Как настроить лид-скоринг через Claude Code

Что такое лид-скоринг

Лид-скоринг — это оценка заявок в баллах по вероятности покупки. Горячим лидам менеджер звонит первым, пока они не остыли, а холодных отправляет в прогрев, не тратя на них дорогое время продажника. Без скоринга ресурс отдела продаж размазывается по всем заявкам ровным слоем, а значит — тратится неэффективно: на пустого лида уходит столько же, сколько на готового купить.

Обычно модель скоринга живёт либо в голове опытного РОПа (и уходит вместе с ним), либо в громоздких настройках CRM, которые один раз собрали и боятся трогать. Claude Code позволяет собрать прозрачную балльную модель в обычном файле, обсудить её словами, поспорить с логикой и прогнать на реальных данных — быстро, наглядно и без привлечения разработчика.

Критерии оценки

Баллы начисляют за два типа признаков: кто это (профиль лида) и что он делает (поведение). Хорошая модель учитывает оба — профиль без поведения даёт ложных «идеальных» лидов, которым на самом деле ничего не нужно.

• Профиль. Размер компании, должность, регион, бюджет, ниша — насколько лид вообще похож на вашего клиента.
• Поведение. Открыл письма, был на странице цен, оставил заявку на демо, скачал лид-магнит, вернулся на сайт несколько раз.
• Негативные сигналы. Нецелевой регион, конкурент под видом клиента, студент «для диплома», бесплатная почта в B2B — за это ставят минусовые баллы.

Если делали анализ ЦА, критерии профиля берутся прямо оттуда: кто ваш идеальный клиент по описанию — за совпадение с ним и плюсуем. Так скоринг опирается на реальный портрет, а не на интуицию менеджера о том, кто «выглядит платёжеспособным».

Практический принцип при выборе критериев — не гнаться за их количеством. Пять-семь сильных признаков, которые реально коррелируют с покупкой, работают лучше двадцати слабых: последние размывают оценку и превращают её в шум, где всё среднее. Начните с очевидного — целевой сегмент, ЛПР, интерес к цене, запрос демо — и добавляйте новые критерии только тогда, когда данные подтвердят их предсказательную силу. Модель поможет и здесь: попросите её на исторических сделках проверить, какие признаки действительно отличают купивших от отвалившихся, а какие оказались бесполезны.

Балльная модель

Опишите модель таблицей — это ваш прозрачный «алгоритм», который в любой момент легко прочитать и поменять словами. Пример стартовой модели, от которой можно отталкиваться:

Дальше задаёте пороги: 60+ баллов — горячий (звонить сегодня), 30–59 — тёплый (в работу на неделе), ниже 30 — холодный (в автоматический прогрев). Пороги и веса подбираются под ваш поток заявок и корректируются по факту: если «горячих» оказывается слишком много и менеджеры не успевают, порог поднимают.

Прогон выгрузки из CRM

Модель готова — прогоняем через неё лидов. Выгрузите заявки в CSV и дайте Claude Code вместе с файлом модели. Он оценит каждого и отсортирует.

Прочитай leads.csv и scoring-model.md.

Для каждого лида:
- начисли баллы по модели
- присвой статус (горячий/тёплый/холодный)
- коротко объясни, за что начислены баллы
Отсортируй по убыванию и сложи в leads-scored.csv.
Сверху выведи 10 самых горячих лидов с комментарием.

На выходе отдел продаж получает не сырой список из сотни строк, а приоритизированную очередь с объяснением по каждому лиду. Менеджер видит, кому звонить в первую очередь и почему. Если лидов много и они постоянно обновляются, данные лучше держать в порядке и подключать через MCP к базе, а не выгружать CSV вручную каждый раз.

Прозрачность решений

Ключевое преимущество подхода — объяснимость. Модель не «чёрный ящик», который выдал число неизвестно на каком основании: за каждый балл видно, почему он начислен. Это важно и для доверия отдела продаж (менеджеры не будут игнорировать оценку, которую понимают), и для отладки самой модели.

Когда менеджеры жалуются «этот горячий по скорингу лид оказался пустышкой» — вы открываете объяснение, находите слабый критерий, который дал лишние баллы, и правите его вес. Модель улучшается на реальной обратной связи от тех, кто звонит, а не остаётся памятником первоначальным догадкам.

Калибровка на результатах

Первая версия модели всегда приблизительна — это гипотеза о том, что предсказывает покупку. Через месяц сверьте прогноз с реальностью: сколько «горячих» реально дошли до сделки, сколько «холодных» вы зря отложили и потеряли.

Прочитай leads-scored.csv и deals.csv (кто в итоге купил).
Оцени, насколько скоринг совпал с реальными продажами.
Предложи, какие веса поднять или снизить и почему.

Скоринг без калибровки — это гадание с точностью до балла. Ценность появляется только тогда, когда модель регулярно сверяется с фактическими сделками и учится на них, а не остаётся набором цифр из головы.

Так модель из первоначальной гипотезы постепенно превращается в рабочий инструмент, который отражает вашу реальную воронку, а не представления о ней. Пары итераций калибровки обычно достаточно, чтобы скоринг начал заметно экономить время продаж.

Встроить в процесс

Разовый прогон полезен для проверки идеи, но по-настоящему меняет работу продаж регулярный процесс. Настройте ритм: свежая выгрузка новых лидов раз в день или в неделю, прогон через модель, приоритизированная очередь на столе у менеджеров к утру. Тогда никто не звонит вслепую по порядку поступления.

Для полной автоматизации это оформляют системой обработки входящих заявок или отдельным агентом, который сам оценивает новых лидов по мере поступления. Но начинать стоит с простого: файл-модель и ручной прогон раз в неделю, чтобы сначала понять, что вообще работает на вашей воронке, а уже потом вкладываться в автоматизацию.

Скоринг хорошо стыкуется и с остальным маркетингом, а не живёт в вакууме продаж. Холодные лиды, которых модель отложила, — это не мусор, а аудитория для прогревающей email-цепочки: полежали, дозрели, при следующем прогоне поднялись в баллах и ушли в работу. А сегменты, которые стабильно оказываются горячими, подсказывают, куда направлять рекламный бюджет и на кого точить офферы. Так лид-скоринг из инструмента одного отдела превращается в общий сигнал для всей команды: где ваша реальная целевая аудитория и как с ней работать на каждом этапе.