Hoe maak je een lead scoring model: B2B-gids in 6 stappen (2026)

Het vraagstuk hoe maak je een lead scoring model dat door marketing en sales gezamenlijk wordt omarmd, staat centraal in elke volwassen B2B-organisatie. Na het doorlopen van dit stappenplan beschik je over een operationele evaluatiematrix met gewogen criteria, een wiskundige berekening voor inbound en outbound prospects en een geautomatiseerd verificatieproces met controleerbare broncitaten. Voordat je begint, heb je toegang nodig tot je CRM-omgeving of een spreadsheetprogramma, historische conversiegegevens en een uitgewerkt ideal customer profile. Reken op een eenmalige investering van ongeveer vier tot zes uur om het raamwerk volledig in te richten en af te stemmen. Dit artikel is niet geschreven voor webwinkels met eenmalige consumentenaankopen of organisaties zonder gestructureerd salesteam. Voor B2B-marketeers, RevOps-specialisten en commercieel leidinggevenden biedt deze handleiding de exacte methode om objectief te kwalificeren en koude leads tijdig uit de verkooproute te filteren.

Kant-en-klaar Excel-sjabloon: je kunt het lead scoring model als Excel-bestand (.xlsx) downloaden en naast deze gids openhouden. Het bestand heeft drie tabbladen: Matrix (de vijftien criteria met categorie, type, weging en controlemethode, met automatisch berekende totalen), Scoring (per lead één rij met deelscores 0, 5 of 10 via een keuzelijst; gewogen som, leadscore, Fit-score en status rekenen automatisch) en Drempels (de grenzen voor SQL en MQL, die je zelf aanpast). De drie leads in het bestand zijn een hypothetisch voorbeeld; vervang ze door je eigen gegevens. De tabbladen zijn beveiligd zonder wachtwoord; wil je kolommen of rijen toevoegen, kies dan Controleren › Beveiliging blad opheffen. Het bestand werkt in Excel, Google Sheets en LibreOffice.

Hoe maak je een lead scoring model: kern en overzicht

Een lead scoring model is een gestructureerd evaluatiesysteem dat numerieke waarden toekent aan potentiële klanten op basis van hun geschiktheid (fit) en getoonde interesse (intent). Het doel is het identificeren van kansrijke contacten, het verkorten van de verkoopcyclus en het voorkomen van tijdverspilling aan ongeschikte bedrijven. Het complete proces bestaat uit zes afgebakende stappen en vraagt vier tot zes uur voorbereiding.

De onderstaande afbeelding toont een representatief configuratiescherm waarin score-attributen en selectiecriteria worden ingericht binnen een modern CRM-platform.

In traditionele opzetten tellen marketeers vaak willekeurige getallen op bij elke interactie. Wanneer iemand drie whitepapers downloadt, ontvangt deze dertig punten en geldt het contact plotseling als verkoopklaar. In de praktijk blijkt zo'n contactpersoon echter regelmatig een student of een stagiair zonder beslissingsbevoegdheid te zijn. Een robuust B2B-model hanteert daarom een gewogen gemiddelde gecombineerd met harde vetoregels, zodat interacties uitsluitend waarde toevoegen wanneer het bedrijfsprofiel daadwerkelijk aansluit.

Voorbereiding: wat heb je nodig voordat je begint?

Voordat je de eerste score instelt, moeten de randvoorwaarden helder zijn. Het bouwen van een model zonder historische data of overeenstemming met sales leidt onvermijdelijk tot frictie en ongebruikte overdrachten.

Benodigd onderdeel	Waar te vinden	Geschatte tijd	Risico bij ontbreken
Definitie van het ideal customer profile (ICP)	Gesloten verkoopdeals uit het verleden en directie-input	60 minuten	Het model scoort bedrijven die operationeel niet bediend kunnen worden
Historische dealdata (gewonnen vs. verloren)	CRM-rapportages (HubSpot, Salesforce of spreadsheet)	45 minuten	Criteria worden gebaseerd op onderbuikgevoel in plaats van feiten
Overzicht van beschikbare interactiepunten	Marketing automation, webstatistieken en e-mailsoftware	30 minuten	Gedragssignalen worden gemist of technisch verkeerd gemeten
Consensus tussen Marketing en Sales	Gezamenlijke werksessie met salesteam en RevOps	60 minuten	Accountmanagers negeren overgedragen leads wegens gebrek aan vertrouwen
Toegang tot CRM of scoringssoftware	Beheerdersaccount in marketing automation of verkoopsoftware	15 minuten	Instellingen kunnen niet direct operationeel worden gemaakt

Stap 1: Bepaal uitsluitingscriteria en veto-regels

Het eerste doel van deze stap is het bouwen van een filter dat ongeschikte leads direct uitsluit, ongeacht hoe actief zij zijn op je website of sociale mediakanalen.

