“Onze AI voorspelt welke leads converteren.” Dat klinkt aantrekkelijk. Geen handmatige regels meer, geen discussies over punten. Het algoritme beslist.
Maar predictive lead scoring is niet voor iedereen. Het vraagt data die veel maakbedrijven niet hebben, en het lost problemen op die je misschien niet hebt.
Wat predictive scoring is
Traditionele scoring werkt met regels die je zelf definieert. Functie X krijgt 20 punten, actie Y krijgt 15 punten. Je bepaalt wat belangrijk is.
Predictive scoring analyseert historische data om patronen te vinden. Het algoritme ontdekt dat leads die pagina A bezochten én in industrie B zitten 3x vaker converteren. Zonder dat je die regel zelf bedacht.
De belofte:
- Objectiever dan menselijke regels
- Ontdekt patronen die je mist
- Past zich aan wanneer data verandert
- Minder onderhoud aan regels
Wanneer predictive werkt
Predictive scoring heeft specifieke voorwaarden nodig:
1. Voldoende data
Het algoritme leert van historische conversies. Hoeveel is genoeg?
Minimum: 100+ gesloten deals met volledige journey data Ideaal: 500+ deals over minimaal 2 jaar
Zonder die data heeft het model te weinig om van te leren. Het zal patronen “vinden” die toevallig zijn, niet voorspellend.
Check: Hoeveel deals sloot je in de afgelopen 2 jaar? Heb je voor elke deal de volledige marketing en sales history?
2. Consistente data
De data moet vergelijkbaar zijn over tijd:
- Dezelfde CRM velden consequent ingevuld
- Dezelfde definities voor deal stages
- Marketing tracking consistent actief
Als je vorig jaar je CRM hebt gewisseld, of je deal stages hebt veranderd, is de historische data minder bruikbaar.
Check: Hoe consistent is je data over de afgelopen 2 jaar? Zijn er grote veranderingen in processen of systemen geweest?
3. Voldoende variatie in uitkomsten
Het model moet zowel successen als mislukkingen leren. Als 95% van je leads converteert, leert het model weinig. Als 2% converteert, ook niet.
Sweet spot: 10-40% conversie rate van MQL naar klant
Check: Wat is je huidige MQL-to-customer rate? Is er genoeg variatie om van te leren?
4. Stabiele markt en product
Predictive leert van het verleden. Als je markt of product sterk verandert, voorspelt het verleden de toekomst niet meer.
Wanneer niet: Net een nieuw product gelanceerd, nieuwe markt betreden, grote prijsverandering
Check: Hoe stabiel is je business model geweest de afgelopen 2 jaar?
Wanneer traditioneel beter is
Voor veel maakbedrijven is traditionele scoring de betere keuze:
Te weinig data
Met 50 deals per jaar heb je na 4 jaar pas genoeg data voor een betrouwbaar model. In die tijd kunnen markt en product veranderen.
Alternatief: Traditionele scoring met simpele regels, gebaseerd op sales intuïtie en klantfeedback.
Duidelijke kwalificatiecriteria
Als je precies weet wat een goede lead is (industrie X, grootte Y, functie Z), hoef je dat niet door een algoritme te laten ontdekken.
Alternatief: Rule-based scoring met expliciete criteria. Transparant, onderhoudbaar, uitlegbaar.
Beperkte technische capaciteit
Predictive scoring vraagt integratie, data pipelines, en monitoring. Zonder technische resources wordt het een black box die niemand begrijpt.
Alternatief: Simpele scoring in je bestaande CRM of marketing automation, met maandelijkse review.
Sales heeft andere problemen
Als sales de leads die ze krijgen niet opvolgt, helpt betere scoring niet. Fix eerst het proces.
Alternatief: Focus op lead routing, SLA’s en follow-up processen.
