Lead Scoring Otomatis untuk SaaS Indonesia: Panduan Bobot dan Threshold

TL;DR: Lead Scoring otomatis memberi nilai pada lead berdasarkan profil dan perilaku, lalu meneruskan yang paling matang ke sales. Untuk SaaS Indonesia, threshold realistis: 30+ MQL, 60+ SQL. Implementasi awal cukup pakai HubSpot atau gabungan Postgres + Supabase Edge Function. Iterasi bobot wajib tiap 4-8 minggu agar tidak bias.

Awal tahun ini saya membantu sebuah SaaS edukasi memperbaiki konversi demo. Tim sales menerima 200+ lead per bulan, tapi hanya 8 persen close ke deal. Setelah lead scoring dipasang dengan bobot fit dan intent yang dipisah, tiga bulan kemudian close rate naik ke 16 persen. Bukan karena lead lebih bagus, tapi karena sales fokus di lead yang benar.

Kenapa Lead Scoring Manual Tidak Skalabel

Tanpa scoring, prioritas tergantung "feeling" tim sales. Yang terjadi biasanya prospek besar didahulukan walau belum siap, sementara prospek kecil yang siap beli diabaikan. Pada SaaS dengan harga 500rb hingga 5jt per bulan, kesalahan prioritas ini berakibat ke pipeline velocity yang lambat, dekat dengan masalah [funnel velocity](/glosarium/marketing-funnel-velocity) yang banyak dialami SaaS Indonesia.

Lead Scoring otomatis menggantikan feeling dengan data. Setiap aksi lead, mulai dari buka email, kunjungi halaman harga, sampai download case study, otomatis menambah skor. Ketika threshold tercapai, sistem mengirim notifikasi ke sales.

Framework Bobot: Fit + Intent + Negative

Threshold yang saya pakai untuk klien SaaS:

• 60+ poin: SQL, langsung diteruskan ke sales (1x24 jam respons)
• 30-59 poin: MQL, masuk drip campaign lanjutan
• Di bawah 30: nurturing pasif, hanya newsletter mingguan

Studi Kasus: Atmo dan Pipeline Sales

Saat memperbaiki pipeline Atmo (platform LMS), saya menemukan 70 persen lead masuk pakai email institusi pendidikan, tapi hanya 30 persen yang beli. Setelah ditelusuri, sebagian besar lead yang tidak beli punya pola: kunjungi halaman fitur 1 kali, lalu menghilang.

Kami pasang scoring dengan bobot tinggi untuk "kunjungi halaman pricing 2x" dan "request demo dari halaman pricing", bukan dari blog. Hasilnya, SQL yang masuk sales turun dari 60 lead/bulan ke 35 lead/bulan, tapi close rate naik dari 15 ke 28 persen. Pendapatan total naik karena waktu sales tidak terbuang di lead non-serius.

Implementasi Tanpa HubSpot Mahal

Untuk tim kecil yang belum siap bayar HubSpot, kombinasi ini cukup:

1. Database: Supabase atau Postgres untuk simpan lead + event
2. Tracking: Pixel JavaScript ringan, kirim event ke endpoint Supabase
3. Scoring: Supabase Edge Function jalankan formula tiap event masuk
4. Notifikasi: Webhook ke Slack/WhatsApp Business API saat skor tembus 60

Total waktu implementasi 2-3 minggu untuk developer Next.js berpengalaman. Biaya bulanan di bawah 500 ribu rupiah untuk volume 1000-2000 lead. Pendekatan ini sejalan dengan praktik product-led growth modern yang dibahas di riset First Round Capital.

Iterasi Bobot Wajib Tiap 4-8 Minggu

Bobot awal hampir selalu salah. Setelah 30-50 deal close, lihat pola: lead yang akhirnya beli punya skor rata-rata berapa? Apakah ada atribut yang sebenarnya prediktif tapi belum masuk scoring? Misalnya, di salah satu klien saya, ternyata "kunjungi halaman karier" (mau lihat kultur perusahaan) jadi sinyal beli yang kuat untuk lead enterprise. Tidak terduga, tapi datanya jelas.

Iterasi ini yang membedakan scoring yang bekerja vs scoring yang jadi pajangan dashboard. Tanpa update, scoring bias ke pola lama dan kehilangan akurasi.

Pertanyaan Umum

Berapa lama scoring mulai akurat?

Umumnya 2-3 bulan dengan minimal 30-50 deal close untuk validasi pola. Sebelum itu, anggap scoring versi 1.0 sebagai hipotesis kerja.

Apakah cocok untuk SaaS B2C?

Lebih sulit karena profil lead seragam. Untuk B2C, fokuskan pada intent (perilaku) dengan bobot fit minimal. Atau pakai pendekatan RFM segmentation, bukan lead scoring tradisional.

Bagaimana kalau tim sales hanya 1-2 orang?

Tetap berguna. Threshold dinaikkan ke 70+ supaya hanya lead paling siap yang masuk. Sisanya nurtured otomatis lewat marketing automation.

Apa risiko paling umum implementasi pertama?

Bobot terlalu generous, sehingga 80 persen lead jadi SQL. Solusinya: mulai dari threshold tinggi (70+), lalu turunkan kalau pipeline kering.

Apakah perlu integrasi ke CRM?

Ya, sebaiknya. Tanpa integrasi, sales harus cek dashboard terpisah. Webhook ke CRM atau sheet sales yang sudah dipakai mengurangi friksi adopsi.

Penutup Aplikatif

Lead scoring bukan magic. Ia hanya sistematisasi keputusan yang sudah Anda lakukan secara intuitif. Mulai dari 5-7 atribut paling prediktif, threshold tinggi, dan iterasi tiap 6 minggu. Dalam tiga bulan, Anda akan punya scoring yang cukup akurat untuk diandalkan tim sales tanpa intervensi manual.