Lead Grading vs Lead Scoring: Cara Menggunakan Keduanya

Oleh Laurel · Diperbarui 8 September 2026

Seorang rep membuka prospek dengan skor 85 dari 100 dan mengira prospek itu panas. Ternyata ia mahasiswa yang mengisi setiap formulir di situs untuk tugas kuliah. Angkanya tinggi. Prospeknya tidak berharga. Kesenjangan itulah yang hendak ditutup oleh lead grading.

Sebagian besar tim yang kesulitan memprioritaskan prospek bukan kekurangan model scoring. Mereka kekurangan separuh persamaan yang lain. Scoring memberi tahu seberapa terlibat seseorang. Ia tidak mengatakan apa pun tentang apakah orang itu, atau perusahaannya, bisa menjadi pelanggan sungguhan. Grading menjawab pertanyaan kedua itu. Jika dilewati, daftar prospek "terpanas" Anda akan terus bercampur antara mahasiswa, kompetitor, dan pencari kerja dengan pembeli sungguhan.

Panduan ini membahas apa itu lead grading, cara membangun model A-D dari data closed-won Anda sendiri, bukan opini, bagaimana kriteria negatif menjaga prospek yang tidak cocok keluar dari pipeline Anda, dan bagaimana grade dan skor digabungkan menjadi satu keputusan prioritas. Jika Anda belum membaca artikel pendamping kami tentang sistem penilaian prospek, mulailah dari sana untuk sisi keterlibatan dari persamaan ini. Artikel ini membahas sisi kecocokan, dan keduanya dimaksudkan untuk dibaca bersama.

Fakta Penting: Lead Grading

• Sales rep hanya menghabiskan 40% waktunya untuk benar-benar menjual, sisanya hilang untuk pekerjaan administrasi, entri data, dan mengejar calon pelanggan yang sejak awal memang tidak cocok, menurut laporan State of Sales Salesforce (Seventh Edition). Sumber
• Hanya 27% prospek B2B siap dibeli oleh sales saat pertama kali berinteraksi dengan perusahaan; 73% lainnya belum siap untuk percakapan penjualan, menurut MarketingSherpa 2012 B2B Benchmark Report. Sumber
• Rep menyia-nyiakan sekitar 27% potensi waktu menjualnya untuk mengejar data kontak yang buruk atau tidak lengkap alih-alih menggarap peluang nyata, menurut riset ZoomInfo/Validity. Sumber
• Hanya 44% perusahaan B2B yang menggunakan sistem lead scoring atau grading formal untuk memisahkan calon pelanggan yang cocok dari yang tidak, menurut riset Landbase 2025. Sumber

Apa itu lead grading?

Lead grading adalah praktik memberi nilai huruf, biasanya A sampai D, pada sebuah prospek berdasarkan seberapa dekat ia cocok dengan profil pelanggan ideal Anda. Ia menjawab satu pertanyaan: jika orang atau perusahaan ini siap membeli hari ini, apakah kita benar-benar menginginkan mereka sebagai pelanggan?

Itu pertanyaan yang sama sekali berbeda dari "seberapa tertarik mereka saat ini", yang diukur oleh lead scoring. Grading melihat data firmografis (ukuran perusahaan, pendapatan, industri), data demografis (jabatan, senioritas, departemen), data teknografis (alat yang sudah mereka gunakan), dan kecocokan geografis (apakah Anda benar-benar melayani wilayah mereka). Tak satu pun dari itu berubah karena seseorang membuka tiga email minggu ini. Perusahaan fintech berisi 200 orang tetaplah perusahaan fintech berisi 200 orang, entah VP of Sales-nya sedang aktif membuka halaman harga Anda atau sudah enam bulan tidak melihat situs Anda.

