Lead Scoring אוטומטי: איך בניתי לעצמי מערכת שמדרגת לידים תוך 30 שניות

אז התקשרה אלי שותפה אחת בקרן השקעות, אומרת לי "אמיר, אנחנו מקבלים 200 פניות בשבוע, אין לנו דרך לדעת מי לקוח אמיתי ומי סטודנט שעושה שיעורי בית". ישבתי איתה שעתיים, וזה היה הרגע שבו הבנתי שאני חייב לבנות לעצמי מערכת lead scoring אוטומטי לפני שאני נותן עצות לאחרים.

אני אמיר בלדיגה, B2B marketer, עובד עם חברות הייטק על תהליכי שיווק כבר עשור. בשנה האחרונה אני בונה פתרונות AI לשיווק בעצמי, ואחת המערכות הראשונות שהקמתי היא lead scoring אוטומטי שמדרג לידים נכנסים בפחות מדקה. במאמר הזה אני מספר איך בניתי את זה, איזה כלים אני משתמש בהם בפועל, ואיפה דווקא טעיתי ושילמתי על זה ב-3 שבועות עבודה כפולה.

לא מדריך תיאורטי. תכלס מה שעשיתי, עם השמות של החברות והכלים. אם אתם מנהלי שיווק או מכירות B2B שעדיין מדרגים לידים בעיניים או באקסל, יש כאן בשבילכם הרבה.

למה בכלל התחלתי לבנות lead scoring אוטומטי לעצמי

הסיפור של הקרן הזאת לא היה הראשון. עבדתי עם חברת SaaS ישראלית בשוק האמריקאי שמגיעות אליה בערך 70 פניות נכנסות בשבוע דרך המייל, הצ'אט באתר, ולינקדאין. הצוות שלהם, 2 SDRs ועוד מנהל מכירות, היה מבזבז כ-12 שעות בשבוע רק במיון. כן, 12 שעות. ספרתי איתם.

הבעיה לא הייתה כמות הלידים. הבעיה הייתה שכל ליד נראה זהה ברגע הראשון: שם, מייל ארגוני, תפקיד שכתוב במייל החתימה. הם היו צריכים להיכנס ללינקדאין, לבדוק את החברה ב-Crunchbase, להעריך גודל ארגון, להעריך אם יש להם תקציב. עבודה ידנית טהורה. אחרי שבוע איתם החלטתי להפסיק לדבר על מתודולוגיה ופשוט לבנות.

המטרה הייתה ברורה: lead scoring אוטומטי שמקבל ליד נכנס, שולף עליו 6 שכבות מידע, ומחזיר ציון 1 עד 100 עם הסבר. לא קסם, לא AGI, פשוט אוטומציה חכמה שעושה ב-30 שניות מה ש-SDR עושה ברבע שעה.

מה זה ניקוד לידים בכלל ולמה זה לא רק "להעריך אם הלקוח רציני"

ניקוד לידים זה תהליך שבו אתם נותנים לכל ליד שמגיע אליכם ציון מספרי שמייצג כמה הוא קרוב להפוך ללקוח משלם. ההבדל בין lead scoring אוטומטי לבין ידני זה לא רק מהירות. זה גם עקביות. כשאני בודק 200 לידים ביום שלישי, אני בעייפות מתחילה לאבד את הקריטריונים שבהם השתמשתי בבוקר. מערכת אוטומטית, אם היא מוגדרת נכון, נותנת את אותו ציון בדיוק לאותו ליד גם בשעה 9 בבוקר וגם בשעה 11 בלילה.

לפי דו"ח של Gartner על marketing automation, ארגוני B2B שמיישמים lead scoring באופן שיטתי רואים גידול של 18% עד 30% בשיעור ההמרה מ-MQL ל-SQL. הנתון הזה מתיישב עם מה שראיתי אצל הלקוחות שלי, אבל אני נזהר מלקדש מספרים. כל ארגון שונה.

איך עובדת מערכת lead scoring אוטומטי בפועל אצלי

בואו ניכנס לפרקטיקה. המערכת שאני בניתי לעצמי משתמשת ב-3 שכבות, ואני אסביר כל אחת בנפרד. החשוב להבין: אני לא משתמש בכלי קסם אחד שעושה הכל. אני מחבר 3-4 כלים שכל אחד מהם זול וטוב במשהו ספציפי.

שכבה 1: שאיבת מידע גולמי על הליד

ברגע שליד מגיע (דרך טופס באתר, צ'אט, או הודעת לינקדאין), אני שולף עליו אוטומטית 6 פיסות מידע: שם החברה, גודל הארגון, תעשייה, תפקיד הליד, וותק בתפקיד, וטכנולוגיות שבהן הם משתמשים. את המידע הזה אני מושך מ-Apollo.io ומ-LinkedIn Sales Navigator דרך ה-API. עלות: בערך 99$ לחודש על Apollo בתוכנית שלי.