Filteren op harde uitsluitingen

Ga binnen je spreadsheet of CRM naar het configuratiepaneel voor leadkwalificatie. Richt hier een logische filterreeks in die vooraf controleert op basisgegevens. Denk aan een geldig zakelijk e-mailadres, een geregistreerd telefoonnummer met de juiste landcode, een traceerbaar bedrijfsdomein en de geografische vestiging. B2B-bedrijven die uitsluitend leveren binnen de Benelux moeten contacten buiten deze regio direct de status "Niet gekwalificeerd" toekennen.

Het stroomschema hieronder illustreert hoe het drietraps evaluatiekader functioneert voordat er punten worden toegekend.

Na het instellen zie je in je testomgeving dat binnenkomende contacten met gratis consumentenadressen (zoals Hotmail of Gmail) of ontbrekende bedrijfsgegevens direct een rode status krijgen. Zij stromen niet door naar de berekening van de leadscore.

Een veelvoorkomende valkuil is dat teams consumentenadressen simpelweg aftrekpunten geven in plaats van een absolute stop. Hierdoor kan iemand die tien artikelen leest alsnog de drempelwaarde overschrijden. De oplossing is eenvoudig: stel uitsluitingscriteria in als binaire poortwachter (ja of nee). Is de uitkomst nee, dan stopt de kwalificatie onmiddellijk.

Veto-regels voor bedrijfsprofielen instellen

Naast technische uitsluitingen zijn er inhoudelijke vetoregels vereist. Dit zijn criteria waarbij het niet voldoen aan één specifieke voorwaarde direct leidt tot diskwalificatie. Denk aan een minimale bedrijfsgrootte van tien medewerkers of het gebruik van specifieke software waarmee jouw dienst moet koppelen.

Vetoregel (voorbeeld)	Waarom een harde stop	Hoe controleer je het
Minimaal tien medewerkers	Kleinere bedrijven kunnen je dienst operationeel niet afnemen	Bedrijfswebsite, jaarverslag of bedrijfspagina
Gebruikt software waarmee jouw dienst moet koppelen	Zonder koppeling werkt je product niet	Vacatureteksten of integratiepagina van de prospect
Gevestigd in je leveringsgebied	Buiten je regio kun je niet leveren	Handelsregister of contactpagina

Hypothetisch voorbeeld: Een B2B SaaS-leverancier in de logistieke sector met 25 medewerkers merkte dat verkoopmedewerkers wekelijks uren verspilden aan kennismakingsgesprekken met transportbedrijven zonder eigen wagenpark. Het marketingteam stelde een vetoregel in: uitsluitend bedrijven met minimaal vijf geregistreerde vrachtwagens kregen toegang tot de salestunnel. Bij de eerste test met veertig contacten bleken vijftien bedrijven geen eigen voertuigen te bezitten. Vanaf dat moment ging de beltijd van sales alleen nog naar bedrijven die het product daadwerkelijk konden gebruiken.

Stap 2: Bouw de 2D-scoringsmatrix voor Fit en Intent

Het doel van deze stap is het vastleggen van een evenwichtige matrix waarin bedrijfsprofiel (Fit) en actueel gedrag (Intent) gescheiden worden gewaardeerd met een schaal van 1 tot 10. Het onderstaande schema laat zien hoe de matrix prospects in vier kwadranten indeelt.

Open een nieuw tabblad in je spreadsheet en maak vijf kolommen aan: Criterium, Categorie (Fit of Intent), Type (Veto of Optellend), Weging (1 tot 10) en Controlemethode. Onderstaande tabel toont de complete standaardmatrix met vijftien criteria die direct kan worden overgenomen voor B2B-toepassingen. In het downloadbare sjabloon staat dezelfde matrix al klaar in het tabblad Matrix (zie de afbeelding onder de tabel); de totalen voor alle optellende criteria, de Fit-criteria en de Intent-criteria worden daar automatisch berekend.

Criterium	Categorie	Type	Weging (1-10)	Controlemethode
Vestigingsland binnen doelmarkt	Fit	Veto	N.v.t. (Filter)	KvK-registratie / IP / Bedrijfswebsite
Zakelijk e-mailadres (geen gratis provider)	Fit	Veto	N.v.t. (Filter)	Domeinvalidatie van het e-mailadres
Branche / Sector matcht ICP	Fit	Optellend	9	SBI-code / Websiteomschrijving
Bedrijfsgrootte (10 - 250 fte)	Fit	Optellend	8	LinkedIn Company Page / Jaarverslag
Functieniveau (Beslisser / C-level / Manager)	Fit	Optellend	9	Functietitel op LinkedIn of e-mailhandtekening
Aanwezigheid van compatibele techstack	Fit	Optellend	7	Vacatureteksten / Broncode website
Actieve vacatures voor relevante rollen	Fit / Intent	Optellend	6	Werken-bij pagina / Jobboards
Bezoek aan de tarieven- of productpagina	Intent	Optellend	10	Webtracking / CRM-paginaweergaven
Demo- of contactformulier ingevuld	Intent	Optellend	10	Formulierinzending in CRM
Meerdere bezoeken binnen 14 dagen	Intent	Optellend	7	Sessiedata webanalytics
Download van een inhoudelijke case study	Intent	Optellend	6	Marketing automation downloadlog
Aanwezigheid bij een live webinar	Intent	Optellend	7	Registratie- en aanwezigheidslijst
Interactie via social media	Intent	Optellend	4	Social engagement rapportage
Klik op gerichte link in e-mailcampagne	Intent	Optellend	5	E-mailstatistieken / Kliktracking
Recente directiewisseling of overname	Fit / Intent	Optellend	5	Nieuwsberichten / Handelsregister

