Menu

AI lead scoring kreatív ügynökségek számára: Hogyan azonosítsd a legjobb ügyfeleket?

A legtöbb kreatív ügynökség ugyanazt a hibát követi el: minden bejövő érdeklődőre úgy reagálnak, mintha mindegyik egyformán értékes lenne. Pedig nem az. Megmutatjuk, hogyan szűri ki az AI lead scoring azt a 20%-ot, ami a bevétel 80%-át hozza.

Tudod azt az érzést, amikor pénteken délután beesik egy lelkes érdeklődő e-mail, hatalmas vízióval, gigantikus tervekkel — és három hónappal később már nem veszi fel a telefont, amikor a számla esedékes? Mindenki ismeri. És pontosan ez az a pillanat, amikor egy kreatív ügynökség elkezd kérdezgetni magától: „Lehetett volna ezt előre tudni?”

A válasz az, hogy igen, lehetett volna. Nem mágia, nem szerencse — hanem rendszer. Konkrétan az AI lead scoring az a rendszer, ami pontszámmal lát el minden potenciális ügyfelet, mielőtt időt, energiát és kreatív kapacitást ölnél bele egy ajánlatba. És pont azért működik kreatív ügynökségként is, mert a kreatív munka a legdrágább erőforrás a piacon: minden órát, amit egy „soha nem fog konvertálni” leadre költesz, elloptál egy olyantól, aki tényleg fizetni fog.

Ebben a cikkben végigvezetünk azon, hogy egy kreatív ai lead scoring ügynökség hogyan építi fel a saját scoring rendszerét — viselkedési jelek, kapcsolatfelvétel típusa, iparági illeszkedés és konverziós valószínűség alapján. És hogy te is megtudd csinálni.

Mi az AI lead scoring, és miért most kell foglalkozni vele?

Egyszerűen fogalmazva: az AI lead scoring egy olyan gépi tanulási modell, ami minden bejövő érdeklődőhöz hozzárendel egy 0-tól 100-ig terjedő pontszámot, ami megmutatja, hogy az adott lead mekkora valószínűséggel válik fizető ügyféllé. A klasszikus lead scoring is létezik már 20 éve — de az manuális szabályrendszereken alapult („ha az e-mail cím @gmail.com, vonj le 10 pontot”), és pont annyira volt pontos, mint a horoszkóp.

Az AI-alapú változat ezzel szemben több ezer adatpontot vesz figyelembe egyidejűleg, és tanul. Tanul abból, melyik lead konvertált, melyik mondta le, melyik fizetett késve, melyik lett ismétlődő ügyfél. Két hónap múlva már sokkal pontosabb előrejelzést ad, mint amilyet a legtapasztaltabb sales kollégád intuíciója valaha is adhatna.

„A kreatív ügynökségeknél a lead scoring nem luxus, hanem túlélési stratégia. Az idő nem skálázható — minden óra, amit egy rossz leadre fordítasz, soha nem jön vissza.”

Miért éppen kreatív ügynökségként van szükséged erre?

Egy SaaS cég 1000 leadből 100-zal beszél telefonon, és 5-öt megszerez. A kreatív ügynökségek máshogy működnek: 50 leadből talán 10-zel ülsz le egy bemutatkozó hívásra, 3-ra írsz ajánlatot, és 1-2 lesz végül ügyfél. Minden lépés drága, mert kreatív kapacitást igényel — pitchet, mockupot, stratégiát, koncepciót.

Ha a sales pipeline tetején nem szűrsz, az ajánlatkészítési fázisban robbantasz fel havi 40-60 órát olyanokra, akik soha nem fognak szerződést írni. Egy jó AI lead scoring ügynökség modell ezt a számot felére csökkenti — anélkül, hogy egyetlen jó leadet is elveszítenél.

A négy fő dimenzió, amit minden scoring modellnek mérnie kell

Most jön a lényeg. Egy működő AI lead scoring rendszer négy alappilléren áll. Egyik nélkül sem fog igazán pontos pontszámot adni — és ezt azért fontos hangsúlyozni, mert a legtöbb ügynökség csak az elsőt (viselkedési jelek) vagy csak az utolsót (konverziós valószínűség) nézi.