למה דווקא Apollo? פשוט. הם זולים יחסית, ה-API שלהם נדיב יחסית, ויש להם את הקריטריונים שאני צריך. ניסיתי גם ZoomInfo בעבר אצל לקוח, ובכנות זה כלי טוב יותר אבל פי 5 יותר יקר. לעסקים קטנים-בינוניים Apollo עושה את העבודה.

שכבה 2: ה-AI שמבצע את ההערכה האיכותית

זה החלק שבו רוב המערכות נופלות. אחרי ששאבתי את המידע הגולמי, אני מעביר אותו לסוכן AI שאני בניתי על Claude (אני אישית עובד עם Claude אבל זה עובד גם עם Gemini). הסוכן מקבל את הפרופיל של החברה הספציפית שלי שמחפשת לידים (ICP - Ideal Customer Profile), משווה את הליד אליו, ומחזיר ציון איכותי על 7 פרמטרים שיווקיים שאני קבעתי מראש.

הציון האיכותי הזה הוא ההבדל בין lead scoring אוטומטי שעובד לבין כזה שמחזיר מספר שאף אחד לא סומך עליו. בלי הניתוח האיכותי, מספר זה רק מספר.

שכבה 3: סנכרון חזרה ל-CRM עם הקשר

הציון הסופי חוזר לתוך ה-CRM (אצלי זה Monday.com, אצל לקוחות שלי לפעמים HubSpot או Pipedrive) עם שדה ייעודי, וגם הסבר טקסטואלי בן 2-3 משפטים על למה הליד קיבל את הציון הזה. ההסבר הוא מה ששובר את הקרח עם צוות המכירות. בלי ההסבר הם לא סומכים על המספר. עם ההסבר הם מתחילים לשאול את עצמם איך השיטה עובדת ולעדן אותה בעצמם.

שיטת CAT שאני משתמש בה כדי להגדיר lead scoring אוטומטי

אתם יודעים מה הכי קשה בלבנות lead scoring אוטומטי? זה לא הקוד. זה ההגדרה של מה הסוכן צריך לדעת לפני שאתם בכלל מתחילים. בסדנה האחרונה שעשיתי ב-27/5 עם קהילת מנהליזם של ליאת, ארזתי את כל מה שלמדתי ב-3 שנים האחרונות לשיטה אחת שאני קורא לה CAT. זה ראשי תיבות פשוטים שעוזרים לי כל פעם שאני בונה סוכן AI לעצמי או ללקוחות.

C זה Context. שליש מההצלחה

הקונטקסט הוא הרקע שאתם נותנים לסוכן. בהקשר של ניקוד לידים, זה אומר: מי אתם כעסק, מי הלקוח האידיאלי שלכם, איזה גודל חברה אתם רוצים, באיזה תעשיות אתם מנצחים, ומה הסיבות שעסקאות נכשלות אצלכם. את זה אני כותב במסמך אחד ארוך, בערך 1500 מילים, שאני מצרף לסוכן כקונטקסט קבוע.

טיפ קטן: אל תכתבו את הקונטקסט באנגלית אם הצוות שלכם עובד בעברית. למדתי את זה דרך הסקיל של hebrew-writer שעבדתי עליו 3 שבועות. כשהמודל חושב באותה שפה כמו הצוות שלכם, התוצאות נכונות יותר. מנגנונים פנימיים שונים, ולא נכנס לזה כאן.

A זה Abilities. השליש השני

ה-Abilities זה היכולות שיש לסוכן. במערכת lead scoring אוטומטי שלי, הסוכן צריך 4 יכולות בסיסיות:

1. לקרוא נתונים מ-Apollo API ומ-LinkedIn ולחבר אותם.
2. לחפש מידע פומבי על החברה (web search) דרך Perplexity או חיפוש Google.
3. להריץ את ההיסטוריה של הלידים הקיימים ב-CRM כקונטקסט (איפה היו המנצחים).
4. לכתוב הסבר בעברית בסוף, לא רק מספר.

אם חסרה יכולת אחת מהארבע, התוצאה צולעת. בניתי גרסה ראשונה בלי יכולת 3, וזה היה כמו לבקש מ-SDR חדש לדרג לידים בלי להראות לו מי הלקוחות הגדולים שלכם. רואים מספרים, אבל בלי הקשר היסטורי.