Het zichtbare resultaat van deze stap is een ingevulde tabel waarin de som van de gewichten voor de optellende criteria exact berekend kan worden. In dit voorbeeld bedraagt het totale gewicht van de dertien optellende criteria precies 93 punten: de zes criteria met categorie Fit of Fit / Intent wegen samen 44 punten, de zeven pure Intent-criteria samen 49 punten.

Een veelvoorkomende fout is dat men criteria opneemt die technisch niet betrouwbaar gecontroleerd kunnen worden, zoals "heeft dit jaar budget". Omdat deze informatie zelden publiek beschikbaar is, leidt dit tot gissingen. Beperk de matrix strikt tot feitelijk verifieerbare datapunten. Social media-interactie weegt in dit voorbeeld bewust licht (gewicht 4); hoe je die kanalen zelf inricht, lees je in het stappenplan voor een social media marketingstrategie.

Stap 3: Bereken gewogen scores met de wegingsformule

In deze stap implementeer je de wiskundige formule die de afzonderlijke criteria omrekent naar een gestandaardiseerde score tussen 0 en 100 punten.

De wiskundige wegingsformule

In plaats van ruwe punten op te tellen, gebruikt een professioneel model het gewogen gemiddelde. Elk criterium krijgt een deelscore van 0 (voldoet niet), 5 (voldoet gedeeltelijk) of 10 (voldoet volledig). Deze deelscore wordt vermenigvuldigd met het toegekende gewicht (1 tot 10).

De onderstaande formule toont de exacte berekening die in spreadsheets of CRM-scripts moet worden ingevoerd.

De formule luidt als volgt:

Totale leadscore = (som van (deelscore × gewicht) ÷ som van alle gewichten) × 10

Hierbij geldt dat indien een vetocriterium faalt, de totale leadscore per definitie op 0 wordt gezet, ongeacht de uitkomst van de optellende factoren. Met 13 optellende criteria en een totaalgewicht van 93 is de maximale gewogen som 930 (93 × 10); de formule komt dus neer op gewogen som ÷ 930 × 100.

Met dezelfde formule bereken je ook een aparte Fit-score, maar dan alleen over de zes Fit-criteria (totaalgewicht 44, maximale gewogen som 440). Die Fit-score gebruik je in stap 5 en stap 6 als extra drempel.

Drie praktijkscenario's doorgerekend

Om de werking van de formule in de praktijk te toetsen, bekijken we drie hypothetische B2B-prospects die hetzelfde evaluatieproces doorlopen. De tabel toont per criterium de deelscore (0, 5 of 10) en de gewogen punten (deelscore × gewicht) voor prospect A en B. In het tabblad Scoring van het sjabloon staan alle drie de scenario's al ingevuld; de eerste afbeelding in dit artikel toont de uitkomst, met dezelfde scores als hieronder.

Criterium (gewicht)	A: deelscore	A: punten	B: deelscore	B: punten
Branche / sector matcht ICP (9)	10	90	10	90
Bedrijfsgrootte 10 - 250 fte (8)	10	80	10	80
Functieniveau (9)	10	90	5	45
Compatibele techstack (7)	10	70	10	70
Actieve vacatures voor relevante rollen (6)	5	30	10	60
Bezoek tarieven- of productpagina (10)	10	100	0	0
Demo- of contactformulier ingevuld (10)	10	100	0	0
Meerdere bezoeken binnen 14 dagen (7)	10	70	10	70
Download case study (6)	10	60	10	60
Aanwezig bij live webinar (7)	0	0	0	0
Interactie via social media (4)	5	20	10	40
Klik op link in e-mail (5)	10	50	5	25
Recente directiewisseling of overname (5)	5	25	0	0
Gewogen som (maximaal 930)		785		540
Totale leadscore		84,4		58,1
Fit-score (gewogen som Fit-criteria, maximaal 440)		385 → 87,5		345 → 78,4

Scenario A: B2B-softwarebedrijf (sterke match - SQL)

• Gegevens: B2B-softwarebedrijf in Nederland (veto akkoord), zakelijk e-mailadres (veto akkoord), 45 fte, contactpersoon is IT-directeur. De prospect bezocht tweemaal de prijspagina, vroeg een demo aan en downloadde een case study.
• Berekening: (785 / 930) × 100 = 84,4 punten. Fit-score: (385 / 440) × 100 = 87,5.
• Conclusie: Gekwalificeerd (SQL). De totaalscore ligt boven 75, de Fit-score boven 70 en er is recente koopintentie. Deze prospect gaat direct door naar sales voor telefonische opvolging binnen 24 uur.

