Lead Scoring Framework สำหรับ B2B — คู่มือฉบับสมบูรณ์ 2026
เรียนรู้วิธีสร้าง Lead Scoring Framework สำหรับ B2B ตั้งแต่ demographic + behavioral scoring จนถึง MQL handoff พร้อม template และตัวอย่างใช้งานจริง
Lead Scoring Framework สำหรับ B2B — คู่มือฉบับสมบูรณ์ปี 2026
Last updated: 2026-06-03 · Author: Brad K
ทีม Sales B2B โดยเฉลี่ยใช้เวลาจำนวนมากไปกับ lead ที่ไม่มีวันปิดดีล — ธุรกิจ B2B ที่ไม่มีระบบ lead scoring มักมี conversion rate ต่ำกว่าธุรกิจที่มีระบบอย่างชัดเจน และต้นทุนต่อดีล (CAC) สูงกว่าโดยเปรียบเทียบ ปัญหาไม่ได้อยู่ที่ “ได้ lead น้อย” — แต่อยู่ที่ “ไม่รู้ว่า lead ไหนพร้อมซื้อ” บทความนี้จะพาคุณสร้าง Lead Scoring Framework ที่ใช้งานได้จริงสำหรับ B2B ไทย ตั้งแต่หลักการ demographic + behavioral scoring, การกำหนด threshold MQL/SQL, การเชื่อมเข้ากับ CRM/CDP จนถึงตัวอย่างที่ implement ใน HubSpot หรือ Salesforce ได้ทันที
Key Takeaways: Lead Scoring คือระบบให้คะแนน lead ตาม 2 แกนหลัก — Fit (ใช่กลุ่มเป้าหมายไหม) และ Engagement (สนใจมากแค่ไหน) — เพื่อให้ Sales โฟกัสกับ lead ที่พร้อมที่สุด ธุรกิจ B2B ที่ใช้ framework นี้มักเห็น MQL-to-SQL conversion เพิ่มขึ้นอย่างชัดเจน และลดเวลา sales cycle ลงได้ หัวใจของความสำเร็จคือ การตั้ง threshold ที่ตรงกับ funnel จริง, การ review ทุกไตรมาส, และการ sync ระหว่าง Marketing-Sales ผ่าน CRM/CDP
Lead Scoring คืออะไร และทำไม B2B ต้องมี
Lead Scoring คือกระบวนการให้คะแนนเชิงตัวเลข (เช่น 0-100) กับ lead แต่ละราย เพื่อบ่งบอกว่า lead นั้น “พร้อมซื้อ” หรือ “เหมาะกับสินค้าของเรา” มากแค่ไหน ระบบจะรวมข้อมูล 2 ประเภทเข้าด้วยกัน คือ demographic data (ข้อมูลเชิงคุณลักษณะ เช่น industry, company size, job title) และ behavioral data (พฤติกรรมการมีปฏิสัมพันธ์ เช่น เปิด email, ดาวน์โหลด whitepaper, เข้าหน้า pricing)
ใน B2B ที่ sales cycle ยาว 3-9 เดือน และเกี่ยวข้องกับ decision-maker หลายคน lead scoring สำคัญมากเพราะ:
- ลดเวลา qualify — Sales ไม่ต้องเดาว่า lead ไหนน่าคุย
- เพิ่ม alignment ระหว่าง Marketing-Sales — มี definition กลางของ “MQL” ที่ทุกคนเห็นพ้อง
- Optimize ad spend — รู้ว่า channel ไหนได้ lead คุณภาพสูงสุด (เชื่อมกับ Attribution Model B2B)
Lead Scoring ต่างจาก Lead Qualification ยังไง
หลายคนสับสน 2 คำนี้ — Lead Qualification คือกระบวนการตรวจสอบเชิงคุณภาพ (เช่น BANT: Budget, Authority, Need, Timeline) โดย Sales เอง ส่วน Lead Scoring คือการให้คะแนนเชิงปริมาณแบบ automated ที่ทำงาน ก่อน qualification — เปรียบเสมือนตัวคัดกรองชั้นแรก
Predictive Scoring vs Rule-based Scoring
- Rule-based — กำหนดคะแนนเองตาม business logic (เหมาะกับธุรกิจที่มี data ไม่ใหญ่)
- Predictive (AI) — ใช้ ML เรียนรู้จาก lead ที่ปิดดีลในอดีต (ต้องมี data ≥ 1,000 deals)
สำหรับ B2B ไทยส่วนใหญ่ rule-based ยังเหมาะกว่าเพราะ data set ยังเล็ก
องค์ประกอบของ Lead Scoring Framework
Framework ที่ดีต้องมี 4 layer ที่ทำงานสอดประสานกัน — แต่ละ layer ตอบคำถามที่ต่างกัน
Layer 1: Demographic / Firmographic Scoring (Fit)
ตอบคำถาม “lead นี้ ใช่ ICP (Ideal Customer Profile) ของเราไหม?”