01 · Behavior

Viselkedési jelek

Hogyan viselkedik a lead a weboldalon, e-mailekben, közösségi médiában? Mennyi időt töltött az ártalmazó oldalon?

02 · Channel

Kapcsolatfelvétel típusa

Ajánlás, direkt megkeresés, kitöltött űrlap, Calendly foglalás? A csatorna minősége előrejelzi a komolyságot.

03 · Fit

Iparági illeszkedés

A lead cége olyan szektorból érkezik, ahol már bizonyítottál? A vállalatméret és a növekedési fázis is illik?

04 · Probability

Konverziós valószínűség

A historikus adatok alapján mekkora a matematikai esélye annak, hogy ez a lead 30 napon belül szerződést ír?

1. Viselkedési jelek: amit a lead csinál, mielőtt megír neked

A modern lead már átlagosan 5-7 érintést végez a weboldaladdal, mielőtt elküldené az első üzenetet. Megnyitja a portfóliódat, megnézi az árazási oldalt, letölti az esettanulmányt, visszatér három nappal később, megnézi a csapat oldalát. Ezek mind scoring signal-ök, és az AI ezeket pontozza.

Konkrétan: aki háromszor visszatért a „Munkáink” oldalra és kétszer megnyitotta az árazási kalkulátort, az lényegesen több pontot kap, mint aki egyszer böngészte a blogot és sosem ment vissza. Az AI még olyan finom jeleket is figyel, mint hogy mikor látogatott (munkaidőben? vagy éjjel 2-kor, ami inkább szabadúszó dilemmázás), milyen eszközről, és hogy a látogatási minta egy döntéshozóra vagy egy beosztottra jellemző.

2. Kapcsolatfelvétel típusa: a csatorna az üzenet

Egy másik ügyfél által beajánlott lead konverziós aránya átlagosan 4-7-szer magasabb, mint egy hideg LinkedIn üzeneté. Egy Calendly-n közvetlenül időpontot foglaló érdeklődő komolyabb szándékot jelez, mint aki kitölt egy „Kérek visszahívást” űrlapot a kontakt oldalon.

Az AI lead scoring modell ezt is súlyozza, de ami fontos: a saját historikus adataidból tanulja meg, melyik csatorna mennyit ér. Lehet, hogy a Te ügynökségednél az Instagram DM-ek konvertálnak a legjobban, mert kreatív márkák így keresnek meg. Egy másik ügynökségnél ez katasztrofális csatorna lenne — de a Te modelled pontosan tudni fogja a különbséget.

3. Iparági illeszkedés: ahol már bizonyítottál

Itt van egy kemény igazság: egy kreatív ügynökség legjobban abban a 2-3 iparágban teljesít, ahol már 5+ projektet futott le. Az AI lead scoring ezt is figyelembe veszi — egy fitness brandtől érkező megkeresés más pontszámot kap egy olyan ügynökségnél, ahol már 8 fitness ügyfél van a portfólióban, mint egy másiknál, ahol a fitness lenne az első.

De nem csak az iparág számít. A vállalatméret, a növekedési fázis, az éves bevétel, sőt, a cég Glassdoor értékelése is scoring input lehet. Aki egy 200 fős, jól tőkésített scale-up-ot szolgált ki sikeresen, az nem akar most egy 3 fős kezdő ügyféllel kísérletezni — és a scoring modell ezt automatikusan tükrözi.

4. Konverziós valószínűség: a kőkemény matematika

Itt jön be az AI tényleges ereje. A modell nézi a fenti három dimenzió kombinációját, összehasonlítja a historikus adataiddal, és kiad egy százalékos valószínűséget. „Ez a lead 73%-os eséllyel fog 45 napon belül szerződést írni, átlagosan 1.2M Ft havi értékben.”

Ez nem boszorkányság. Ez egy gradient boosting modell (XGBoost, LightGBM vagy hasonló), ami az elmúlt 12-24 hónap leadjeit használta tréningadatként. Minél több adatod van, annál pontosabb. És — ez a gyönyörű — minél tovább használod, annál okosabb lesz.

Hogyan néz ki egy scoring tábla a gyakorlatban?