Scenario B: regionaal productiebedrijf (gemengd profiel - MQL / nurture)

• Gegevens: machinefabriek in Nederland met 18 fte (veto akkoord). Het contact loopt via een algemeen info-adres op het eigen bedrijfsdomein, zodat de functie van de afzender onbekend is (deelscore 5). De prospect las meerdere blogartikelen, downloadde een case study en reageerde op social media, maar bezocht de prijspagina niet en vroeg geen demo aan.
• Berekening: (540 / 930) × 100 = 58,1 punten. Fit-score: (345 / 440) × 100 = 78,4.
• Conclusie: MQL / nurture. Het bedrijf past qua profiel (Fit boven 60), maar toont nog te weinig directe koopintentie. De lead blijft in gerichte e-mailcampagnes totdat aanvullende signalen ontstaan.

Scenario C: afstudeerstagiair bij een multinational (veto-afwijzing)

• Gegevens: wereldwijd opererend telecomconcern. De bezoeker downloadt alle beschikbare case studies en bezoekt de demopagina drie keer. De functietitel op het formulier luidt echter "Afstudeerstagiair Marketing" en het e-mailadres is een persoonlijk account bij een gratis provider.
• Berekening: in een traditioneel optelmodel zou deze activiteit ruim boven de SQL-drempel uitkomen. Hier faalt het vetocriterium "zakelijk e-mailadres", en ook het functieniveau zou een deelscore van 0 krijgen.
• Uitkomst: 0 punten (gediskwalificeerd).
• Conclusie: Afgewezen. Deze lead wordt niet doorgegeven aan sales, waardoor het team geen beltijd verliest aan contacten zonder beslissingsbevoegdheid.

Wil je de Fit-criteria uit dit model toepassen op outbound prospects zonder handmatig zoekwerk? Met Orova Bot beschrijf je je doelgroep in één zin; de bot zoekt in openbare bedrijfsbronnen en toetst elk bedrijf op jouw gewogen criteria, met een letterlijk citaat en bronlink als bewijs.

Stap 4: Richt verificatie in met bewijscitaten en bronlinks

Het doel van deze stap is het invoeren van een verificatielaag, zodat de toegekende scores aantoonbaar berusten op actuele feiten en niet op verouderde aannames.

Een score die sales niet kan herleiden, wordt in de praktijk al snel genegeerd. Wanneer een accountmanager vraagt waarom een bedrijf tien punten krijgt voor "compatibele techstack" en het antwoord luidt dat een algoritme dat veronderstelt, verdwijnt het vertrouwen direct.

Richt daarom binnen je evaluatieproces een driestaps verificatielogboek in:

Het onderstaande schema toont de verplichte fasen van deze bewijsvoering.

1. Citaat vastleggen: Voor elk kwalitatief criterium (zoals gebruikte software, brancheactiviteit of recente uitbreiding) moet een letterlijk tekstfragment worden opgeslagen van de website of uit een officiële openbare publicatie.
2. Bronlink koppelen: Sla de exacte URL op waar het citaat is aangetroffen.
3. Validatiestatus toekennen: Wijs per onderdeel een status toe: Voldaan, Niet voldaan, of Onvoldoende bewijs.

Wanneer er op de bedrijfswebsite geen aantoonbaar bewijs te vinden is voor een specifiek criterium, kent het systeem nul punten toe onder de markering "Onvoldoende bewijs". Het systeem mag nooit punten toekennen op basis van extrapolaties of onbevestigde aannames.

Hypothetisch voorbeeld: Een zakelijke dienstverlener in de Benelux met dertig adviseurs wilde uitsluitend prospects benaderen die aantoonbaar ISO 27001-gecertificeerd waren. Eerder vinkten marketeers dit handmatig aan op basis van vage aanduidingen op de homepage, waardoor sales regelmatig werd gecorrigeerd door potentiële klanten. Het team voerde een strikte validatieregel in: de kwalificatiescore werd pas toegekend als de officiële certificeringsvermelding met certificaatnummer letterlijk kon worden geciteerd vanaf de beveiligingspagina van de prospect. Tijdens de eerste maand werden zeventig leads getoetst; bij achttien ontbrak het harde bewijs ondanks marketingclaims. De accountmanagers kregen uitsluitend leads overgedragen met een kant-en-klaar broncitaat in het CRM-notitieveld, wat resulteerde in directe inhoudelijke aansluiting tijdens het eerste verkoopgesprek.

Stap 5: Bepaal de drempelwaarden voor MQL, SQL en nurture

In deze stap definieer je de numerieke grenzen die bepalen welke actie automatisch volgt wanneer een lead een bepaalde totaalscore bereikt. In het sjabloon staan deze grenzen in het tabblad Drempels; de kolom Status in het tabblad Scoring leest ze automatisch uit, zoals de afbeelding hieronder laat zien.

