Ещё несколько лет назад воронка B2B-маркетинга работала по одной и той же схеме. Реклама и контент приводили посетителя на сайт, он заполнял форму, система присваивала ему статус Marketing Qualified Lead, и отдел продаж брал этот контакт в работу. MQL был универсальной единицей измерения. По количеству таких лидов маркетинг отчитывался перед руководством, а отдел продаж понимал, с кем связываться дальше.
Клиент изучает продукт самостоятельно на протяжении нескольких месяцев, привлекает к решению коллег и обращается к вендору, когда уже готов к разговору, а не когда впервые заполняет форму на сайте. При этом формальный показатель конверсии MQL в закрытую сделку остаётся крайне низким, а данные о том, кто из закупочного комитета клиента стоит за каждой сделкой, часто просто отсутствуют в CRM.
Об этом за последний год написали сразу несколько независимых разборов: Джефф Педовитц в блоге Pedowitz Group прямо назвал MQL мёртвой метрикой, RevSure.AI разобрал, что приходит взамен на уровне технологий и данных, MarTech Surf показал масштаб разрыва между количеством лидов и реальной выручкой на конкретном примере, G2 Learn Hub связал происходящее с изменением поведения покупателей из-за ИИ-поиска, а Marketing Brew описал, что делают команды, которые уже перестроились.
В статье разберём, почему MQL больше не отражает происходящее в продажах, что приходит ему на смену, в чём эксперты расходятся во мнениях о том, как быстро и насколько идеально нужно перестраивать аналитику, и как в новой модели распределяются задачи между человеком и искусственным интеллектом.
Почему MQL перестал быть рабочей метрикой
CMO компании с оборотом больше 5 миллиардов долларов недавно рассказал основателю RevSure, что выполнил план по pipeline на 107%. Радоваться он не спешил, потому что план считался по MQL, а эта метрика годами измеряла активность, которая почти никак не коррелировала с закрытыми сделками.
Цифры подтверждают эту картину в масштабе рынка. По данным Forrester, менее 1% лидов категории MQL в итоге закрывается сделками. В одном из разобранных случаев маркетинг сгенерировал 400 MQL за месяц, отдел продаж принял в работу 180 из них, а до закрытой сделки дошли только 22. Никто в компании не мог точно сказать, куда пропали остальные 200.
Проблема глубже, чем просто низкая конверсия. B2B-закупку сегодня совершает не один человек, а комитет из 8–15 сотрудников клиента. MQL оценивает действие одного контакта, например, заполнение формы или скачивание документа, и делает вывод о готовности всей группы принять решение, хотя закупка устроена иначе.
Внутри самих CRM-систем ситуация не лучше. До половины сделок там вообще не имеют привязанных контактов. Отдел продаж закрывает или теряет сделку, а система не фиксирует, кто из закупочного комитета в ней участвовал. Любая модель, построенная на такой базе, изначально работает с пропущенными данными.
Наконец, поменялось поведение покупателя. Клиенты изучают продукт самостоятельно на протяжении 3–12 месяцев, читают LinkedIn, Reddit и ИИ-чаты, и обращаются к вендору, когда уже готовы к разговору. Более половины поисковых запросов теперь не приводят к переходу на сайт вообще. Пользователь получает ответ прямо в ИИ-выдаче. Формы захвата контактов, на которых строилась вся модель MQL, в такой ситуации теряют смысл.
Что приходит на смену: сигнальная модель
Взамен лидоцентричной модели GTM-команды переходят на то, что источники называют сигнальной моделью. Она оценивает весь аккаунт клиента по совокупности сигналов готовности купить, а не отдельный контакт по факту заполнения формы.
Главной метрикой становится вклад маркетинга в pipeline в деньгах, а не количество лидов. Считается созданный маркетингом pipeline (sourced), поддержанный маркетингом pipeline (influenced), скорость закрытия сделок и win rate по каждому каналу отдельно.
Вместо форм компании отслеживают внешние сигналы активности аккаунта. Самые надёжные сигналы не самые очевидные. Это сокращения штата, резкие изменения в технологическом стеке компании-клиента, вакансии, указывающие на операционные проблемы. К ним добавляются раунды финансирования, кадровые перестановки среди тех, кто принимает решения, и активность на сторонних платформах, например, сравнение конкурентов на G2.
Источники подчёркивают, что сигнал о намерении не равен готовой сделке. Сигнал показывает, что компания изучает проблему в своей категории, но не гарантирует, что она ищет решение именно у вас, что у неё выделен бюджет и что ваш продукт ей подходит. Сигнал работает только в связке с внутренним контекстом аккаунта, который уже есть у компании.