T זה Task. הגדרת המשימה

השליש האחרון, הגדרת המשימה. כאן אני רואה את רוב מנהלי השיווק נופלים. הם כותבים: "דרג את הליד". זה לא מספיק. אצלי המשימה כתובה ככה: "קח את 6 שדות המידע, השווה ל-ICP, החזר ציון 1-100 על בסיס 7 פרמטרים שמשקלם נתון להלן, וצרף הסבר בן 2-3 משפטים בעברית". הגדרה ברורה ככל שאפשר, אפס מקום לאינטרפרטציה.

אם אתם רוצים להעמיק בנושא הזה, יש לי מאמר נפרד על אוטומציה של תהליך המכירות B2B עם סוכני AI שנכנס לעומק על איך אני בונה את הסוכן צעד אחר צעד.

7 הקריטריונים שאני נותן ל-lead scoring אוטומטי שלי

אחרי כמה איטרציות הגעתי ל-7 קריטריונים שהמערכת שלי מודדת. שווה להגיד שאני לא ממציא את הקטגוריות, אני שאלתי 4 לקוחות שלי שכל אחד עובד בתעשייה אחרת, וחפרתי בנתונים של ה-CRM שלהם כדי לראות אילו פרמטרים באמת חוזרים אצל לידים שהפכו ללקוחות. אז אלה הם:

1. גודל ארגון. יותר מ-50 עובדים = ציון גבוה אצל לקוחות שלי שמוכרים SaaS Enterprise. פחות מ-10 עובדים = ציון נמוך, אלא אם זה סטארטאפ ממומן בגיוס מעל 5 מיליון דולר.
2. וותק בתפקיד. ליד שיושב בתפקיד שלו פחות מ-3 חודשים בדרך כלל לא יקנה. הוא עוד לומד את הארגון.
3. תעשייה. יש 3 תעשיות שאצל לקוח מסוים שלי באחוז הסגירה של 22% והשאר באחוז של 4%. זה אומר שהציון שלהם צריך להיות שונה משמעותית.
4. טכנולוגיות בשימוש. אם החברה משתמשת ב-Salesforce, הסיכוי שהיא לקוח טוב למוצר ייעודי גדול פי 3.
5. תפקיד הליד. C-level ומעלה = ציון גבוה. Manager בלי הרשאות תקציב = ציון בינוני.
6. מקור הליד. Inbound מאתר = ציון גבוה. רשימת outbound קרה = ציון נמוך.
7. אינטראקציה היסטורית. אם הם פתחו 4 מיילים מאיתנו = ציון גבוה.

אני לא נותן לכל פרמטר אותו משקל. אצל לקוח אחד גודל הארגון שווה 30 נקודות, אצל אחר רק 15. צריך להתאים את המשקלות לאסטרטגיית הצמיחה הספציפית של העסק שלכם.

הטעות הכי גדולה ששילמתי עליה (3 שבועות)

בוא אספר לכם משהו לא מחמיא לי. בגרסה הראשונה של lead scoring אוטומטי שלי, הסתמכתי רק על AI. נתתי לסוכן את הליד וה-ICP, ואמרתי לו: "דרג ב-1-100". זהו. בלי 7 קריטריונים, בלי משקלות, בלי כלום. תוצאה? בכל הרצה הוא היה נותן ציונים שונים לאותו ליד. פעם 73, פעם 81, פעם 67. כי AI הוא לא דטרמיניסטי כשאתה לא מגביל אותו במסגרת ברורה.

3 שבועות בזבזתי עד שהבנתי. אז חזרתי בי, בניתי מחדש עם המבנה של 7 קריטריונים נוקשים, ובניתי שכבה ש-AI רק עוזרת לעבד מידע איכותי בכל פרמטר אבל החישוב הסופי נעשה בנוסחה קבועה. מאז המערכת עקבית.

זה ההבדל בין מערכת שאתם סומכים עליה לבין צעצוע. ואני מבטיח לכם, מנהלי המכירות שלכם לא יסמכו על מספר שמשתנה כל פעם.

איך מתחילים עם lead scoring אוטומטי בלי להיות מתכנתים

הכי שכיח אני שומע: "אמיר, זה נשמע מצוין אבל אני לא יודע לכתוב קוד". תכלס לא צריך. אני בעצמי לא מהנדס תוכנה, אני B2B marketer. בניתי את כל המערכת על n8n (כלי automation ויזואלי) ועם API calls פשוטים. n8n הוא חינמי אם תארחו אותו אצלכם, או 24$ לחודש בענן.

אם אתם רוצים להתחיל בקטן, השלב הראשון שאני ממליץ הוא לבנות סוכן ניקוד לידים אחד שמקבל מייל עם פרטי ליד ומחזיר ציון. תנסו את זה ידנית 10 פעמים, תראו אם הציון הגיוני, ואז תחברו אותו ל-CRM. זה התהליך שעובד אצל כולם.