Open de workflow-editor in je CRM of automatiseringssoftware. Maak drie trajecten aan op basis van de berekende totaalscore (0 tot 100) en de Fit-score uit stap 3:

Trede	Totaalscore	Extra voorwaarde	Vervolgactie
SQL (Sales Qualified Lead)	75 - 100	Alle vetocriteria akkoord, Fit-score minimaal 70 en recente actieve intentie (bijvoorbeeld prijspagina of demo-aanvraag)	Automatische toewijzing aan een accountmanager met de afspraak om binnen 24 uur contact op te nemen
MQL / nurture (Marketing Qualified Lead)	50 - 74	Fit-score minimaal 60, maar te weinig koopintentie voor een verkoopgesprek	Gerichte e-mailcampagnes met casestudies en uitnodigingen voor webinars
Niet gekwalificeerd	0 - 49, of een veto-overtreding	Zwakke profielmatch, ontbrekende basisgegevens of een gefaald vetocriterium	Geen verkoopopvolging; archiveren of uitsluiten van commerciële communicatie

Haalt een lead wel de totaalscore van een trede maar niet de bijbehorende Fit-drempel, dan valt hij één trede lager. Zo kan een bedrijf met veel websiteactiviteit maar een zwak profiel nooit rechtstreeks bij sales terechtkomen. Voor het MQL-traject heb je een werkende e-mailbasis nodig; hoe je die opzet, lees je in de gids hoe begin je met emailmarketing.

Het zichtbare resultaat van deze stap is een geactiveerde automatiseringsregel waarbij een contact automatisch van het label "MQL" naar "SQL" verspringt zodra de totaalscore 75 punten bereikt en de Fit-score minimaal 70 is.

Let op: stel de drempelwaarde in het begin niet te hoog in (bijvoorbeeld op 90 punten). Hierdoor droogt de pijplijn voor sales op en worden kansrijke contacten onnodig tegengehouden. Begin met een drempel van 75 punten en stel deze na de eerste evaluatieperiode van dertig dagen bij op basis van de werkelijke verkoopgesprekken.

Stap 6: Automatiseer de leadroutering voor inbound en outbound

Het doel van deze stap is het inrichten van de technische gegevensstroom voor zowel binnenkomende formulieren (inbound) als proactief opgespoorde bedrijfslijsten (outbound).

Het onderstaande schema zet de operationele eigenschappen van beide stromen naast elkaar.

Inbound routering configureren

Navigeer in je CRM naar de formulierintegraties en webhooks. Zorg dat bij elke formulierinzending het e-mailadres direct wordt gevalideerd. Koppel de berekende score aan een automatische eigenschap genaamd Huidige_Leadscore. Richt een routeringsregel in: zodra Huidige_Leadscore groter is dan of gelijk aan 75, wijst het systeem de lead toe aan de dienstdoende accountmanager via een round-robin verdeling.

Outbound prospectie integreren

Voor outbound prospectie werkt het proces omgekeerd: je wacht niet tot een bedrijf jouw website bezoekt, maar beoordeelt publiek beschikbare bedrijfsgegevens vooraf. Importeer een lijst met doelbedrijven uit openbare registers of brancheoverzichten. Laat je evaluatiemodel de profielcriteria (branche, omvang, techstack via vacatures) vooraf doorrekenen.

Zodra een outbound prospect een Fit-score behaalt van 80 of hoger met geverifieerde broncitaten, wordt deze gemarkeerd als "Koud gekwalificeerd". De accountmanager start de outreach niet met een algemene pitch, maar verwijst direct naar de gevalideerde bevindingen (bijvoorbeeld een openstaande vacature voor een specifieke rol).

Het zichtbare resultaat is dat je verkoopteam in het CRM twee overzichtelijke lijsten ziet: "Inbound SQL's (hoge urgentie)" en "Geverifieerde Outbound Targets (hoge relevantie)".

Een veelvoorkomende fout bij outbound scoring is het blind importeren van verouderde bedrijfslijsten zonder domeincontrole. Zorg dat bij de invoer altijd eerst wordt gecontroleerd of de website actief is en of het bedrijf niet al als bestaande klant geregistreerd staat.

Houd bij outbound scoring ook rekening met de AVG. Zakelijke contactgegevens van personen, zoals naam, functie en zakelijk e-mailadres, zijn persoonsgegevens, en het automatisch beoordelen van personen kan onder profilering vallen. Koop daarom geen e-maillijsten en ga geen e-mailadressen raden of samenstellen. Leg vast op welke grondslag je gegevens verwerkt en zorg dat mensen hun rechten kunnen uitoefenen, zoals inzage, bezwaar en verwijdering. Algemene uitleg vind je bij de Autoriteit Persoonsgegevens (autoriteitpersoonsgegevens.nl); voor je eigen situatie vraag je advies aan een jurist.

Checklist voor het bouwen van je lead scoring model

Gebruik onderstaande tabel om tijdens de implementatie gestructureerd te controleren of alle onderdelen van het kwalificatieproces operationeel zijn.

