Il lead scoring viene spesso presentato come una scorciatoia: assegniamo un punteggio a ogni contatto e lasciamo che l’automazione dica al team chi seguire prima. L’idea è utile, soprattutto quando le richieste aumentano e le risorse commerciali sono limitate. Diventa però fragile quando il numero viene trattato come una verità sulla persona invece che come un segnale parziale.
Un punteggio non misura il valore di un individuo. Aiuta al massimo a ordinare alcune attività, dentro un contesto preciso e per un periodo limitato. Nel marketing, l’automazione dovrebbe ridurre il lavoro ripetitivo senza togliere spazio alla verifica umana.
Il punteggio è un supporto, non un verdetto
Per lead scoring intendo un modello che combina segnali diversi per stimare quale contatto meriti un approfondimento. I segnali possono riguardare l’aderenza al servizio, una richiesta esplicita, la lettura di una risorsa o la distanza dall’ultima interazione. Il modello può essere semplice oppure alimentato da una piattaforma di marketing automation.
In entrambi i casi il risultato resta una previsione. Un contatto con un punteggio alto non è automaticamente pronto a comprare; uno con un punteggio basso non è privo di interesse. Potrebbe avere letto una pagina in modo approfondito senza lasciare tracce misurabili, oppure aver compilato un modulo in fretta senza una reale intenzione. Se confondiamo il segnale con la decisione, rischiamo di trasformare una funzione organizzativa in un filtro opaco.
Le linee guida dell’European Data Protection Board sul targeting degli utenti dei social media mostrano perché il tema non è soltanto tecnico: la profilazione può usare dati osservati, forniti o inferiti, e più soggetti possono contribuire alla costruzione e all’uso di un profilo. Conviene quindi chiedersi quali segnali stiamo usando e quale conseguenza producono.
Da quali segnali partire
Separare il fit dal comportamento
La prima distinzione utile è tra fit e comportamento. Il fit descrive quanto una richiesta corrisponde al perimetro del servizio: settore, ruolo, dimensione dell’organizzazione o problema dichiarato, quando queste informazioni sono davvero necessarie e vengono raccolte in modo trasparente. Il comportamento descrive invece ciò che una persona fa: scarica una risorsa, torna su una pagina, risponde a un messaggio, chiede un confronto.
Non metterei tutto nello stesso contenitore. Una visita ripetuta può indicare interesse, ma non dimostra che il contatto sia adatto. Una richiesta esplicita di preventivo può pesare più di molte pagine visitate. Un ruolo dichiarato può aiutare a scegliere il linguaggio, ma non dovrebbe diventare una scorciatoia per presumere budget o affidabilità.
Dare peso al contesto
Il modello dovrebbe riconoscere almeno tre dimensioni: intenzione, pertinenza e tempo. L’intenzione è il passo che la persona ha scelto di compiere. La pertinenza è il rapporto tra quel passo e la proposta. Il tempo serve a non trattare un’interazione di due anni fa come se fosse avvenuta ieri.
Per questo preferisco un punteggio leggibile, accompagnato da una breve spiegazione: “ha chiesto un confronto sul servizio”, “ha scaricato la guida”, “ha visitato la pagina prezzi tre volte”. Un numero senza motivazione è difficile da correggere e ancora più difficile da contestare. Se chi riceve il contatto non capisce perché è stato classificato in quel modo, il sistema diventa dipendente dal suo stesso automatismo.
Il consenso non è un dettaglio tecnico
Il lead scoring dipende spesso da dati raccolti in più luoghi: form, CRM, analytics, piattaforme pubblicitarie e strumenti di email marketing. Collegare queste fonti non è solo un problema di integrazione. Occorre verificare se le persone sono state informate dell’uso previsto, se la base giuridica è coerente con la finalità e se il sistema rispetta le scelte espresse.
La documentazione di Google sul Consent Mode ricorda che lo strumento riceve lo stato del consenso da un banner o da un’altra soluzione di gestione: non sostituisce il banner e non decide da solo che cosa sia lecito fare. In caso di rifiuto, i tag possono adattare il loro comportamento e, in alcune configurazioni, inviare solo segnali senza cookie; questo non autorizza a ricostruire individualmente ciò che la persona ha scelto di non condividere.
Per chi usa Google Analytics collegato a Google Ads, Google ha annunciato che dal 15 giugno 2026 il Consent Mode diventerà il controllo principale per l’uso dei dati in Google Ads. È un promemoria per mappare ogni passaggio e verificare che il punteggio non usi una fonte dopo il rifiuto di una finalità.