ИИ-скоринг склонности к покупке заменяет статичный подсчёт кликов прогнозом. Модель анализирует историю конверсий, скорость и регулярность взаимодействия сразу нескольких сотрудников внутри одного аккаунта и определяет вероятность того, что сделка закроется в текущем квартале.
Продажи, маркетинг и клиентский сервис объединяются в структуру RevOps вокруг общей модели данных и общего определения того, что считается квалифицированным аккаунтом. Меняются и каналы. Эффективность платного поиска падает, а LinkedIn становится основным источником B2B pipeline, вместе с персонализированным email-маркетингом, подкастами и профессиональными комьюнити.
Где эксперты расходятся
Материалы описывают одну и ту же смену модели, но два конкретных вопроса решают по-разному.
Первый — сколько точности нужно в атрибуции. RevSure настаивает на сквозной атрибуции на уровне аккаунта через специализированную платформу данных и приводит кейс, где данные маркетинга и CRM были сверены с точностью до 1%, что позволило полностью защитить маркетинговый бюджет перед финансовым директором. Джефф Педовитц из Pedowitz Group придерживается другой позиции. Он называет сквозную мультитач-атрибуцию «клубком проблем» из-за изолированных систем, грязных данных и офлайн-разговоров, которые в принципе невозможно отследить. Он советует не гнаться за идеальной моделью, потому что направленный сигнал, на основе которого команда уже начинает действовать, ценнее математически безупречной модели, которую никогда не удастся построить.
Второй — насколько легко внедрить ИИ-скоринг. RevSure подаёт propensity-модели как готовую технологию, которая разворачивается за недели и сразу выдаёт точные прогнозы конверсии аккаунтов. Педовитц возражает правилом «мусор на входе — мусор на выходе». Любая ИИ-модель бесполезна, если обучается на грязных данных CRM. За 30 лет практики он почти не встречал маркетинговых организаций, которые закладывали бы бюджет на настоящую очистку данных. Компании охотно покупают новые инструменты, но не приводят в порядок то, что у них уже есть.
Оба спора сводятся к одному. Сигнальная модель работает ровно настолько, насколько чисты и полны данные, на которых она построена.
Новая роль человека и искусственного интеллекта
Внутри сигнальной модели труд между человеком и ИИ распределяется по критерию сложности сделки, а не по принципу полной замены одного другим.
ИИ-агенты, которых источники называют AI SDR, берут на себя масштабируемую рутину: холодный охват, первичную квалификацию входящих обращений, реактивацию неактивных аккаунтов. Это эффективно в сегментах SMB и Mid-Market, где важны скорость и покрытие большого числа аккаунтов.
Для сделок Enterprise с высоким чеком роль ИИ ограничивается тем, что он «разогревает» pipeline и передаёт контакт человеку. Переговоры о цене, вопросы соответствия требованиям и координация решений внутри многостороннего закупочного комитета остаются задачей человека. Цифровые сигналы не заменяют личное доверие, на котором строится закрытие крупной сделки.
Отдельная роль остаётся за редакционным суждением. Когда производство базового контента автоматизировано, узким местом становится качество брифов и способность формулировать позиционирование, которое ИИ не сможет придумать сам. Задача человека здесь смещается от объёма производства к строгому отбору, то есть к готовности отсекать шаблонный ИИ-контент, даже если это замедляет выпуск.
Как перейти со скоринга MQL на сигнальную модель
Смена модели означает не переключение одной метрики в отчёте, а перестройку данных, процессов продаж и договорённостей между отделами. Ниже — практический разбор того, что проверить перед стартом, что изменить и от чего отказаться.
Что проверить перед стартом
Прежде чем внедрять новые инструменты, нужно понять, в каком состоянии сейчас находится инфраструктура компании.
Проверьте чистоту данных в CRM. Это самый критичный шаг. Если обучать модель скоринга на данных, где вперемешку лежат клиенты и годами накопленный мусор из отказов и брошенных заявок, прогноз будет ошибочным независимо от того, насколько хороша сама модель.
Проверьте, привязаны ли контакты к сделкам. До половины сделок в CRM у большинства компаний вообще не содержат информации о том, кто из закупочного комитета клиента в них участвовал. Без этих данных оценивать активность аккаунта целиком просто нечем.
Сопоставьте прошлые MQL с закрытыми сделками. Поднимите источники MQL за прошлый квартал и сверьте их с закрытыми сделками. Так видно, какие каналы приносят деньги, а какие только создают объём в отчётах. При среднем показателе конверсии MQL ниже 1%, разница обычно оказывается заметной.