Stap	Hoofdtaak	Voltooiingssignaal	Geschatte tijd
1. Uitsluitingscriteria	Harde filters en vetoregels instellen	Gratis e-mails en niet-doellanden worden direct geblokkeerd	45 minuten
2. Scoringsmatrix	15 criteria toekennen aan Fit en Intent	Spreadsheet met gewichten (1-10) en controlemethoden gereed	60 minuten
3. Wegingsformule	Wiskundige formule invoeren in CRM of sheet	Drie proefberekeningen leveren correcte scores tussen 0 en 100 op	45 minuten
4. Verificatieproces	Broncitaten en URL-opslag inrichten	Kwalitatieve scores bevatten een traceerbaar websitecitaat	60 minuten
5. Drempelwaarden	Grenzen vastleggen voor SQL (≥75 en Fit ≥70) en MQL / nurture (50-74)	Leads wisselen automatisch van status bij scorewijziging	30 minuten
6. Leadroutering	Inbound webhooks en outbound lijsten koppelen	Accountmanagers ontvangen realtime notificaties bij SQL-status	45 minuten

Veelvoorkomende fouten bij lead scoring en hun oplossingen

Zelfs ervaren B2B-organisaties lopen bij de uitvoering tegen structurele knelpunten aan. Onderstaande tabel bundelt de meest voorkomende fouten en de bijbehorende correcties.

Fout	Veelvoorkomende oorzaak	Oplossing
Leads verzamelen oneindig punten en worden allemaal SQL	Geen puntverval (decay) ingesteld voor verouderde interacties	Stel een afschrijvingsregel in waarbij gedragspunten na 60 of 90 dagen vervallen
Verkoopteam belt leads die van niets weten	Te hoge score toegekend aan passief gedrag (zoals een blogbezoek)	Verlaag het gewicht van informatieve pagina's en reserveer hoge scores voor prijspagina's
Hoge activiteit van niet-kopers vervuilt de database	Gebrek aan harde vetoregels op functieniveau en bedrijfsgrootte	Voer een binaire controle in die niet-beslissers direct uitsluit van verkoopoverdracht
Scores veranderen niet mee na wijziging van criteria	Handmatige herberekening ontbreekt in statische lijsten	Gebruik dynamische velden die historische data automatisch herijken zonder extra dataverlies
Accountmanagers vertrouwen de score niet en bellen willekeurig	Gebrek aan inzicht in de achterliggende reden van de score	Toon in het CRM-overzicht direct de drie belangrijkste scorebepalende factoren inclusief broncitaat
Outbound prospects worden beoordeeld op ontbrekende data	Systeem kent minpunten toe aan lege velden bij openbare bronnen	Maak onderscheid tussen "feitelijk afgewezen" en "onvoldoende bewijs", waarbij dat laatste neutraal blijft

Wie het zoeken en beoordelen van outbound prospects niet handmatig wil doen, kan de Fit-kant van dit model toepassen met Orova Bot. Je beschrijft in één zin welk type zakelijke klant je zoekt, waarna de bot openbare bedrijfsbronnen doorzoekt, zoals bedrijvengidsen en branche- of verenigingssites. Je stelt automatische filters in (bijvoorbeeld: heeft een e-mailadres, een telefoonnummer of zit in het juiste land) en laat AI elk bedrijf toetsen op jouw criteria, ingedeeld als verplicht of als pluspunt, met een weging van 1 tot 10. Per criterium zie je voldaan, niet voldaan of onvoldoende bewijs, met een letterlijk citaat en de bronlink; de score zelf berekent de software als gewogen gemiddelde. Met een eigen drempel en twijfelzone deel je bedrijven in als geslaagd, overwegen of niet geslaagd. Bedrijven met een e-mailadres zet je door naar de contactenlijst van Orova Connect, of je exporteert de lijst als Excel- of CSV-bestand. Pas je de drempel later aan, dan sorteert de lijst zich opnieuw zonder dat er opnieuw beoordeeld wordt. Het websitegedrag van je eigen bezoekers, de Intent-kant van het model, meet je nog steeds in je CRM of marketing automation.

Stop met het handmatig doorzoeken van prospectlijsten en geef je salesteam bedrijven met controleerbaar bewijs per criterium. Probeer Orova Bot gratis tot en met 7 juli 2027.

Resultaten meten: hoe weet je of je model werkt?

Een lead scoring model is geen statisch document maar een dynamisch proces dat doorlopend moet worden gemonitord. Drie kernstatistieken geven direct uitsluitsel over de betrouwbaarheid van je instellingen:

1. Conversieratio van SQL naar geaccepteerde verkoopkans (Opportunity Rate): Bekijk maandelijks in je CRM hoeveel procent van de leads met een score van 75 of hoger door sales wordt geaccepteerd. Ligt dit percentage duidelijk onder het niveau dat je vooraf met sales hebt afgesproken, dan zijn de fit-criteria te soepel of ontbreken essentiële vetoregels.
2. Snelheid van opvolging (Sales Velocity): Meet het aantal uren tussen het moment dat een lead de status SQL bereikt en het eerste contactmoment door een accountmanager. Een betrouwbaar scoremodel zorgt voor een hogere opvolgsnelheid omdat verkoopmedewerkers weten dat de kans op een relevant gesprek groot is.
3. Conversie per scoremarge: Analyseer per kwartaal de uiteindelijke verkoopdeals afgezet tegen de initiële leadscore. In een gezond model converteren leads uit de categorie 90-100 punten aantoonbaar vaker naar betalende klanten dan leads uit de categorie 75-89 punten.