| Attribute | คะแนน | เหตุผล |
|---|---|---|
| Industry = Manufacturing/SaaS | +15 | core ICP |
| Company size 50-500 พนักงาน | +10 | sweet spot |
| Job title = Director/VP/C-level | +20 | decision-maker |
| Country = Thailand | +10 | service area |
| Email = personal (gmail.com) | -10 | ไม่ใช่ B2B จริง |
Layer 2: Behavioral Scoring (Engagement)
ตอบคำถาม “lead นี้ active แค่ไหน?”
| Action | คะแนน | Note |
|---|---|---|
| เปิด email | +1 | low intent |
| คลิก CTA ใน email | +5 | medium intent |
| ดู pricing page | +20 | high intent |
| ดาวน์โหลด whitepaper | +10 | research mode |
| เข้าชม >5 หน้า/session | +15 | deep interest |
| ดู demo video จนจบ | +25 | very high intent |
💡 Tip: ค่าใน table นี้คือจุดเริ่มต้น — ต้องปรับตาม conversion data จริงของคุณ ใช้ Looker Studio Dashboard B2B ติดตามว่า score กับ deal won มี correlation มากแค่ไหน
Layer 3: Negative Scoring (Disqualifier)
ป้องกัน lead ที่ “ดูเหมือนจะดี” แต่จริงๆ ไม่ใช่:
- ไม่เปิด email 90 วัน → -10
- Unsubscribe → -50
- Job title = Student/Intern → -20
- ส่ง form ด้วย email ปลอม ([email protected]) → -100
Layer 4: Time Decay (Recency)
พฤติกรรมเก่า ๆ ควรมีค่าน้อยลง — เช่น คนที่ดู pricing เมื่อ 6 เดือนที่แล้ว ≠ คนที่เพิ่งดูเมื่อวาน
ใช้ formula: score × (0.9 ^ months_since_action)
วิธีออกแบบ Lead Scoring Model ทีละขั้น
Step 1: ทำ ICP Workshop กับ Sales
ก่อนใส่ตัวเลขใดๆ ต้องคุยกับ Sales ก่อนว่า “ลูกค้าที่ปิดดีลง่ายและ LTV สูง มีลักษณะยังไง?” ใช้ข้อมูลจาก deal ที่ปิดได้ในรอบ 12 เดือน — list ดู industry, ขนาดบริษัท, ตำแหน่ง buyer, channel ที่เข้ามา
Step 2: หา Behavioral Indicator จาก Closed-Won Deals
ดึงข้อมูล lead ที่กลายเป็นลูกค้าจริง แล้วดูว่ามี action ใดที่ทำ “ก่อนปิดดีล” บ่อย — เช่น ลูกค้าใหม่จำนวนมากเคยดู case study อย่างน้อย 2 หน้า ก่อนจอง demo → action นี้ควรได้คะแนนสูง
Step 3: Assign Points แบบ Reverse Engineering
ถ้าคุณมีข้อมูล analytics + CRM linked อยู่ (ดู GA4 + GTM + Conversion API Setup) ให้คำนวณ “lift in conversion” สำหรับแต่ละ action เช่น:
- Lead ที่ดู pricing page มี conversion 12% vs ไม่ดู 2% → lift 6x → ให้คะแนน 20
- Lead ที่ download ebook conversion 4% vs 2% → lift 2x → ให้คะแนน 10
Step 4: Set MQL / SQL Threshold
มาตรฐานที่ใช้ได้:
– 0-39 = Cold (ส่งเข้า nurture drip)
– 40-69 = Warm/MQL candidate
– 70-89 = MQL (Marketing-Qualified — Sales รับช่วงต่อ)
– 90+ = SQL (Sales-Qualified — โทรภายใน 24 ชม.)