ניקוד לידים הוא חלק אחד במערך גדול יותר. את התמונה המלאה של אוטומציה שיווקית ל-B2B, כולל בחירת פלטפורמה ומחירים, ריכזתי במדריך נפרד.

אני רואה הרבה מנהלי שיווק שמתחילים מהסוף, מנסים לבנות מערכת שלמה ביום אחד, ונכנסים לסחרור. דווקא הגישה האיטית עובדת.

איך אני עוקב אחרי הביצועים אחרי שהמערכת רצה

שבועיים אחרי שהמערכת אצל לקוח עולה, אני מסתכל על שני נתונים: כמה לידים שקיבלו 80+ סגרו (אמור להיות 25%+), וכמה לידים שקיבלו 30- סגרו (אמור להיות מתחת ל-3%). אם המספרים האלה לא נכונים, צריך לחזור ולכוון את המשקלות. תהליך החיוון לוקח בערך 6 שבועות עד שהמערכת מגיעה לדיוק טוב.

על אסטרטגיה של ABM שמתממשקת לתוך ניקוד לידים, יש לי מאמר על ABM ובינה מלאכותית ב-2026 שמסביר איך זה משתלב יחד.

למה lead scoring אוטומטי שונה בעולם ה-AI של 2026

עד לפני שנתיים, lead scoring היה בעיקר מבוסס כללים. אם הליד עומד בתנאי X ו-Y וגם Z, נותנים ציון. עכשיו, עם סוכני AI, אנחנו יכולים להוסיף רובד שלישי: הבנה של תוכן. הסוכן יכול לקרוא את הודעת הליד ולזהות אם הם בשלים, אם הם מבולבלים, אם הם בשלב מחקר או החלטה.

זה משנה הכל. מחקר של HubSpot מראה שצוותי שיווק שמשלבים בין כללים נוקשים ל-AI איכותי רואים שיפור של עוד 15% בדיוק הניקוד מעבר לשיטות הוותיקות.

אבל זה לא קסם. אני מזכיר את זה כי הרבה ספקים מנסים למכור לכם "AI lead scoring" כקופסה שחורה. אל תקנו את זה בלי לדעת מה בדיוק הסוכן מקבל וכמו מה הוא מחזיר.

אצלי כל ליד שמקבל ציון מקבל גם הסבר של 2-3 משפטים. לפעמים ההסבר נראה כך: "החברה משתמשת ב-Salesforce ויש להם 240 עובדים. הליד הוא VP Marketing עם 4 שנות וותק. נראה מתאים מאוד למוצר שלך, אבל הם השתמשו בכלי דומה בעבר אז יהיה צריך התמודדות עם השוואת מחירים". מעשי. עוזר ל-SDR להחליט מה לעשות.

סיכום של מה שלמדתי בחצי שנה

אחרי בערך 6 חודשים של עבודה על lead scoring אוטומטי, כמה דברים אני מסביר לכל לקוח חדש:

אחד, lead scoring אוטומטי הוא לא תחליף לאינטואיציה של מנהל מכירות מנוסה. הוא תוסף שעוזר להעביר את האינטואיציה הזאת לסולם. אם המנהל לא יודע למה ליד טוב, AI גם לא ידע.

שתיים, השקעה של 3 ימי עבודה בהגדרה ראשונית תחסוך לכם 6 חודשים של אופטימיזציה אחרי. תכלס, אל תעצלו על הקונטקסט של ה-ICP.

שלוש, תתחילו עם 3 קריטריונים פשוטים, לא 7. תוסיפו עם הזמן. זה כלל שלמדתי בכל הסוכנים שבניתי, לא רק בניקוד לידים.

ארבע, lead scoring אוטומטי מצליח רק כשהוא מחובר ישירות לתהליך העבודה היומיומי של הצוות. אצלי הציון נכנס ישירות לתצוגה הראשית של ה-CRM, צבוע אדום-צהוב-ירוק, ויוצר משימה אוטומטית בלוח השליטה של ה-SDR. אם הציון יושב בעמודה נסתרת בטבלת אקסל, הוא לא יזיז את המחט.

חמש, וזה הכי חשוב, אל תבנו מערכת מורכבת בשביל מורכבות. אני ראיתי לקוחות שניסו להוסיף 15 קריטריונים, 4 מקורות מידע, ו-3 שכבות AI מקבילות. התוצאה הייתה איטית, יקרה, ולא יותר מדויקת מ-7 קריטריונים פשוטים. דווקא הפשטות מנצחת.

אם זה דבר שאתם רוצים ליישם בעסק שלכם ולא בטוחים מאיפה להתחיל, בואו נדבר.