Hogy ne csak elméletben beszéljünk róla, lássuk konkrét számokkal. Itt egy egyszerűsített példa, hogyan pontoz egy AI rendszer egy beérkező leadet:

Signal

Pontszám

Súly

Ajánlás meglévő ügyféltől

+25

Magas

Iparág a top-3 ügyfélkörödből

+20

Magas

Árazási oldalon 2+ perc

+15

Magas

Esettanulmány letöltés

+10

Közepes

Céges e-mail (nem @gmail)

+8

Közepes

Csak „free tier” érdekel kérdés

-12

Alacsony

Versenytárs portfólió letöltés

-15

Alacsony

Ha egy lead átlépi a 70 pontot, az MQL (Marketing Qualified Lead) — itt érdemes elkezdeni a kreatív munkát. 85 pont felett pedig SQL (Sales Qualified Lead) — itt a managing partner is felveszi a telefont személyesen. 40 pont alatt automatizált nurture szekvencia megy, és kész.

Pro tip

A pontszámok abszolút értéke kevésbé fontos, mint a relatív sorrend. A lényeg, hogy a top 20% leadre fókuszáljon a csapat, és ne arra az egy hangos érdeklődőre, aki minden héten ír, de soha nem fog fizetni.

Hogyan építsd fel a saját AI lead scoring rendszered? — 5 lépés

1

Adathigiénia: takarítsd ki a CRM-edet

Az AI csak annyira jó, amilyen az inputja. Mielőtt bármi modellt építenél, fél nap kell arra, hogy a CRM-edben minden lead jól legyen besorolva: ki lett ügyfél, ki nem, ki mondta le, mennyit fizetett, mikor.

2

Signalok meghatározása: mit mérsz egyáltalán?

Listázd ki azt a 15-25 viselkedési, demográfiai és csatorna jelet, amit követni akarsz. Ne többet — túl sok zaj rontja a modellt. GA4, HubSpot vagy Pipedrive integráció itt elengedhetetlen.

3

Modellválasztás: ne reinventeld a kereket

Kezdetben elég egy meglévő scoring eszköz (HubSpot AI scoring, Salesforce Einstein, MadKudu, Breadcrumbs). Saját modellt csak akkor építs, ha már havi 200+ leadnél tartasz.

4

Tréning és validálás

Az elmúlt 12-24 hónap leadjeivel tanítsd a modellt. A 80%-on tréningelj, a 20%-on validálj. Ha 75%+ pontossággal előrejelzi a konverziót, működik. Ha nem, valami fontos signal hiányzik.

5

Folyamatos finomhangolás

Havonta nézd át, mely magas pontszámú leadek nem konvertáltak, és mely alacsony pontszámúak igen. A modell ezekből tanul. 6 hónap múlva nagyságrendekkel pontosabb lesz, mint az induló verzió.

Esettanulmány: 6 hónap, 47%-os hatékonyságnövekedés

Közepes méretű budapesti kreatív ügynökség

Egy 12 fős kreatív ügynökség 2025-ben elkezdett AI lead scoringot használni. Az induló helyzet klasszikus volt: havi 80-100 lead, ebből 8-10 lett ügyfél, és a sales csapat folyamatosan túlórázott a pitchek miatt.

Bevezettek egy HubSpot-alapú scoring rendszert, amit a saját historikus adataikra finomhangoltak. A modell négy dimenzió mentén pontozott: viselkedés (35%), csatorna (25%), iparági fit (25%), céges adatok (15%). A 70 pont alatti leadek automatizált nurture-be kerültek, e fölött személyes konzultáció volt.

47%

Magasabb close rate

31%

Rövidebb sales ciklus

2.4×

Átlagos szerződésérték

68%

Kevesebb „kihagyott” óra

Mire figyelj? A leggyakoribb hibák

Mielőtt belevágsz, érdemes tudni, hol szoktak a kreatív ügynökségek elcsúszni az AI lead scoringgal. Mert hidd el, mindenki ugyanazon a hármason bukik el először.