Scoring, sebaliknya, dibangun sepenuhnya dari perilaku: kunjungan halaman, unduhan, klik email, permintaan demo. Ia terus bergerak dan biasanya meluruh seiring waktu. Grading lebih mirip pemeriksaan kredit daripada mood ring. Ia bergerak lambat, berdasarkan siapa seseorang, bukan apa yang mereka lakukan minggu ini, dan jarang perlu dihitung ulang kecuali perusahaannya sendiri berubah: putaran pendanaan baru, akuisisi, pivot ke pasar baru.

Lead grading vs lead scoring: perbedaan intinya

Kebingungan antara kedua istilah ini dapat dimengerti. Keduanya menghasilkan angka atau huruf yang melekat pada catatan prospek, keduanya masuk ke keputusan perutean, dan keduanya dicampur di bawah "kualifikasi prospek" dalam percakapan santai. Namun keduanya mengukur hal yang ortogonal, dan menggabungkannya menjadi satu angka adalah tempat sebagian besar sistem kualifikasi salah langkah.

Perhatikan bahwa tak satu pun kolom adalah "skor kualifikasi". Keduanya adalah masukan bagi kualifikasi, dan kualifikasi baru akurat setelah Anda melihat keduanya bersama, poin yang akan kita bahas lagi pada matriks prioritas di bawah. Jika Anda masih menimbang di mana posisi grading dan scoring terhadap kerangka kualifikasi prospek yang lebih luas, anggaplah grading dan scoring sebagai dua masukan mentah yang menjadi dasar kerangka-kerangka itu (seperti definisi MQL/SQL).

Model grading A-D

Sebagian besar tim B2B yang menilai prospek memakai skala huruf empat tingkat, A sampai D, karena cukup sederhana agar sales memercayainya sekilas dan cukup rinci untuk berguna dalam perutean.

Prospek Grade A adalah kecocokan ICP yang sempurna. Ukuran perusahaan yang tepat, industri yang tepat, jabatan yang tepat, wilayah yang tepat, idealnya dengan sinyal teknografis atau pertumbuhan di atasnya. Ini akun yang akan dipilih lebih dulu oleh rep terbaik Anda jika mereka boleh memilih teritori sendiri.

Prospek Grade B adalah kecocokan kuat dengan satu atau dua celah. Mungkin perusahaannya sedikit lebih kecil dari titik ideal Anda, atau kontaknya seorang Director, bukan VP. Tetap layak dikejar, hanya dengan sedikit lebih banyak kerja kualifikasi di awal.

Prospek Grade C memiliki kecocokan parsial dengan celah yang nyata. Mereka mungkin berada di industri yang berdekatan, atau memegang jabatan yang berperan sebagai pemengaruh, bukan pengambil keputusan. Biasanya mereka lebih cocok ditangani lewat nurture yang dipimpin marketing daripada panggilan sales langsung, dan kandidat yang baik untuk dipertajam melalui kerja buyer persona.

Prospek Grade D adalah kecocokan yang buruk, atau langsung memicu disqualifier. Wilayah yang salah, alamat email pribadi, domain milik kompetitor, perusahaan yang jauh di luar rentang ukuran yang dapat Anda layani. Grade D tidak berarti "abaikan selamanya". Artinya, jangan biarkan waktu sales mendekati mereka sampai ada sesuatu yang material berubah pada akunnya.

Ambang poin persis untuk menarik garis antara A, B, C, dan D harus berasal dari data Anda sendiri, bukan template. Berikut cara membangunnya.

Membangun kriteria grading dari data closed-won, bukan opini

Kesalahan terbesar dalam lead grading adalah merancang model berdasarkan apa yang diasumsikan penting oleh sales, bukan apa yang sebenarnya ditunjukkan data. Rep memiliki opini yang kuat dan diyakini penuh tentang seperti apa "prospek bagus", dan opini itu sering kali salah, atau setidaknya tidak lengkap.