Leg de metingen vast in een vast overzicht, zodat je elke evaluatie dezelfde signalen bekijkt:

Indicator	Waar meet je het	Signaal dat bijsturen nodig is
Acceptatie van SQL's door sales	CRM-status van leads met een score van 75 of hoger	Sales wijst veel SQL's af als "geen match"
Opvolgsnelheid	Tijd tussen SQL-status en eerste contactmoment	Accountmanagers laten SQL's dagen liggen
Conversie per scoremarge	Gewonnen deals per scoremarge, per kwartaal	Hogere marges converteren niet vaker dan lagere
Aandeel "onvoldoende bewijs"	Verificatielogboek per criterium	Eén criterium staat bijna altijd op onvoldoende bewijs

Meet deze indicatoren via het standaard rapportagedashboard van je CRM-systeem. Evalueer de cijfers elke dertig dagen gezamenlijk met de commerciële leiding en stel de wegingsfactoren stapsgewijs bij.

Trends in lead scoring in de komende jaren: visie van de auteur

Kijkend naar wat ik in 2026 om me heen zie, denk ik dat traditionele lead scoring, waarbij marketeers handmatig punten optellen op basis van formulierinzendingen, steeds minder overtuigt. Veel verkoopteams nemen geen genoegen meer met een score die gebaseerd is op het downloaden van een pdf-bestand. Ik deel hieronder drie duidelijke observaties over de richting waarin dit vakgebied zich beweegt.

Ten eerste verwacht ik dat statische puntensystemen steeds vaker worden aangevuld met bewijsgestuurde verificatie. Waar marketingteams voorheen vertrouwden op zelf gerapporteerde data in formulieren, maakt geautomatiseerde gegevensverwerking het makkelijker om profielkenmerken te valideren aan de hand van openbare bedrijfsbronnen. Ik verwacht dat automatische broncontrole in B2B-scoringsmodellen gewoon wordt: een lead krijgt pas punten voor een eigenschap als er een actueel tekstfragment van de bedrijfswebsite of uit een handelsregister aan gekoppeld kan worden. Wie punten toekent zonder feitelijk bewijs, loopt het risico het vertrouwen van de verkoopafdeling te verliezen. Deze ontwikkeling kan overigens vertragen wanneer strengere webbeveiliging en gesloten bedrijfsomgevingen het geautomatiseerd indexeren van openbare bronnen bemoeilijken.

Ten tweede zie ik een duidelijke verschuiving van passieve inbound scoring naar dynamische outbound signaalanalyse. Bedrijven wachten niet langer af tot een potentiële klant toevallig hun tarievenpagina bezoekt. Naar mijn mening wordt de scheidslijn tussen inbound en outbound lead scoring de komende jaren steeds dunner. Modellen zullen potentiële klanten continu evalueren op basis van externe groeisignalen, zoals het openzetten van specialistische vacatures, wijzigingen in het management of investeringen in nieuwe technologieën. B2B-organisaties doen er verstandig aan hun datastructuren hier vandaag al op in te richten, door naast webstatistieken ook externe bedrijfssignalen als volwaardige scoringscriteria te integreren.

Ten derde verwacht ik dat kunstmatige intelligentie minder als subjectieve scorebepaler en meer als strenge controleur wordt ingezet. Tot voor kort lieten sommige organisaties AI zelfstandig scores bedenken, wat leidde tot onverklaarbare uitkomsten en zogeheten hallucinaties. Ik denk dat veel teams teruggaan naar wiskundige regels en gewogen gemiddelden die door mensen zijn vastgesteld, waarbij AI uitsluitend wordt ingezet om teksten te scannen, citaten te verifiëren en binaire vragen (ja of nee) te beantwoorden. De wiskunde berekent de score; de technologie levert het bewijs. Marketeers moeten zich daarom niet blindstaren op ondoorzichtige algoritmes, maar investeren in heldere wegingsmodellen met controleerbare tussenstappen.

Samengevat vertaal ik deze drie verwachtingen zo naar je eigen model:

Ontwikkeling die ik verwacht	Wat het betekent voor je model	Wat je nu al kunt doen
Meer bewijsgestuurde verificatie	Punten alleen bij een controleerbare bron	Voeg een kolom Bronlink toe aan je matrix
Inbound en outbound groeien naar elkaar toe	Externe bedrijfssignalen worden gewone criteria	Neem vacatures en directiewisselingen op als criterium
AI als controleur, niet als scorebepaler	De formule blijft door mensen vastgesteld	Laat AI alleen ja/nee-vragen met citaat beantwoorden

Veelgestelde vragen over lead scoring

Wat is het verschil tussen impliciete en expliciete data bij lead scoring?

