Budowa własnego modelu scoringu
Zbuduj własny scoring model, który AI stosuje do każdego leada: +20 ICP match, +15 branża docelowa, +15 wielkość, +10 decydent, +15 sygnał zakupowy, +10 wzrost, +10 technologia, minusy za złą branżę, za małą skalę i brak decydenta. Kategorie: HOT 80-100, WARM 60-79, COLD 40-59, BAD <40.
Problem i diagnoza
Ogólny scoring 'oczy działają na 1-100' nie działa, bo każda firma wygląda podobnie. Model musi odzwierciedlać Twoją rzeczywistość: co w Twoich wygranych dealach było wspólne (branża? wielkość? sygnały?) i co eliminowało (misfity). Bez tego scoring jest dekoracją.
Metoda działania krok po kroku
Budowa modelu scoringu w 5 krokach:
- Zbierz punkty z wygranych deali (co było wspólne) i straconych (co eliminowało),
- Zdefiniuj kryteria z wagami: +20 ICP match, +15 branża docelowa, +15 wielkość w zakresie, +10 decydent zidentyfikowany, +15 buying signal, +10 wzrost (hiring/ekspansja), +10 technologia w stacku, -20 zła branża, -15 za mała skala, -10 brak decydenta,
- Ustal progi: HOT 80-100 (kontakt dziś), WARM 60-79 (sekwencja), COLD 40-59 (dokarmianie), BAD <40 (nigdy),
- Zaimplementuj w arkuszu/CRM (kolumny + formuła) albo w promptach AI,
- Testuj na 20 leadach z historii i kalibruj wagi. AI nie wymyśla modelu — AI STOSUJE Twój model do leadów i uzasadnia wynik.
Praktyczny przykład (ZŁY vs DOBRY)
- ZŁY
- Chaotyczny research w wyszukiwarce bez kryteriów i generyczny kontakt do przypadkowych firm.
- DOBRY
- Model (Twój): ICP match 20, branża 15, wielkość 15, decydent 10, sygnał 15, wzrost 10, technologia 10, misfity -45. Lead: agencja performance (branża +15), 18 osób (wielkość +15), ICP match (CRM dla agencji +20), Head of Sales znaleziony (+10), hiring 3 handlowców (sygnał +15, wzrost +10), używa HubSpot Starter (technologia +10) = 95 → HOT. AI uzasadnia: 'lead spełnia 6 z 7 kryteriów, misfity brak'.
Gotowy prompt do skopiowania
Jesteś architektem scoringu leadów. Kontekst: Sprzedaję [PRODUKT] dla [SEGMENT]. Z moich wygranych deali wspólne było: [CO BYŁO WSPÓLNE]. Stracone deale łączyło: [CO ELIMINOWAŁO]. Zadanie: Zaprojektuj mój model scoringu: 1. Kryteria pozytywne (5-8) z wagami (suma max ~100) 2. Kryteria negatywne (3-5) z punktami ujemnymi 3. Progi: HOT/WARM/COLD/BAD 4. Przykład: oceń lead [OPIS LEADA] wg modelu + uzasadnienie 5. 3 pytania kalibracyjne, na które muszę odpowiedzieć, by dostroić wagi Format: sekcje, gotowe do wdrożenia w arkuszu.
Warianty promptu i scenariusze
Wersja do arkusza: AI generuje formuły (IF/SUM) gotowe do skopiowania.
Wersja dla zespołu: AI proponuje, kto zajmuje się HOT/WARM/COLD.
Ćwiczenie i checklista wdrożenia
Zadanie praktyczne
Napisz swój model scoringu: 5-8 kryteriów z wagami + 3 negatywne. Oceń 5 leadów z listy. Sprawdź, czy kategorie (HOT/WARM/COLD/BAD) zgadzają się z Twoją intuicją — jeśli nie, popraw wagi.
Kryteria sukcesu
Pytania wdrożeniowe i integracja z bazą CEIDG (FAQ)
Jak połączyć technikę „Budowa własnego modelu scoringu” z arkuszem nowych firm CEIDG w Google Sheets?
W zadaniu z obszaru Prospecting podstaw pod zmienne w prompcie bezpośrednie kolumny z żywego arkusza prospekting.pl w Google Sheets: nazwę podmiotu (kolumna A), imię właściciela (kolumna E), główny kod PKD 2025/2007 (kolumna I), opis branży wygenerowany przez AI (kolumna K) oraz wykryte zawody decydenta (kolumna L). Pełne wdrożenie zajmuje średnio 11 min.
Jak zweryfikować poprawność wdrożenia lekcji „Budowa własnego modelu scoringu” przed skalowaniem?
Przed podpięciem promptu pod automatyzację w Make.com lub n8n przetestuj go ręcznie na próbce 10–15 rekordów i sprawdź listę kontrolną: Mam model scoringu z wagami (pozytywne i negatywne) • Oceniłem 5 leadów wg modelu • Progi HOT/WARM/COLD/BAD są ustalone i przetestowane.
Jak stosować wiadomości wygenerowane w tej lekcji zgodnie z RODO (art. 14) i art. 398 PKE?
Przy kontakcie elektronicznym (e-mail lub telefon) z nowo zarejestrowaną działalnością gospodarczą z CEIDG stosuj dwuetapowy model kontaktu zgodny z art. 398 Prawa Komunikacji Elektronicznej (PKE): pierwsza wiadomość powinna weryfikować potrzebę biznesową i pytać o zgodę na przesłanie oferty handlowej wraz ze skróconą klauzulą informacyjną z art. 14 RODO (wzór znajdziesz na stronie Baza firm z e-mailami i telefonami — RODO i PKE).
Powiązane lekcje i następne kroki w procesie
Czym jest AI prospecting?
AI prospecting to wykorzystanie modeli językowych do znajdowania, researchowania i kwalifikowania potencjalnych klientów. Dowiedz się, gdzie AI faktycznie oszczędza czas (research, analiza, personalizacja), a które decyzje — wybór rynku, treść rozmowy — zostają z człowiekiem.
Prospecting workflow krok po kroku
Poznaj 9-etapowy workflow prospectingu: ICP → market → company → contact → research → qualification → scoring → prioritization → outreach. Zobacz, jak każdy etap łączy się z następnym i gdzie AI wkracza w proces, żebyś wiedział, nad czym pracujesz.
Metodologia (How & Why): Wszystkie szablony promptów i procedury w Akademii prospekting.pl są testowane na żywych strumieniach danych z API Hurtowni Danych CEIDG v3 (800–1 100 nowych JDG dziennie, 22 kolumny z mapowaniem PKD 2025 ↔ PKD 2007). Eliminujemy ogólnikowy żargon, stosując twarde ograniczenia negatywne (negative constraints) i weryfikowalne kryteria konwersji.
Zastrzeżenie prawne (YMYL Disclaimer): Materiały w Akademii mają charakter edukacyjno-techniczny i nie stanowią indywidualnej porady prawnej. Prowadząc komunikację elektroniczną B2B na bazie rejestrów publicznych, stosuj przepisy RODO (art. 6 ust. 1 lit. f oraz art. 14) i art. 398 Prawa Komunikacji Elektronicznej (PKE).
Otwórz darmowy arkusz 50 świeżych firm z CEIDG w Google Sheets i wypróbuj powyższy prompt na realnych rekordach z kodami PKD 2025.