De trade-offs
| Aspect | Traditioneel | Predictive |
|---|---|---|
| Setup | Dagen-weken | Maanden |
| Data nodig | Weinig | Veel |
| Transparantie | Volledig | Black box |
| Onderhoud | Handmatig | Automatisch |
| Kosten | Laag | Hoog |
| Uitlegbaar | Ja | Beperkt |
| Past zich aan | Nee | Ja |
Predictive scoring implementeren
Als je besluit predictive te proberen, dit zijn de opties:
Ingebouwd in je platform
HubSpot Predictive Lead Scoring (Enterprise)
- Gebruikt HubSpot data automatisch
- Geen setup nodig, beperkte configuratie
- Black box, je ziet niet wat het doet
- Inclusief bij Enterprise licentie
Salesforce Einstein Lead Scoring
- Integreert met Salesforce data
- Meer configuratie mogelijk
- Add-on kosten (~$50/user/maand)
Marketo Advanced Lead Scoring
- Combineert rules en predictive
- Vereist technische setup
- Enterprise pricing
Dedicated tools
MadKudu
- B2B focused, goed voor product-led growth
- Goede integraties
- $500-2000/maand
Infer (nu onderdeel van Ignite)
- Sterke predictive capabilities
- Enterprise focus
- $$$$ pricing
6sense
- Combineert intent data met predictive
- Account-based focus
- Enterprise pricing
DIY met data science
Met Python en machine learning libraries kun je je eigen model bouwen. Alleen aan te raden als je data science capaciteit in huis hebt.
Hybride aanpak
De meest praktische route voor veel maakbedrijven:
Basis: traditionele scoring
Definieer expliciete regels voor:
- Fit criteria (industrie, grootte, functie)
- High-intent gedrag (pricing, demo, technische specs)
- Negatieve signalen (competitor, student, verkeerde regio)
Dit geeft je een werkend model met volledige controle.
Toevoeging: predictive signalen
Gebruik predictive voor specifieke vragen:
- “Welke accounts zijn waarschijnlijk in-market?” (intent data)
- “Welke bestaande klanten zijn upsell-ready?” (product usage)
- “Welke leads worden waarschijnlijk inactief?” (churn prediction)
Dit geeft je voordelen van predictive zonder je hele scoring over te geven aan een black box.
Evaluatie: werkt het?
Of je nu traditioneel of predictive gebruikt, meet of je scoring werkt:
Conversie per score-band
| Score band | Volume | Conversie naar SQL | Conversie naar klant |
|---|---|---|---|
| 80-100 | 50 | 60% | 25% |
| 60-79 | 100 | 35% | 12% |
| 40-59 | 200 | 15% | 4% |
| 0-39 | 500 | 5% | 1% |
De conversie moet significant verschillen tussen banden. Als band 80-100 niet beter converteert dan 60-79, werkt je scoring niet.
Score vs uitkomst correlatie
Plot de score bij MQL-moment tegen de uiteindelijke uitkomst (won/lost). Er moet een duidelijke correlatie zijn.
Sales feedback
Vraag sales:
- “Voelen high-score leads beter dan low-score?”
- “Welke leads hadden een hogere score moeten hebben?”
- “Welke high-scores waren eigenlijk niet interessant?”
Hun feedback is vaak waardevoller dan statistische analyse.
Veelgemaakte fouten
Predictive als silver bullet zien. Het is een tool, geen oplossing. Slechte data in = slechte voorspellingen uit.
Transparantie opgeven. Als niemand kan uitleggen waarom een lead hoog scoort, vertrouwt sales het niet.
Te weinig data gebruiken. Met 50 deals train je geen betrouwbaar model. Je krijgt overfitting op toevallige patronen.
Niet blijven valideren. Ook predictive modellen degraderen over tijd. Plan kwartaal-evaluaties.
Alleen op technologie focussen. De beste scoring is zinloos als sales niet opvolgt of marketing verkeerde leads aantrekt.
Samenvatting
- Predictive scoring leert van historische data om conversie te voorspellen
- Vereist: 100+ deals, consistente data, stabiele markt
- Traditioneel is beter bij: weinig data, duidelijke criteria, beperkte technische capaciteit
- Hybride aanpak: traditionele basis + predictive voor specifieke vragen
- Meet altijd of je scoring werkt, ongeacht welke methode
- Sales feedback is cruciaal voor validatie
Gerelateerd
Templates: Lead Scoring Model · ICP & Target Accounts
Artikelen: Lead scoring zonder complexiteit · Wat maakt een lead marketing qualified? · Data enrichment: je CRM verrijken