Quando l’automazione diventa una decisione
Un modello che ordina le richieste per la giornata non produce necessariamente lo stesso effetto di un modello che decide chi non riceverà mai una risposta, quale prezzo vedrà o quale servizio potrà richiedere. La gravità sta nella conseguenza, non nel nome dello strumento.
L’articolo 21 del GDPR riconosce il diritto di opporsi in qualsiasi momento al trattamento per marketing diretto, compresa la profilazione connessa a quel marketing. L’articolo 22 riguarda invece le decisioni basate unicamente sul trattamento automatizzato che producono effetti giuridici o incidono in modo analogo significativamente sulla persona. Non ogni lead scoring ricade automaticamente in quest’ultima situazione, ma la distinzione va valutata prima di progettare il flusso, non dopo un reclamo.
La guida dell’Information Commissioner’s Office su profilazione e decisioni automatizzate propone controlli concreti: spiegare quali informazioni alimentano il profilo, raccogliere solo i dati necessari, prevedere un modo per correggere gli errori, controllare bias e accuratezza e rendere effettiva la revisione umana. Per me “revisione umana” significa che qualcuno può capire il suggerimento, valutarlo insieme ad altri elementi e cambiarlo. Non significa approvare automaticamente ciò che il software ha già deciso.
Un metodo operativo in cinque passaggi
Per introdurre o rivedere un lead scoring partirei da un modello piccolo e documentato:
- Definire la decisione. Scrivere che cosa il punteggio deve aiutare a fare: assegnare una risposta, proporre una risorsa, fissare una priorità commerciale o avviare una verifica.
- Limitare i segnali. Conservare solo quelli pertinenti alla decisione. Evitare dati sensibili, proxy inutili e comportamenti raccolti soltanto perché la piattaforma li rende disponibili.
- Separare osservato e inferito. Indicare ciò che la persona ha dichiarato e ciò che il sistema deduce. Le due categorie non hanno lo stesso grado di affidabilità e non dovrebbero essere mostrate come equivalenti.
- Disegnare il passaggio umano. Stabilire chi controlla il contatto, quali domande deve porsi e in quali casi può ignorare o correggere il punteggio.
- Misurare gli esiti. Verificare non solo quante risposte produce il segmento alto, ma anche quante richieste pertinenti vengono perse, quali gruppi ricevono trattamenti diversi e quanto tempo restano memorizzati i dati.
Documenterei inoltre le esclusioni. Dire che un segnale non viene usato è importante quanto spiegare quelli inclusi. Eviterei, per esempio, di dedurre disponibilità economica da dispositivo, posizione o orario di navigazione: sono correlazioni facili da costruire e difficili da difendere.
Misurare la qualità, non solo il tasso di risposta
Un lead scoring sembra efficace quando il gruppo con il punteggio più alto risponde più spesso. È un buon inizio, ma non basta: se il team contatta soltanto quei lead, non sapremo quante opportunità sono state escluse. Confronterei il punteggio con esiti più sostanziali: richieste pertinenti, appuntamenti svolti, progetti coerenti, tempi di risposta e motivi di abbandono.
Guarderei anche gli errori in entrambe le direzioni. Un falso positivo consuma tempo; un falso negativo lascia senza risposta una persona interessata e resta spesso invisibile nelle dashboard. Rivedrei quindi esempi reali con chi gestisce le conversazioni e aggiornerei le regole quando cambia l’offerta.
Il punteggio che lascia spazio alla relazione
La domanda giusta non è “come faccio a dare un voto a ogni lead?”, ma “quale decisione posso rendere più tempestiva senza semplificare troppo la persona?”. Un buon modello aiuta a scegliere il prossimo passo; non pretende di conoscere tutto il percorso.
Nel mio lavoro userei il lead scoring come una mappa provvisoria: leggibile, limitata, verificabile e facile da correggere. Se stai introducendo un’automazione di questo tipo, partirei da una sola decisione e da pochi segnali dichiarati. Poi ascolterei le persone che ricevono i messaggi, non solo il cruscotto. È lì che si capisce se la personalizzazione sta creando pertinenza oppure soltanto una nuova forma di distanza.
Fonti
- European Data Protection Board, Guidelines 8/2020 on the targeting of social media users.
- EUR-Lex, Regolamento (UE) 2016/679, articoli 21 e 22.
- Information Commissioner’s Office, Rights related to automated decision making including profiling.
- Google Analytics Help, About consent mode.
- Google Analytics Help, Updates to Google Analytics Data Controls.
Nota di trasparenza: questo articolo è stato elaborato con l'aiuto dell'intelligenza artificiale e con supervisione e responsabilità editoriale umana.