Квалификация лидов: как отделять целевые заявки на потоке

Квалификация лидов на потоке — это система правил и баллов, которая помечает заявку целевой или нецелевой ещё до того, как её увидел менеджер: по гео, бюджету, каналу, поведению на сайте и содержанию сообщения. Правила задаются один раз в CRM или коллтрекинге, дальше система размечает заявки сама, а человек разбирает уже отфильтрованный список, а не весь поток подряд.

Что такое квалификация лидов и зачем она нужна

Квалификация лида — проверка заявки на соответствие критериям целевого клиента: платёжеспособность, интерес к конкретному продукту, готовность купить в разумный срок. Без неё отдел продаж тратит время на всех подряд — от случайных кликов до конкурентов, изучающих цены. Цель не в том, чтобы отсеять побольше заявок, а в том, чтобы менеджер сначала звонил тем, кто готов купить, а остальные обрабатывал по остаточному принципу.

Квалификация решает три задачи одновременно. Экономит время продавца — он не тратит 10 минут на звонок человеку, который «просто спрашивал». Ускоряет реакцию на горячие заявки — их видно сразу, а не через час разбора общего списка. И даёт маркетологу обратную связь: если из недели в неделю приходит много одинаково нецелевых заявок с одной площадки, это сигнал перенастроить кампанию, а не разбирать вручную одно и то же каждый день.

Что именно считать целевым лидом — вопрос не общий, а зависящий от ниши, чека и цикла сделки. Разбор критериев целевой заявки под конкретный бизнес — отдельная тема, ей посвящена статья про целевые лиды. Здесь речь о том, как эти критерии превратить в автоматическое правило, а не проверять каждую заявку глазами.

Почему ручная квалификация не масштабируется

Ручная квалификация работает, пока заявок мало и один человек успевает прочитать каждую целиком. Как только поток растёт, разбор занимает часы, решение принимается на глаз, а критерии у разных менеджеров расходятся: один пропускает подозрительную заявку, другой отсеивает нормального клиента за нетипичный вопрос.

Второй эффект — падение скорости реакции на горячие заявки. Пока менеджер вручную листает общий список в поисках стоящего лида, готовый купить клиент ждёт звонка и уходит к тому, кто ответил быстрее. Связь между скоростью обработки и конверсией в продажу прямая и хорошо описана в статье про скорость обработки заявки — там же видно, сколько теряется на одной только задержке звонка.

Третий эффект — усталость от рутины. Когда заметная часть потока — спам и боты, а остальное нужно разобрать вручную, менеджер быстро начинает срезать углы: отвечать шаблонно, откладывать неочевидные заявки, пропускать перезвон. Автоматическая квалификация не заменяет менеджера, а убирает у него из-под рук решение «смотреть или не смотреть» — этот выбор система делает за него по заранее заданным правилам, одинаковым для всех.

Критерии квалификации заявки

Критерий квалификации — конкретный признак заявки, который можно проверить автоматически: по данным формы, по источнику трафика или по поведению на сайте. Хороший критерий формулируется как правило «если — то», а не как общее ощущение «заявка выглядит нормальной». Обычно достаточно 5–7 критериев — больше усложняет систему и не даёт роста точности.

Критерии делятся на четыре группы: кто оставил заявку (гео, устройство, источник), что написал (текст обращения, формат телефона), как себя вёл на сайте (глубина просмотра, время до отправки формы) и через что пришёл (площадка, канал, конкретное объявление). Последняя группа особенно важна: разбор по объявлениям и площадкам часто показывает, что нецелевые заявки концентрируются в 2–3 источниках, а не размазаны равномерно — подробнее в статье про ложные заявки.

Каждый критерий даёт да/нет или число баллов — этого достаточно, чтобы правило работало без участия человека.

BANT и другие модели квалификации

BANT, CHAMP и похожие модели — готовые наборы вопросов из B2B-продаж, которые проверяют одно и то же под разным углом: есть ли у клиента деньги, полномочия и реальная потребность купить именно сейчас. Для рекламных заявок их не копируют один в один, а берут логику: сначала отсечь тех, кому нечем или незачем платить, потом уже разбираться с остальным.

BANT (Budget, Authority, Need, Timeline) пришёл из корпоративных продаж с длинным циклом сделки и несколькими лицами, принимающими решение — в лидген-заявках из него чаще всего используют бюджет и срок. CHAMP смещает акцент на проблему клиента (Challenges) и ставит её перед бюджетом: сначала понять, что человек хочет решить, потом — готов ли он на это тратить.

Для заявок с сайта и Директа обычно хватает упрощённой версии: две-три проверки на «есть ли реальная потребность» и одна на «готов ли купить в разумный срок». Полный BANT из четырёх блоков оправдан, если чек высокий и сделка закрывается не за один звонок, а за несколько недель переговоров.

Автоматическая разметка на потоке

Автоматическая разметка — это цепочка правил, которая присваивает заявке статус в момент поступления, без участия человека: сначала фильтр ботов и спама, затем проверка по критериям квалификации, в конце — тег для CRM («целевая», «уточнить», «отсечь»). Менеджер открывает уже размеченный список и видит приоритет с первой секунды.

Первый фильтр всегда технический: повторные IP, боты, заведомо фейковые номера и заполнение формы за доли секунды — это не квалификация, а гигиена потока, о ней подробно в статье про фильтрацию спам-заявок. Пропускать такую заявку через модель BANT бессмысленно — её нужно просто не показывать менеджеру.

