрикс24. Документация по работе с REST API доступна на dev.bitrix24.ru. Метод crm.lead.update позволяет обновить поле лида с рассчитанным баллом. Этот вариант требует разработчика или готового сервиса скоринга.
Вариант 3: Готовые ИИ-инструменты с интеграцией. Ряд сервисов предлагает готовые модели скоринга с коннектором к Битрикс24. Они обучаются на исторических данных из вашей CRM и автоматически обновляют балл при изменении статуса лида.
Для отображения балла в воронке создайте пользовательское поле типа «Число» с названием «Балл скоринга» в настройках CRM. Добавьте это поле в карточку лида и в представление списка, чтобы менеджер видел балл без открытия карточки.
Пороговые значения: как решить, кому звонить первым
Пороговые значения зависят от объёма лидов и пропускной способности отдела продаж. Универсальных норм нет - их нужно подбирать под свою воронку.
Пример условного расчёта. Допустим, в день поступает 50 лидов, а менеджеры успевают качественно обработать 20. Значит, нужно выделить верхние 40% по баллу как приоритетные. Если шкала от 0 до 100, смотрите, какой балл соответствует 80-му перцентилю в вашей выборке - это и будет порог первого приоритета.
Удобно разбить лиды на три группы:
- Горячие - балл выше порога первого приоритета, звонок в течение 15 минут
- Тёплые - балл в среднем диапазоне, звонок в течение рабочего дня
- Холодные - балл ниже нижнего порога, обработка по остаточному принципу или автоматическая серия писем и напоминаний
В Битрикс24 можно настроить автоматическое распределение лидов по менеджерам через роботы: если балл выше порога - назначить старшего менеджера, если ниже - передать в общую очередь. Для этого используется робот «Изменить ответственного» с условием по полю «Балл скоринга».
Частые ошибки при настройке
Слишком мало данных для обучения. Если в CRM мало закрытых сделок с разными исходами, модель будет ненадёжной. В этом случае лучше начать с правил на основе экспертной оценки, а не с машинного обучения.
Скоринг только по одному источнику. Если модель учитывает только данные формы и не видит поведение на сайте, она пропускает важные сигналы. Подключайте Метрику с первого дня.
Автоматическое закрытие лидов с низким баллом. Это грубая ошибка. Низкий балл означает «обработать позже», а не «отклонить». Всегда оставляйте возможность менеджеру вручную повысить приоритет.
Отсутствие версионирования модели. Если вы изменили веса признаков, зафиксируйте дату изменения. Иначе при анализе качества вы не поймёте, почему точность упала или выросла в определённый период.
Игнорирование сезонности. Поведение лидов меняется в зависимости от сезона, акций и внешних событий. Модель, обученная на данных одного квартала, может давать сбои в другом.
Как проверить качество модели через обратную связь
Качество скоринга проверяется через сопоставление предсказанного балла с реальным исходом сделки. Для этого нужно регулярно выгружать отчёт: балл лида на момент создания - итоговый статус сделки (выиграна / проиграна / не обработана).
Базовая проверка - посмотреть, как распределяются выигранные сделки по диапазонам баллов. Если модель работает, в группе с высоким баллом должна быть заметно выше доля выигранных сделок, чем в группе с низким баллом.
Важный сигнал - лиды с низким баллом, которые всё же купили. Если таких много, модель недооценивает какой-то признак. Попросите менеджеров отмечать такие случаи тегом в CRM - это даст материал для пересмотра весов.
Проверку стоит проводить раз в квартал или после значимых изменений в маркетинге: смены каналов, запуска новых продуктов, изменения целевой аудитории.
Когда скоринг не поможет и что делать вместо него
Скоринг не решает проблему, если сами лиды нецелевые. Если рекламные кампании привлекают нерелевантную аудиторию, модель будет расставлять приоритеты внутри плохой выборки. Сначала нужно исправить таргетинг.
Скоринг не заменяет квалификацию. Балл показывает вероятность, но менеджер всё равно должен задать квалификационные вопросы на первом звонке. Скоринг помогает решить, кому позвонить раньше, а не отменяет разговор.
При небольшом потоке заявок скоринг может быть избыточен: если менеджер успевает внимательно оценить каждую заявку, ручная проверка проще настройки и поддержки автоматической системы.
В этих случаях полезнее сосредоточиться на улучшении форм захвата (добавить квалификационные вопросы прямо в форму), настроить чёткие критерии квалификации для менеджеров и улучшить скорость первого контакта - это часто даёт больший эффект, чем сложная модель скоринга.
Частые вопросы
Чем ИИ-скоринг отличается от ручной квалификации лидов по BANT?
BANT - это структура вопросов для квалификации на звонке: бюджет, полномочия, потребность, сроки. Менеджер получает ответы в разговоре. ИИ-скоринг работает до звонка: он оценивает косвенные признаки - поведение на сайте, источник, данные формы - и расставляет приоритеты в очереди. Эти подходы дополняют друг друга: скоринг решает, кому звонить первым, BANT помогает квалифицировать лида уже в разговоре.
Сколько лидов нужно накопить, чтобы модель начала работать точно?
Универсального минимума нет. Для обучения нужны закрытые сделки с известными исходами и достаточное разнообразие примеров. Если данных мало, начните с правил на основе экспертной оценки и накапливайте историю для последующей проверки модели.
Можно ли настроить скоринг без разработчика через Битрикс24?
Базовый скоринг на правилах можно настроить через роботы и триггеры в CRM без разработки: создать пользовательское поле «Балл скоринга» и настроить роботов, которые добавляют или вычитают баллы при выполнении условий. Для скоринга на основе машинного обучения с внешней моделью потребуется разработчик для настройки webhook и вызова метода crm.lead.update через REST API.
Как скоринг связывается с данными Яндекс Метрики?
Связка строится через ClientID - идентификатор браузера посетителя. На сайте в форму добавляют скрытое поле, которое заполняется значением из cookie _ym_uid. Когда лид отправляет форму, его ClientID попадает в CRM вместе с остальными данными. Дальше через API Метрики можно запросить поведенческие данные по этому ClientID и использовать их как признаки для скоринга. Подробнее о работе с API описано в документации на yandex.ru/support/metrica/.
Что делать с лидами, которые получили низкий балл, но всё равно купили?
Такие случаи - ценный сигнал для улучшения модели. Попросите менеджеров отмечать их тегом в CRM. Затем проанализируйте, какие признаки объединяют эти лиды: возможно, модель недооценивает определённый источник или тип клиента. Используйте эти наблюдения при следующем пересмотре весов. Никогда не закрывайте лиды автоматически только на основании низкого балла.