Mulailah dengan menarik setiap kesepakatan closed-won dari 12 hingga 24 bulan terakhir. Untuk masing-masing, catat atribut firmografis dan demografis pada saat prospek pertama kali masuk pipeline Anda: ukuran perusahaan, industri, jabatan, wilayah, tech stack, tahap pendanaan. Lalu tarik atribut yang sama untuk sampel prospek closed-lost dan yang didiskualifikasi, dan cari selisih antara kedua kelompok.

Ajukan pertanyaan spesifik. Berapa persen kesepakatan yang menang berasal dari perusahaan dengan rentang jumlah karyawan tertentu, dibandingkan dengan seluruh kumpulan prospek Anda? Jika 70% pendapatan Anda datang dari perusahaan dengan 100 hingga 1.000 karyawan tetapi rentang itu hanya 25% dari total prospek Anda, ukuran perusahaan adalah prediktor yang kuat dan harus diberi bobot nyata. Jika industri hampir tidak menunjukkan perbedaan antara kesepakatan menang dan kalah, jangan buang poin untuknya hanya karena terasa penting secara intuitif.

Ini disiplin yang sama di balik pembangunan profil pelanggan ideal yang dapat dipertanggungjawabkan: biarkan pola dalam basis pelanggan Anda yang sebenarnya menentukan kriteria, lalu terjemahkan pola itu menjadi poin.

Contoh kriteria grading dan bobotnya

Setelah diberi bobot, petakan total poin yang dihasilkan ke skala huruf Anda, cukup sederhana agar rep dapat melihat sebuah catatan dan memahami mengapa ia berada di posisi itu.

Pemetaan poin ke grade

Kriteria grading negatif: disqualifier Anda

Atribut positif memberi tahu siapa yang harus dikejar. Atribut negatif, kadang disebut disqualifier, memberi tahu siapa yang harus berhenti dikejar, seaktif apa pun mereka tampak. Ini bagian grading yang paling sering dilewati model buatan sendiri, dan biasanya menjadi alasan prospek "berskor tinggi" ternyata jalan buntu.

Disqualifier yang umum mencakup domain email kompetitor, alamat email pribadi atau gratis pada formulir yang seharusnya hanya dipakai pembeli bisnis, ukuran perusahaan yang jauh di luar rentang layanan Anda, wilayah geografis yang tidak Anda layani, dan jabatan yang menandakan tidak adanya kewenangan membeli (mahasiswa, pencari kerja, perekrut yang menjelajahi halaman karier). Masing-masing harus mengurangi poin cukup banyak untuk menjamin hasil Grade D, atau langsung mengatur grade menjadi D apa pun isi catatan lainnya. Jangan biarkan skor positif yang kuat mengimbangi disqualifier yang tegas. Jika seseorang adalah kompetitor, sebanyak apa pun kunjungan ke halaman harga tidak mengubah itu.

Kriteria negatif juga melindungi kredibilitas model Anda di mata sales. Rep berhenti memercayai sistem grading saat pertama kali ia menyerahkan prospek yang jelas-jelas salah, dan lapisan disqualifier yang bersih menyingkirkan kesalahan memalukan itu sebelum manusia mana pun melihatnya.

Menggabungkan grade dan skor: matriks prioritas

Di sinilah grading membuktikan nilainya. Sendirian, grade memberi tahu siapa yang layak dikejar pada akhirnya. Sendirian, skor memberi tahu siapa yang aktif sekarang. Tak satu pun, dengan sendirinya, memberi tahu apa yang harus dilakukan hari ini. Letakkan keduanya pada dua sumbu dan Anda mendapat matriks yang menjawabnya.

Petakan grade (A sampai D) pada satu sumbu dan tingkat keterlibatan pada sumbu lainnya, bergerak dari panas (aktif terlibat sekarang) ke dingin (tanpa aktivitas terbaru). Setiap prospek jatuh tepat di satu sel, dan sel itu harus dipetakan ke tindakan spesifik.

Dua sel dalam matriks ini lebih penting daripada yang lain, karena di sanalah sebagian besar sistem buatan sendiri gagal.