• Túl sok signal egyszerre. Ha 60 különböző jelet próbálsz figyelni a modellben, az csak zaj lesz. 15-25 jól megválasztott signal többet ér.
• Statikus pontszámok. Egy lead pontszáma nem statikus — időben változik. Aki egy hete 85 pontos volt, ma már lehet 40, ha nem reagált semmire.
• Csak demográfia, viselkedés nélkül. „Nagy cég, jó iparág” — ez 2015-ben volt elég. Ma a viselkedési jelek nélkül vakon lősz.
• Nincs feedback loop. Ha a sales csapat nem jelzi vissza a modellnek, hogy „ez a 90 pontos lead semmit nem ért”, a modell soha nem fog tanulni a hibákból.
• Az ügynökség „érzésére” hagyatkozás. Klasszikus reflex: „ezt a 30 pontos leadet én jól érzem”. Néha persze igazad van. De ha mindig felülbírálod, akkor felesleges a rendszer.

Mi van, ha még nincs elég adatod?

Ez a leggyakoribb kérdés, főleg kisebb ügynökségektől. Reális válasz: 50 lead alatt értelmetlen AI modellt építeni. De ettől még csinálhatsz egy egyszerű, manuális szabályrendszert — pontosan a fenti négy dimenzió mentén. Adj minden signalnak egy súlyt, számold össze Excel-ben. Nem AI, de már sokkal jobb a semmihez képest.

Amikor eléred a 100+ konvertált lead történeti adatot, áttérhetsz egy valódi gépi tanulási modellre. Addig az „AI lead scoring” valójában egy jól felépített manuális rendszer — és ez tök rendben van. A legtöbb ügynökség pont itt tart, és pont ettől a lépéstől profitálna a legtöbbet.

Eszközök, amikkel érdemes elkezdeni

• HubSpot Predictive Lead Scoring — ha már HubSpotot használsz, ez egy gomb átkapcsolásnyira van
• MadKudu — kifejezetten SaaS és szolgáltató cégeknek, közepes/nagy lead-volumennél jó
• Breadcrumbs.io — viselkedés- és fit-alapú scoring, jó UX, magyar kezelhetőség
• Pipedrive Smart Contact Data — kisebb csapatoknak megfizethető belépő
• Saját Python modell (XGBoost / LightGBM) — havi 500+ leadnél éri meg, in-house data science kapacitással

Gyakori kérdések

Mennyi időbe telik bevezetni egy AI lead scoring rendszert?

Egy meglévő eszközzel (HubSpot, Breadcrumbs) 2-4 hét, ha a CRM adataid rendben vannak. Saját modellnél 2-3 hónap reális, de utána a finomhangolás folyamatos.

Mennyi adat szükséges az induláshoz?

Minimum 100 lead historikus adata kell ahhoz, hogy egy gépi tanulási modell értelmes pontosságot adjon. 50 lead alatt egy egyszerű, súlyozott szabályrendszerrel jobban jársz.

Helyettesítheti az AI lead scoring a sales csapatot?

Nem, és nem is ez a cél. Az AI eldönti, KIVEL beszéljen a sales csapat. A beszélgetést, kapcsolatépítést és ajánlatadást továbbra is emberek végzik — csak a megfelelő leadekre koncentrálva.

Mekkora a megtérülése egy ilyen rendszernek?

Egy közepes kreatív ügynökségnél tipikusan 3-6 hónap alatt térül meg, főleg a kreatív kapacitás felszabadulása révén. A close rate 30-50%-os javulása reális.

Mi van, ha a leadek pontszáma rosszul jósolja a valóságot?

Ez az első 1-2 hónapban normális. A modellnek időre van szüksége a finomhangoláshoz. A sales csapat visszajelzései (konvertált / elveszett / okkal) a legfontosabb tréning input.

GDPR szempontból problémás az AI lead scoring?

Nem, ha átláthatóan közlöd az érintettekkel, hogy automatizált döntéshozatalt is használsz, és lehetőséget biztosítasz emberi felülvizsgálatra. A magasabb sávban (90+ pont) ezt az ügynökségek úgyis manuálisan kezelik.

Készen állsz építeni a saját scoring rendszered?

Ha kreatív ügynökségként szeretnél AI lead scoringot bevezetni, vagy egyszerűen csak nem tudod, hol kezdj — segítünk. Az első 30 perces konzultáció ingyenes.Kérek konzultációt

A CRS AI Marketing & SEO Ügynökség tartalma · Készítette: a CRS csapat