Второй слой — правила на основе данных формы или квиза: если ответ на вопрос про бюджет ниже минимального чека, заявка получает тег «уточнить» вместо мгновенного отказа — человек мог ошибиться в форме, а автоматика должна сомневаться в свою пользу там, где цена ошибки высокая. Третий слой — коллтрекинг: расшифровка звонка находит ключевые слова («сколько стоит доставка в другой город», «у вас франшиза?») и помечает заявку без вашего города или не по профилю.

Итог такой цепочки — не бинарное деление на «хорошо/плохо», а очередь с приоритетом: горячие сверху, спорные — на ручную проверку, явный мусор — в архив.

Скоринг лида — как построить систему баллов

Скоринг — числовая альтернатива тегам: каждому критерию присваивается вес, баллы по всем критериям суммируются, а итоговая сумма определяет очередь обработки. Это удобнее простой разметки «целевой/нецелевой», когда критериев больше трёх и они противоречат друг другу — например, гео не подходит, но бюджет и продукт совпадают идеально.

Вес критерия зависит от того, насколько он предсказывает реальную покупку, а не от того, насколько легко его проверить. Обычно самый тяжёлый критерий — явное указание бюджета в нужном диапазоне, самый лёгкий — совпадение гео, потому что оно чаще всего фоновое условие, а не решающее. Стартовые веса можно взять произвольно и скорректировать через месяц-два, когда накопится статистика по реальным продажам с разных сумм баллов.

Пороги в таблице — стартовая точка, а не догма: их нужно подстраивать под конкретный трафик и пересматривать, когда меняется рекламная кампания или сезон — иначе скоринг «устаревает» и начинает резать нормальные заявки наравне с мусорными.

Инструменты для автоквалификации заявок

Для автоквалификации не нужен отдельный сервис — большинство сценариев закрывают связка CRM с настраиваемыми полями и коллтрекинг с распознаванием речи. Специализированные инструменты нужны, только если объём заявок большой, а критериев квалификации много и они меняются часто.

CRM с автоматизацией (правила по полям формы, теги, распределение по менеджерам) — базовый уровень для любой команды: правило «если бюджет меньше X — тег отсечь» настраивается один раз без программиста. Коллтрекинг с расшифровкой звонков добавляет квалификацию по содержанию разговора, а не только по данным формы — это критично, если основной канал заявок — звонок, а не заполненная форма. Квиз с уточняющими вопросами квалифицирует ещё на этапе сбора заявки: вместо общей формы «оставьте телефон» человек сначала отвечает на 2–3 вопроса, которые отсекают заведомо нецелевых до того, как заявка попала в CRM — сравнение форматов заявок и их конверсии смотрите в подборке инструментов для заявок и продаж.

Что делать с отсечёнными заявками

Отсечённую заявку не нужно удалять — её нужно архивировать с причиной отсечения и периодически пересматривать выборку вручную, чтобы проверить, не режет ли система нормальных клиентов. Без этой проверки квалификация постепенно ужесточается сама по себе: правила подстраивают под самые очевидные случаи спама, и вместе с ним со временем отсекаются пограничные, но реальные заявки.

Часть отсечённых заявок — не мусор, а холодные клиенты не в моменте: интересовались, но бюджет пока не готов или решение откладывается. Их не обзванивают в приоритете, но добавляют в отдельный список для email- или мессенджер-рассылки через 2–4 недели — часть из них дозревает и возвращается уже тёплой. Это особенно заметно в нишах с длинным циклом принятия решения, где заявка «рано» не значит «никогда».

Если клиент со стороны бизнеса жалуется, что «заявки плохие», а по факту система квалификации ещё не настроена или настроена криво, — это отдельный, частый разговор с директологом. Как аргументированно разбирать такие претензии, разобрано в статье когда клиент говорит, что заявки плохие. Данные по отсечённым заявкам — лучший аргумент в этом разговоре: конкретные причины отказа весомее общих слов «заявки нормальные».

Частые ошибки при квалификации лидов

Самая частая ошибка — слишком много критериев сразу на старте: команда пытается учесть все нюансы и получает систему, где заявка отсекается по третьестепенному признаку, а очевидно целевой лид теряется в правилах. Начинать нужно с 3–4 критериев, которые реально коррелируют с продажей, и добавлять новые по одному, проверяя эффект каждого.

Вторая ошибка — статичные правила, которые никто не пересматривает месяцами. Рекламная кампания меняется, приходит новая аудитория, а критерии квалификации остаются прежними — в итоге система либо пропускает новый тип нецелевых заявок, либо начинает резать нормальных клиентов, которые чуть отличаются от прежнего портрета.

Третья ошибка — путать квалификацию с фильтрацией спама. Это разные задачи: спам-фильтр отсекает ботов и технический мусор ещё до квалификации, а квалификация работает с живыми людьми и решает, целевой перед вами клиент или просто не тот сегмент. Смешение этих слоёв — частая причина, почему реклама выглядит дороже, чем есть на самом деле: подробный разбор в статье про снижение цены заявки.

Четвёртая — отсутствие обратной связи от продаж. Если менеджеры не отмечают в CRM, кто реально купил, скоринг работает вслепую и не улучшается со временем.

Дальше по теме — Качество заявок: слой предиректа.

Источники

• Яндекс Директ — справка — официальная документация по настройке кампаний и целей.
• HubSpot Blog — материалы по методологиям квалификации и скорингу лидов (BANT, CHAMP, MEDDIC).
• Salesforce — ресурсы по управлению лидами и продажами в CRM.