Step 5: Implement ใน CRM/CDP
- HubSpot — ใช้ “Score” property + workflow trigger
- Salesforce — Lead Score field + Process Builder
- Custom CDP — ทำผ่าน Server-side Tracking
ตัวอย่างการใช้งานจริง: SaaS B2B Thai
สมมุติบริษัท SaaS HR-tech ขายให้บริษัท 100-1,000 คน ราคา 300,000 บาท/ปี — Framework ที่ใช้:
Demographic Score (max 60):
– Industry = Manufacturing/Retail/Hospitality: +20
– Size 100-1,000: +20
– Title = HR Director/CHRO: +20
Behavioral Score (max 60):
– เข้า pricing page: +20
– จอง demo: +30
– เปิด email > 3 ครั้งใน 30 วัน: +10
Threshold:
– ≥80 → Sales รับทันที (median deal cycle 45 วัน)
– 50-79 → Nurture 14 วัน แล้ว re-evaluate
– <50 → Quarterly newsletter เท่านั้น
ผลหลังใช้ 6 เดือน: MQL-to-SQL rate เพิ่มขึ้นอย่างชัดเจน และ sales cycle สั้นลงอย่างเห็นได้ชัด
ผิดพลาดที่พบบ่อยใน Lead Scoring (5 ข้อ + วิธีแก้)
1. ให้คะแนนแบบเดาเอา ไม่ใช้ data
หลายทีมตั้งคะแนนตาม “feeling” — แก้โดยใช้ closed-won analysis อย่างน้อย 6 เดือนย้อนหลัง
2. ไม่มี Negative Scoring
Lead ที่ unsubscribe หรือไม่ active 6 เดือน ควรถูกลดคะแนน — ไม่งั้น Sales จะได้ lead ขยะที่คะแนนสูงปลอม
3. ไม่อัพเดท Model
ตลาดเปลี่ยน, ICP เปลี่ยน — quarterly review ขั้นต่ำ และ rebuild model ทุก 12 เดือน
4. Sales-Marketing ไม่เห็นพ้องเรื่อง MQL definition
สาเหตุอันดับ 1 ของความขัดแย้ง — แก้ด้วย SLA document ที่ทั้งสองฝ่ายเซ็น พร้อม weekly sync
5. โฟกัส Behavioral อย่างเดียว ลืม Fit
Lead ที่ active มากแต่เป็นนักศึกษาทำ thesis ไม่ใช่ buyer — ต้อง balance ทั้ง 2 แกน เสมอ
Real-world Example
FAQ
Lead Scoring ต้องใช้ tool อะไร?
CRM ส่วนใหญ่มี built-in (HubSpot, Salesforce, Zoho, Pipedrive) ถ้างบจำกัด เริ่มจาก HubSpot Free + Google Sheets ก็พอ ใน enterprise ใช้ CDP เช่น Segment + custom logic จะ flexible กว่า
ควร review model บ่อยแค่ไหน?
อย่างน้อย ทุกไตรมาส เช็คว่า score กับ conversion ยัง correlate กันหรือไม่ ถ้า MQL→SQL rate ตกลงชัดเจน แปลว่า model เริ่มไม่แม่น
Predictive scoring คุ้มกับ B2B เล็กไหม?
ยังไม่คุ้มถ้ามี deal ปิดได้น้อยกว่า 500 ดีล/ปี — เพราะ ML ต้องการ data ปริมาณมาก ใช้ rule-based ดีกว่า แล้วค่อยอัพเกรดเมื่อ data โต
Lead Scoring กับ Marketing Automation ใช้ร่วมกันยังไง?
Score เป็น trigger ของ workflow — เช่น score ≥70 → ส่ง alert ใน Slack ให้ Sales, score 40-69 → enroll เข้า nurture sequence อัตโนมัติ
ถ้าไม่มี CRM ทำได้ไหม?
ทำได้แต่จำกัด — ใช้ Google Sheets + Zapier บันทึก score ได้ แต่จะไม่ scale พอผ่าน 500 lead/เดือน ควรลงทุน CRM โดยเร็ว
สรุป + ขั้นตอนต่อไป
Lead Scoring Framework ที่ดีไม่ใช่สูตรสำเร็จ แต่เป็น “ระบบที่เรียนรู้และปรับตัว” — 3 takeaway สำคัญ:
- เริ่มจาก ICP + Closed-won data — อย่าใส่คะแนนแบบเดา
- Balance Fit (demographic) + Engagement (behavioral) — ขาดอย่างใดอย่างหนึ่ง model จะเอียง
- Review ทุกไตรมาส + Sales-Marketing alignment — model ที่ไม่อัพเดทคือ model ที่ตาย
ขั้นตอนต่อไป — ถ้าคุณยังไม่มี analytics infrastructure ที่ track behavior ได้แม่นยำ เริ่มจากอ่าน MarTech Analytics & Tracking Guide หรือดู Pillar รวมที่ Guides Hub เพื่อต่อ stack ให้ครบ ถ้าอยากเข้าใจว่า lead score ที่ดีมาจาก attribution ที่ถูกต้อง อ่าน Attribution Model B2B Guide 2026 ต่อ — สอง topic นี้เป็นรากฐานของ MarTech ที่ขับเคลื่อนด้วย data จริง
