Lead scoring zonder fancy AI model

Iedereen praat over AI-powered lead scoring. Predictive analytics. Machine learning models.

Maar je hebt 200 leads per maand. Geen 20.000.

Je hebt geen AI nodig. Je hebt gewoon duidelijke criteria nodig.

Het probleem met “fancy” lead scoring

Je koopt een tool met 47 data points. Het scoort leads op:

• Website behavior
• Email engagement
• Social media activity
• Firmographic data
• Technographic data
• Intent signals

Het geeft elke lead een score van 0-100.

En niemand weet wat het betekent.

Is 73 goed? Is 54 slecht? Moet sales bellen bij 60+ of bij 80+?

Niemand weet het. Dus sales negeert het en belt gewoon iedereen. Of niemand.

Wat wel werkt: 3 simpele criteria

Stop met punten systemen. Start met 3 vragen:

1. Fit: Is dit een goede klant voor ons?

• Juiste bedrijfsgrootte? (bijv. 10-500 FTE)
• Juiste industry? (bijv. B2B SaaS)
• Juiste rol? (bijv. Head of Sales, RevOps Manager)

2. Intent: Zoeken ze nu actief?

• Demo aangevraagd? ✓
• Pricing pagina bezocht? ✓
• “We zoeken een oplossing voor X” in formulier? ✓

3. Budget: Kunnen ze betalen?

• Bedrijf heeft budget voor dit type oplossing?
• Niet: “Hebben ze €10k per jaar?” (dat weet je nog niet)
• Wel: “Werken ze bij een bedrijf dat dit soort investeringen doet?”

Het simpele systeem

Elke vraag: Ja of Nee.

3x Ja = Hot lead → Direct naar sales, bel binnen 4 uur
2x Ja = Warm lead → Naar sales, bel binnen 24 uur
1x Ja = Cold lead → Nurture sequence, niet naar sales
0x Ja = Niet gekwalificeerd → Bedankt voor interesse, tot later

Dat is het. Geen punten. Geen algoritme. Gewoon ja of nee.

Voorbeeld in de praktijk

Lead A:

• Fit: Ja (Director Sales bij 200 FTE B2B bedrijf)
• Intent: Ja (Demo aangevraagd)
• Budget: Ja (Series B funded)

Resultaat: Hot lead → Sales belt binnen 4 uur

Lead B:

• Fit: Nee (Freelancer, niet ons target)
• Intent: Ja (Demo aangevraagd)
• Budget: Nee (Geen team, geen budget)

Resultaat: Niet gekwalificeerd → Friendly afwijzing

Lead C:

• Fit: Ja (VP Marketing bij 150 FTE bedrijf)
• Intent: Nee (Whitepaper gedownload, geen verdere actie)
• Budget: Ja (VC backed)

Resultaat: Warm lead → Nurture sequence, na 2 weken contact opnemen

Hoe je de criteria bepaalt

Niet brainstormen. Data kijken.

Stap 1: Pak je laatste 50 closed deals

Wat hadden ze gemeen?

• Welke bedrijfsgrootte?
• Welke industrie?
• Welke rol had de decision maker?
• Wat deden ze voordat ze kochten? (Demo, trial, pricing pagina?)

Stap 2: Pak je laatste 50 “not qualified” leads

Waarom werden ze afgekeurd?

• Te klein?
• Verkeerde industry?
• Geen budget?
• Geen urgentie?

Stap 3: Vind de patroon

Wat is het verschil tussen closed deals en afgekeurde leads?

Dat zijn je criteria.

De grootste fout

Denken dat meer data = betere scoring.

Meer data = meer ruis.

Als je 10 criteria hebt, waarvan 7 “nice to have”, maak je het alleen maar complexer.

Beter: 3 criteria die echt belangrijk zijn.

Wat als je het nog niet weet?

Je bent nieuw. Je hebt nog geen 50 closed deals.

Start met aannames. Bijvoorbeeld:

Fit:

• Bedrijf met 10+ werknemers
• B2B (niet B2C)
• NL/BE/UK/US

Intent:

• Demo of pricing pagina bezocht
• Of: “We zoeken actief naar een oplossing”

Budget:

• Niet freelancers of studenten
• Wel: bedrijven met funding of omzet

Test het. Na 3 maanden kijk je: klopten de aannames?

Pas aan. Repeat.

Tool setup (5 minuten in HubSpot)

Maak 3 custom properties:

1. scoring_fit (Ja/Nee)
2. scoring_intent (Ja/Nee)
3. scoring_budget (Ja/Nee)

Maak 1 calculated property:

• lead_temperature = som van Ja’s

Maak workflows:

• 3x Ja → Status = “Hot”, notify sales
• 2x Ja → Status = “Warm”, assign to sales
• 1x Ja → Status = “Cold”, add to nurture
• 0x Ja → Status = “Disqualified”, bedank email

Klaar. Je hebt lead scoring.

De realiteit

Dit systeem is niet perfect. Maar het is beter dan:

• Geen lead scoring (chaos)
• Fancy scoring die niemand snapt (wordt genegeerd)

80% accuraat en gebruikt > 100% accuraat en genegeerd.

Start hier: Kijk naar je laatste 10 closed deals. Wat hadden ze gemeen? Dat is criterium #1.