Оцените готовность отдела продаж работать по аккаунтам. Маркетинг может построить точную модель скоринга, но если продавцы продолжают вести переговоры с отдельными контактами по привычке, а не с закупочным комитетом целиком, новая модель не приживётся.
Что изменить в процессах и метриках
Замените количество лидов на вклад в pipeline. Основными метриками становятся созданный и поддержанный маркетингом pipeline в деньгах, скорость закрытия сделок и win rate по каждому каналу отдельно.
Объедините маркетинг, продажи и клиентский сервис в единую структуру вокруг общих данных. Обе команды должны смотреть в одну CRM, работать с одними и теми же сделками и одинаково понимать, что считается квалифицированным аккаунтом.
Организуйте совместные ревью pipeline. Регулярные встречи, на которых маркетинг и продажи разбирают конкретные сделки, а не абстрактные цифры в дашборде, помогают увидеть проблему раньше, чем сделка застынет на месте.
От чего отказаться
Откажитесь от MQL как основной единицы планирования. Уберите цели по количеству лидов из квартальных и годовых планов маркетинга.
Уберите формы захвата контактов там, где они больше не работают. Клиент, который изучает продукт самостоятельно через LinkedIn и ИИ-чаты месяцами, не обязан заполнять форму, чтобы получить базовую информацию.
Закрывайте кампании, которые создают только объём. Вебинары и активности, дающие много дешёвых лидов с нулевой конверсией в сделки, стоит остановить. Они лишь пополняют базу нецелевыми контактами.
Перестаньте гнаться за идеальной атрибуцией. В грязных и разрозненных данных её всё равно не построить. Сигнал, на основе которого команда уже действует, приносит больше пользы, чем эта погоня.
На что обратить особое внимание
Сигнал о намерении не равен готовой сделке. Он показывает интерес к теме, а не бюджет или конкретный запрос на ваш продукт.
Разделите задачи между ИИ и человеком осознанно. Автоматизация подходит для масштабируемой рутины и сегментов с невысоким чеком, а сложные переговоры и работа с крупными клиентами остаются задачей человека.
Data Lake критически важен для выживания бизнеса
CRM сегодня стоит почти у каждой B2B-компании. Система фиксирует лиды, строит дашборды и показывает выполнение KPI по количеству обращений. Проблема начинается тогда, когда эти цифры нужно перевести в деньги. Из 100 лидов до продажи в среднем доходит меньше 10, а MQL как метрика показывает конверсию ниже 1%.
Разница между количеством лидов и количеством продаж не исчезает. Она копится в базе. Нецелевые обращения, брошенные заявки, отказы и дисквалифицированные контакты остаются в CRM и со временем становятся частью общего массива данных о клиентах. Педовитц описывает этот эффект правилом «мусор на входе — мусор на выходе». Любая модель, обученная на таких данных, неизбежно выдаёт искажённый результат.
Этот мусор не просто занимает место в базе. Он попадает в рекламные алгоритмы, сегменты для рассылок и модели скоринга, размывая портрет целевого клиента. Система начинает ориентироваться не на тех, кто похож на купивших клиентов, а на смесь из них и всех, кто хоть раз оставил контакт и не дошёл до сделки.
ПраймГейт устроен как Data Lake. Платформа собирает в одном месте данные обо всех точках касания клиента: из CRM, сайта, рекламы, обращений в поддержку. Но объединение данных решает только половину задачи. Вторая половина — фильтрация. Платформа позволяет выделять отказы, дисквалификации и создавать собственные сегменты по набору параметров, отделяя реальных клиентов от накопленного "мусорв".
Это даёт более глубокую оценку обращения, чем формальная метрика MQL. Отдел продаж не тратит время на лид, который по всем накопленным признакам похож на предыдущие отказы, а компания видит портрет целевого клиента, не искажённый годами случайных обращений.
Что же делать бизнесу?
MQL перестал работать, потому что изменилась природа самой B2B-закупки. Решение принимает комитет из нескольких сотрудников, а не один контакт, заполнивший форму. Модель, которая смотрит на аккаунт целиком, включая pipeline в деньгах, сигналы активности и скорость закрытия сделок, точнее показывает, что происходит в закупке.
RevSure и Педовитц спорят о том, насколько точной должна быть атрибуция и как быстро внедрять ИИ-скоринг. Но оба сходятся в том, что результат зависит от качества данных на входе.