Expliciete data omvat alle feitelijke informatie die een prospect zelf deelt of die direct verifieerbaar is, zoals bedrijfsnaam, sector, functietitel en land. Impliciete data heeft betrekking op het indirecte gedrag van de prospect, zoals bezochte webpagina's, geopende e-mails en klikgedrag. Een evenwichtig model combineert beide stromen: expliciete data bepaalt de Fit, terwijl impliciete data de Intent aangeeft.

Hoe voorkom je dat een stagiair of student een hoge leadscore krijgt?

Dit voorkom je met een vetoregel op een zakelijk e-mailadres, een hoog gewicht voor functieniveau en de Fit-drempel voor SQL. Wil je functieniveau als harde voorwaarde gebruiken, zet dat criterium dan in de kolom Type op Veto. Zelfs als een bezoeker twintig documenten downloadt, kan een contact zonder goedgekeurd profiel zo nooit de status SQL bereiken.

Wat is de ideale verhouding tussen Fit en Intent in een B2B-model?

Er is geen vaste verhouding die voor elk bedrijf klopt. In de voorbeeldmatrix uit dit artikel wegen de Fit-criteria samen 44 en de Intent-criteria 49 gewichtspunten; Fit krijgt daarnaast extra gewicht via de vetoregels en de Fit-drempel van 70 voor SQL. Een bedrijf dat goed binnen je doelgroep past, heeft immers commerciële waarde, zelfs bij een lage initiële intentie. Andersom heeft een hoge koopintentie van een bedrijf dat jouw diensten operationeel niet kan afnemen weinig waarde. Stel de verhouding bij op basis van je eigen gewonnen en verloren deals.

Welke rol speelt AI vandaag de dag bij het opzetten van een lead scoring model?

AI fungeert in moderne modellen niet als een zelfstandige rekenmachine die willekeurig punten uitdeelt, maar als een inhoudelijke controleur. De technologie leest openbare websites, vacatures en nieuwsberichten om te controleren of aan specifieke voorwaarden wordt voldaan en levert het bijbehorende tekstcitaat aan als bewijs. De uiteindelijke puntentoekenning verloopt vervolgens via een vaste wiskundige wegingsformule die door het salesteam kan worden gecontroleerd.

Hoe vaak moet je de criteria en drempelwaarden van je model bijstellen?

Evalueer het model gedurende de eerste drie maanden na lancering elke dertig dagen tijdens een gezamenlijk overleg tussen marketing en sales. Analyseer welke leads hebben geleid tot daadwerkelijke verkoopkansen en welke contacten ten onrechte zijn doorgestuurd. Na deze inregelperiode volstaat een kwartaalevaluatie om drempelwaarden en wegingsfactoren aan te passen aan gewijzigde marktomstandigheden.

Waar moet je beginnen?

Afhankelijk van de huidige volwassenheid van je commerciële organisatie kun je vandaag de eerste concrete stap zetten om je leadkwalificatie te professionaliseren.

• Situatie 1: Je gebruikt nog geen lead scoring en sales klaagt over slechte leads Begin vanmiddag niet met ingewikkelde software, maar organiseer een sessie van zestig minuten met je beste accountmanager. Stel uitsluitend de drie belangrijkste vetocriteria vast (bijvoorbeeld minimale omvang, vestigingsregio en functie van de beslisser). Voer deze drie filters direct in als verplicht veld op je belangrijkste contactformulieren om de directe toestroom van niet-kopers per direct te stoppen.
• Situatie 2: Je hebt al een eenvoudig puntensysteem in je CRM, maar het ontbreekt aan vertrouwen Exporteer de laatste honderd contacten die door het systeem als MQL zijn aangemerkt naar een spreadsheet. Voeg kolommen toe voor bedrijfsgrootte en daadwerkelijke functie en controleer hoeveel van deze contacten daadwerkelijk voldeden aan het profiel. Vervang de willekeurige optelling van punten door de gewogen formule uit Stap 3 en introduceer een duidelijke scheiding tussen profielmatch en gedrag.
• Situatie 3: Je wilt proactief aan de slag met outbound prospectie zonder handmatig lijstwerk Stel een profielmatrix op met tien meetbare bedrijfskenmerken en bepaal welke openbare bronnen (zoals handelsregisters, brancheverenigingen of vacaturebanken) het bewijs leveren voor deze criteria. Richt een gestandaardiseerde evaluatielijst in waarin elk geselecteerd doelbedrijf per criterium een deelscore van 0, 5 of 10 krijgt, inclusief de bijbehorende bron-URL.

Download het sjabloon: lead scoring model, Excel-sjabloon (.xlsx). Drie tabbladen (Matrix, Scoring en Drempels), vijftien criteria met gewichten, een automatische berekening van leadscore, Fit-score en status, en drie hypothetische voorbeeldleads die je vervangt door je eigen gegevens.

Het succesvol inrichten van dit proces vraagt geen maandenlange voorbereiding, maar begint bij duidelijke afspraken over wie je wel en niet wilt bedienen; volg de stappen in dit artikel om een lead scoring model te bouwen dat je salesteam begrijpt en vertrouwt.