리드 스코어링은 어떤 두 가지 방식으로 작동하는가

HubSpot 리드 스코어링은 두 가지 방식을 제공합니다. 첫째는 수동 리드 스코어링으로, 어떤 속성·행동이 점수를 더하거나 깎을지 사람이 직접 규칙을 정의하면 컨택트가 그 조건에 반응할 때마다 실시간으로 점수가 계산되는 규칙 기반 로직입니다. 둘째는 예측 리드 스코어링으로, 영업담당자 입력값, 이메일 반응, 폼 제출, 페이지 조회 등 데이터 전체를 머신러닝으로 분석해 '성사 가능성(Likelihood to Close)'이라는 속성으로 환산합니다.

실무에서는 두 방식을 단계적으로 도입하는 경우가 많습니다. 처음에는 규칙이 단순하고 해석이 쉬운 수동 스코어링으로 시작해 팀이 점수 체계에 익숙해지고, 데이터가 충분히 쌓인 이후 예측 스코어링을 병행하며 수동 규칙이 놓치는 패턴을 보완하는 흐름입니다. B2B·ABM처럼 리드 절대량이 많지 않은 환경에서는 예측 모델을 학습시킬 데이터량이 부족할 수 있어, 수동 스코어링만으로도 충분히 운영 가능한 경우가 많습니다.

점수는 어떤 구조로 계산되는가

HubSpot 리드 스코어링의 핵심 구성요소는 '기준(criteria)'과 '가중치(weight)'입니다. 이메일 열람, 폼 제출, 콘텐츠 다운로드 같은 긍정적 속성은 점수를 더하고, 수신거부나 타겟 업종 밖 소속 같은 부정적 속성은 점수를 깎는 방식으로 컨택트·기업·딜의 점수를 계산합니다. 질문에서 예로 든 "제안서 다운로드 +5점, 가격 페이지 방문 +10점" 같은 배점은 이 구조를 실제로 세팅한 예시 형태입니다.

다만 중요한 점은, 이런 구체적 점수값을 HubSpot이 기본값으로 정해주지 않는다는 것입니다. 각 기업이 자사 세일즈 데이터, 즉 실제로 성사된 딜이 밟았던 행동 경로를 분석해 직접 설정해야 하는 값입니다. "가격 페이지 방문이 제안서 다운로드보다 구매 의도가 더 강한 신호"라는 판단도 회사마다 다를 수 있으므로, 위 예시 배점을 그대로 복사해 쓰기보다는 자사 CRM에서 클로즈드윈 고객이 실제로 밟았던 행동 로그를 먼저 분석하는 것이 순서입니다.

MQL에서 SQL로 넘어가는 기준은 어떻게 정하는가

점수 체계가 만들어지면, 그다음 질문은 "몇 점부터 영업팀에 넘길 것인가"입니다. 마케팅이 확보한 리드가 일정 점수를 넘으면 MQL(Marketing Qualified Lead, 마케팅 자격 리드)이 되고, 그중 영업팀이 실제 영업 대상으로 인정하면 SQL(Sales Qualified Lead, 세일즈 자격 리드)로 넘어갑니다. 이 임계값을 마케팅팀 혼자 정하면 실제 영업 현장의 감각과 어긋나기 쉽습니다.

실무적으로는 과거 성사 사례의 점수 분포를 뽑아 "성사된 딜의 평균 점수가 얼마였는가"를 역산해 임계값 후보를 만들고, 이를 영업팀과 함께 검토해 확정하는 것이 안전합니다. 이 임계값 설정 과정은 10강에서 다룰 세일즈-마케팅 SLA(서비스수준협약)의 핵심 조항 중 하나이기도 합니다 — SQL 판정 기준에 대한 합의가 없으면 "이건 아직 준비 안 된 리드다"라는 영업팀의 반발이 반복적으로 발생합니다.

2강 ICP·4강 DMU 정보는 점수 체계에 어떻게 결합하는가

행동 점수(무엇을 했는가)만으로는 충분하지 않습니다. 2강에서 만든 ICP 조건(업종·매출·임직원 수)에 맞지 않는 방문자가 아무리 페이지를 많이 봐도, 애초에 우리 상품을 살 수 없는 대상이라면 점수가 높아도 SQL이 될 수 없습니다. 그래서 실무에서는 행동 점수와 별개로 '적합도 점수(Fit Score)'를 함께 계산합니다 — 이 적합도 점수의 근거가 바로 2강 ICP입니다.

또한 4강의 DMU 정보도 결합됩니다. 같은 행동(예: 가격 페이지 방문)이라도 그 방문자가 4강에서 정의한 경제적 구매자(예산 승인권자) 역할일 때와 최종사용자 역할일 때 의미가 다릅니다. 경제적 구매자의 가격 페이지 방문은 구매 임박 신호일 가능성이 높은 반면, 최종사용자의 방문은 아직 초기 리서치 단계일 수 있습니다. 정교한 리드 스코어링은 "무엇을 했는가"(행동 점수)와 "누구인가"(적합도·역할 점수)를 함께 반영하는 구조로 설계합니다.

점수 체계를 실제로 운영할 때 흔한 실수는 무엇인가

가장 흔한 실수는 점수 배점을 한 번 정하고 방치하는 것입니다. 6강에서 새로운 개인화 콘텐츠를 추가했다면, 그 콘텐츠와의 상호작용도 점수 체계에 반영해야 하는데 이를 누락하는 경우가 많습니다. 또 다른 실수는 부정적 속성(수신거부, ICP 밖 업종 등)을 점수 체계에 넣지 않아, 명백히 우리 대상이 아닌 방문자가 단순히 페이지를 많이 봤다는 이유로 SQL로 잘못 분류되는 것입니다.