Kecocokan tinggi, keterlibatan rendah (kanan atas baris A dan B) adalah zona nurture Anda. Ini akun yang benar-benar Anda inginkan sebagai pelanggan, tetapi belum menunjukkan sinyal membeli yang aktif. Sering kali mereka baru berada di awal perjalanan pembeli, meneliti masalah yang belum mereka putuskan untuk diselesaikan. Jangan serahkan mereka ke sales untuk cold call; itu menghabiskan niat baik pada akun yang akan Anda butuhkan nanti. Rutekan ke jalur nurture siklus lebih panjang dan tinjau kembali seiring keterlibatan tumbuh melalui program nurturing prospek Anda.

Kecocokan rendah, keterlibatan tinggi (kiri atas baris D) adalah jebakan klasik. Ini prospek yang tampak luar biasa dalam skor satu dimensi, karena mereka telah mengisi setiap formulir dan mengklik setiap tautan, tetapi mereka mahasiswa, kompetitor yang sedang riset, atau perusahaan yang tidak dapat Anda layani. Jika proses kualifikasi Anda hanya melihat keterlibatan, prospek ini meluncur langsung ke antrean rep dan menyia-nyiakan waktu menjual yang nyata. Jika hanya melihat kecocokan, Anda mungkin melewatkan bahwa sel ini sesekali memang berisi akun sah yang melampaui asumsi Anda, layak dilirik secara manual sebentar alih-alih langsung di-suppress. Itulah sebabnya "tandai untuk ditinjau" lebih baik daripada "rutekan otomatis" untuk sel ini: pemeriksaan manusia memakan waktu semenit, panggilan sales yang sia-sia memakan jauh lebih banyak.

Perutean dan SLA berdasarkan kombinasi grade-skor

Setelah setiap prospek memiliki posisi dalam matriks, Anda dapat mengubah posisi itu menjadi aturan operasional yang konkret: waktu respons dan pemilik. Di sinilah grading berhenti menjadi latihan analitis dan mulai mengubah apa yang terjadi dalam lima menit pertama setelah prospek masuk, yaitu momen tepat saat waktu respons prospek berdampak terbesar pada konversi.

Masukkan tabel ini langsung ke logika perutean prospek dan workflow manajemen status prospek Anda agar grade dan tingkat keterlibatan prospek secara otomatis menentukan tahap, pemilik, dan jamnya. Di situ pula definisi MQL vs SQL menjadi konkret, bukan debat: MQL, dalam praktiknya, biasanya prospek yang telah melewati ambang minimum grade dan keterlibatan, dan SQL adalah prospek yang divalidasi langsung oleh rep di atas itu.

Grading manual vs berbasis aturan vs prediktif

Sama seperti lead scoring, grading dapat dibangun dengan tiga cara berbeda, dan pilihan yang tepat bergantung pada seberapa banyak data historis yang Anda miliki dan seberapa perlu model itu dapat dijelaskan.

Grading berbasis aturan adalah titik awal yang tepat untuk hampir setiap tim di sini. Ia transparan, cepat dibangun setelah Anda melakukan analisis closed-won di atas, dan rep dapat melihat persis mengapa sebuah prospek berada di posisinya, yang penting untuk adopsi. Grading prediktif layak diinvestasikan begitu Anda memiliki volume yang cukup agar model dapat menemukan pola yang tidak bisa ditemukan spreadsheet, tetapi ia harus ditumpuk di atas fondasi berbasis aturan, bukan menggantikannya sejak hari pertama.

Kalibrasi ulang saat ICP bergeser

Model grading yang dibangun hari ini adalah potret siapa pelanggan terbaik Anda selama satu atau dua tahun terakhir. Potret itu menjadi usang begitu produk, pasar, atau gerakan go-to-market Anda berubah, dan sebagian besar tim tidak menyadarinya sampai sales mulai mengeluh bahwa prospek "grade A" sudah berhenti berkonversi.

