규칙 기반 점수표가 금방 낡는 이유
많은 B2B 기업이 처음에는 "자료 다운로드 10점, 가격 페이지 방문 5점, 대표 메일 도메인 −5점"처럼 규칙 기반 점수표로 리드를 분류합니다. 시작하기는 쉽지만 문제도 금방 드러납니다. 가중치는 마케팅 담당자의 감으로 정해지고, 상품 구성이나 유입 채널이 바뀌어도 점수표는 그대로 남습니다. 점수가 높은 리드가 실제로는 계약으로 이어지지 않는 일이 몇 번 반복되면 영업팀은 점수를 보지 않게 되고, 결국 모든 문의에 똑같이 대응하게 됩니다.
B2B는 첫 문의부터 계약까지 수개월이 걸리는 경우가 많아 "좋은 리드"를 판단하기도 어렵습니다. 그래서 머신러닝을 도입할 때는 모델을 고르기보다 무엇을 맞힐 것인지(라벨)를 먼저 정해야 합니다.
학습 데이터 준비: 무엇을 '전환'으로 볼 것인가
목표 이벤트 선택
계약을 라벨로 삼으면 가장 정확하지만, 연간 전환 건수가 적고 결과가 나오기까지 오래 걸립니다. 실무에서는 영업 미팅 성사나 견적 요청처럼 계약에 가까우면서 건수가 충분한 중간 이벤트를 먼저 목표로 삼고, 데이터가 쌓이면 계약 기준 모델로 옮겨 가는 방식을 많이 씁니다. 라벨은 "문의 후 90일 이내 미팅 성사"처럼 기간까지 정해 두어야 합니다.
변수 결합과 누수 제거
모델 선택과 해석 가능성
로지스틱 회귀는 데이터가 적어도 안정적이고, 변수별 영향 방향을 그대로 읽을 수 있습니다. 그래디언트 부스팅(LightGBM, XGBoost 등)은 변수 간 상호작용을 잘 잡아내 데이터가 수천 건 이상이면 대체로 성능이 더 높습니다. 두 모델을 같은 시간 분할 데이터로 비교한 뒤, 차이가 크지 않다면 설명하기 쉬운 쪽을 고르는 것이 현장 정착에 유리합니다.
어느 모델을 쓰든 영업 담당자에게는 점수와 함께 근거를 보여 줘야 합니다. SHAP 값을 바탕으로 "제조업·직원 300명 이상, 최근 7일 내 가격 페이지 3회 방문, 문의에 도입 일정 명시"처럼 상위 요인 3개를 문장으로 표시하면 점수를 믿고 쓰는 비율이 눈에 띄게 높아집니다.
점수를 영업 프로세스에 넣는 방법
등급별 SLA와 배정 규칙
점수는 그대로 쓰기보다 등급으로 나누는 편이 운영하기 쉽습니다. 예를 들어 상위 20%는 A등급으로 근무시간 기준 1시간 안에 시니어 담당자가 연락하고, B등급은 1영업일 안에 응대하며, C등급은 뉴스레터·사례 자료 중심의 육성(Nurturing) 트랙으로 보냅니다.
CRM 연동과 재채점
CRM에 `lead_score`, `lead_grade`, `score_reasons`, `scored_at` 필드를 추가하고, 매일 새벽 배치로 전체 활성 리드를 다시 채점합니다. 방문 이력이 쌓이면서 C등급이 A등급으로 올라가는 경우 담당자에게 알림을 보내도록 하면, 재방문 신호를 놓치는 일이 줄어듭니다.
성과 검증과 재학습
핵심 지표는 상위 등급 전환율 리프트입니다. 연간 문의 600건에 전체 미팅 전환율이 5%(30건)라고 가정해 보겠습니다. A등급 120건에서 18건이 전환됐다면 A등급 전환율은 15%로 평균의 3배입니다. 다만 영업이 A등급에 더 공을 들인 효과가 섞일 수 있으므로, 일정 기간 일부 리드를 점수와 무관하게 배정하는 A/B 배정으로 순수 효과를 따로 확인하는 것이 좋습니다.
시장이나 상품이 바뀌면 모델 성능도 떨어집니다. 분기마다 등급별 전환율과 주요 변수 분포를 점검하고, 신상품 출시나 가격 개편 직후에는 일정과 관계없이 재학습 여부를 검토합니다.
소규모 데이터 기업의 현실적 시작점
문의 이력이 수백 건뿐이라도 시작할 수 있습니다. 전환 사례가 60건 정도라면 변수를 6개 안팎으로 줄인 로지스틱 회귀가 현실적이며, 기존 규칙 기반 점수와 나란히 운영하면서 어느 쪽이 실제 전환을 더 잘 가려내는지 비교하면 됩니다.
POLYGLOTSOFT는 CRM 데이터 진단과 라벨 정의부터 모델 개발, CRM 필드 연동, 재채점 배치와 성과 대시보드 구축까지 리드 스코어링 전 과정을 지원합니다. 영업팀이 실제로 믿고 쓰는 점수 체계가 필요하시면 지금 문의해 주십시오.