Что это означает на практике
Универсального определения quality lead не существует. Для производителя оборудования важны объект, объём, сроки и технические требования; для SaaS — use case, размер команды, stack и роль; для консалтинга — проблема, бюджетный контекст и доступ к decision maker. Поэтому критерии должны быть согласованы маркетингом и продажами и отражены в CRM. Полезно разделять fit и intent: компания может идеально соответствовать ICP, но сейчас ничего не покупать — или наоборот проявлять активный интерес, будучи слабым fit.
Почему здесь легко ошибиться
У вопроса «Что считать качественным B2B-лидом?» есть практический смысл только тогда, когда он связан с наблюдаемым решением. Не стоит делать вывод по одному признаку. Например, сигнал «продажи жалуются на «мусор»;» важен в связке с «маркетинг оптимизируется на заполнение формы;», а результат разумно проверять через доля MQL;, MQL → SQL; и SQL → opportunity;. Такой подход защищает от локальной оптимизации: показатель может улучшиться, а коммерческий результат — нет. Поэтому сначала фиксируется baseline, затем изменение процесса, и только потом сравнивается downstream-эффект.
Когда вопрос особенно важен
- продажи жалуются на «мусор»;
- маркетинг оптимизируется на заполнение формы;
- разные менеджеры по-разному оценивают один лид;
- нужно настроить CPQL или lead scoring;
- есть длинный цикл сделки;
- нужно быстро приоритизировать поток.
Как действовать
- Опишите ICP на уровне компании.
- Определите роли и минимально релевантные контакты.
- Зафиксируйте признаки реальной задачи/intent.
- Отделите hard disqualifiers от приоритетов.
- Сделайте единые причины дисквалификации.
- Проверяйте критерии по последующим SQL, opportunities и won deals.
Практический пример
Запрос «пришлите прайс» от крупного целевого завода может быть качественнее подробно заполненной формы от микробизнеса, которому продукт экономически не подходит. Поэтому количество полей в заявке не является достаточным критерием качества.
Как принять решение
Как интерпретировать эту матрицу
- Fit высокий, intent низкий. Не выбрасывайте: это хороший аккаунт для nurture/ABM. Это не автоматический диагноз, а рабочая гипотеза: её нужно подтвердить данными конкретного сегмента, канала или когорты.
- Intent высокий, fit низкий. Быстро квалифицируйте и не перегружайте продажи. Это не автоматический диагноз, а рабочая гипотеза: её нужно подтвердить данными конкретного сегмента, канала или когорты.
- Fit и intent высокие. Высокий приоритет. Это не автоматический диагноз, а рабочая гипотеза: её нужно подтвердить данными конкретного сегмента, канала или когорты.
- Данных мало. Соберите дополнительные факты до жёсткого вывода. Это не автоматический диагноз, а рабочая гипотеза: её нужно подтвердить данными конкретного сегмента, канала или когорты.
Что измерять
- доля MQL;
- MQL → SQL;
- SQL → opportunity;
- pipeline per lead;
- CPQL;
- win rate по score/segment;
- false rejection rate.
Как читать метрики
Сами по себе доля MQL; и MQL → SQL; ещё не доказывают эффект. Их нужно сравнивать с исходным уровнем, учитывать сегмент и смотреть, что происходит дальше по процессу. Если локальная метрика улучшается, а false rejection rate. ухудшается или не меняется, это повод проверить, не оптимизируется ли система на удобный, но слабый proxy-показатель.
Типичные ошибки
- называть качественным только лид с бюджетом «сейчас»;
- делать критерии слишком широкими;
- делать критерии настолько узкими, что рынок исчезает;
- не отличать account fit от активности контакта;
- не пересматривать модель по фактическим сделкам.
Где есть ограничения
Некоторые важные признаки невозможно узнать в момент первого контакта. Поэтому qualification — это процесс, а не одно поле. Чем дороже потенциальная сделка, тем осторожнее стоит автоматизировать окончательную дисквалификацию.
Что проверить руководителю перед изменениями
- Что именно должно измениться, если ответ на вопрос «Что считать качественным B2B-лидом?» внедрён правильно?
- Какой baseline по показателю «доля MQL;» у нас есть сейчас?
- Кто владеет следующим действием и где оно фиксируется?
- Как мы отличим улучшение процесса от случайной волатильности?
- Какой сигнал заставит остановить или пересобрать гипотезу?
План проверки на ближайшие 30 дней
- Зафиксировать текущий процесс и исходные данные до изменений.
- Проверить два наиболее явных сигнала: «продажи жалуются на «мусор»;» и «маркетинг оптимизируется на заполнение формы;».
- Внедрить первые 1–2 шага из плана, не меняя одновременно всю систему.
- Через согласованное окно сравнить доля MQL;, MQL → SQL; и downstream-результат.
Короткий чек-лист
- ✓ есть чёткое определение результата, который хотим улучшить;
- ✓ есть данные до изменений — baseline;
- ✓ критерии одинаково понимают участники процесса;
- ✓ есть владелец следующего действия;
- ✓ эффект проверяется не одной метрикой, а по всей воронке;
- ✓ понятно, когда гипотезу нужно остановить или пересмотреть.