Tetapkan tinjauan kuartalan sebagai kadensi default, dan perlakukan hal-hal berikut sebagai pemicu untuk meninjau lebih awal: lini produk baru yang membuka pembeli berbeda, perubahan harga yang menggeser titik ideal ukuran perusahaan Anda, pergeseran gerakan go-to-market (naik ke segmen atas, meluncurkan self-serve), atau dua-tiga kuartal berturut-turut di mana prospek Grade A berkonversi pada tingkat yang jelas lebih rendah.

Proses kalibrasi ulangnya sama dengan analisis closed-won yang Anda jalankan pertama kali, hanya dijalankan ulang pada kohort kesepakatan terbaru. Jika ukuran perusahaan berhenti memprediksi hasil tetapi senioritas jabatan menjadi lebih prediktif, geser poinnya sesuai itu. Jangan takut menggeser ambang grade juga. Jika 90% prospek Anda tiba-tiba mendarat di Grade A karena pasar bergeser ke arah ICP Anda, ambang Anda telah menjadi terlalu longgar untuk berguna dalam prioritas.

Kesalahan lead grading yang umum dan cara menghindarinya

Menilai berdasarkan firasat, bukan data. "Kami tahu prospek bagus saat melihatnya" persis asumsi yang hendak diuji oleh analisis closed-won, dan lebih sering salah daripada yang diduga tim sales. Grade berdasarkan firasat juga tidak dapat diaudit, dijelaskan kepada karyawan baru, atau ditingkatkan secara sistematis.

Tidak pernah meninjau ulang ambang. Model grading bukan proyek sekali jadi. Pasar bergeser, produk berkembang, dan model yang tidak disentuh siapa pun selama delapan belas bulan hampir pasti salah mengklasifikasikan prospek yang setahun lalu akan dinilainya dengan benar.

Membiarkan keterlibatan mengalahkan kecocokan. Ini jebakan kecocokan rendah, keterlibatan tinggi dari matriks prioritas, dan cara paling umum prospek yang tidak cocok menghabiskan waktu sales. Skor tinggi tidak boleh cukup, dengan sendirinya, untuk melewati disqualifier yang tegas.

Menilai berdasarkan data yang tidak Anda kumpulkan dengan andal. Jika formulir Anda hanya menangkap email dan nama perusahaan, jangan bangun model grading yang bergantung pada jabatan dan jumlah karyawan yang akurat untuk separuh bobotnya. Entah berinvestasi pada pengayaan data prospek untuk mengisi celah itu dengan andal, atau bangun model di sekitar atribut yang datanya benar-benar bersih dan konsisten. Model yang dibangun di atas data bolong menghasilkan grade bolong, dan grade bolong lebih buruk daripada tanpa grade karena menciptakan rasa percaya diri yang palsu.

Ke mana selanjutnya

Grading dan scoring adalah dua bagian dari sistem kualifikasi yang sama, bukan metode yang bersaing. Setelah keduanya berjalan, sisa tumpukan lead management Anda menjadi lebih tajam: keputusan perutean tidak lagi bergantung pada satu angka yang ambigu, jenis-jenis prospek menjadi lebih mudah didefinisikan dengan kecocokan dan intensi sebagai variabel terpisah, dan bahkan gerakan product-led pun diuntungkan, karena product qualified lead tetap memerlukan pemeriksaan kecocokan sebelum diserahkan ke rep, bukan hanya data penggunaan.

Mulailah dengan analisis closed-won, bangun grade sederhana berbasis aturan, lapiskan terhadap skor keterlibatan yang sudah ada, dan rutekan dari matriks, bukan dari satu angka gabungan. Model ini tidak akan sempurna pada hari pertama. Ia hanya perlu lebih baik daripada firasat seorang rep, dan grade A-D yang dibangun dari data hampir selalu begitu.