리드 스코어링 AI 모델

영업 회의에서는 이번 달 들어온 리드 380건 가운데 어느 리드부터 연락할지 정해야 합니다. 우선순위를 정하지 못하면 이름순으로 연락이 진행되고, 가장 유망한 리드가 1주일 뒤에야 연락을 받는 경우가 생깁니다.

리드 스코어링 AI 모델은 이 우선순위 결정을 자동화하는 시스템입니다. 회사, 담당자, 웹사이트 행동, 과거 거래 이력을 종합해 0~100점을 매기고, "지금 전화"부터 "보류"까지 분류합니다. BANT 같은 룰 기반 방식에 비해 LLM이 사내 사례를 학습한 뒤 점수를 보정하는 구조의 정확도가 높다고 평가됩니다.

이 가이드는 리드 스코어링 모델의 도입 효과, 구축에 필요한 데이터와 도구, 도입 전에 정할 사항을 도입 판단에 필요한 범위에서 정리한 자료입니다.

도입 효과가 큰 조직

리드 유입은 많지만 응답률이 떨어지는 조직, 한정된 영업 인원으로 매일 연락 우선순위를 고민하는 조직에 적합합니다. 다음 신호 가운데 2~3개가 겹친다면 도입을 검토할 시점입니다.

월간 인바운드 리드가 100건을 넘어 담당자가 직접 검토하기 어렵습니다.

광고비는 늘었지만 영업 전환율은 그대로입니다.

같은 리드에 영업 담당자 2명이 동시에 연락하는 경우가 종종 있습니다.

리드별 연락 순서의 근거가 담당자의 직감뿐입니다.

시즌별 리드 품질 차이가 크지만 측정한 적이 없습니다.

도입 후 업무 변화

1개월만 운영해도 영업 회의 방식부터 달라집니다. 가장 자주 보고되는 변화는 다음 5가지입니다.

아침 회의는 엑셀을 30분 동안 정렬하는 대신 점수 상위 20건이 자동으로 표시된 화면에서 시작합니다.

연락 우선순위는 담당자의 직감과 인맥 대신 점수와 근거 코멘트(90점인 이유)로 정합니다.

응답률은 평균 12% 수준에서 상위 25% 리드만 보면 30% 이상으로 오르는 사례가 보고됩니다.

신입 적응 속도는 선배를 따라다니며 배우면 6개월, 모델이 추천하는 리드부터 연락하면 2개월 안에 평균 성과에 도달합니다.

예산 의사결정은 "이 채널이 좋아 보인다"는 판단 대신 "이 채널 리드는 평균 65점, 다른 채널은 38점" 같은 수치로 결정합니다.

시스템 전체 흐름

리드가 들어와 점수와 근거를 받고 CRM 카드에 반영되기까지의 전체 흐름입니다. 남색 박스는 LLM이 처리하는 단계, 회색 박스는 사내에 이미 쌓여 있는 자산입니다.

도구 선택 기준

리드 스코어링에서 정확도와 도입 속도는 트레이드오프 관계입니다. 빠른 파일럿과 정밀한 자체 학습 가운데 무엇을 우선하는지에 따라 도구 조합이 달라집니다. 4가지 옵션을 정확도와 도입 속도 기준의 사분면에 배치하면 다음과 같습니다.

HubSpot과 Salesforce의 내장 스코어링은 며칠 안에 가동할 수 있지만 사내 사례 학습 기능이 약합니다. Sonnet 4.6과 RAG를 조합하면 사내 거래 이력과 통화 요약을 컨텍스트로 넣을 수 있어, 한국어 B2B 영역에서 높은 정확도가 보고됩니다. 자체 ML 파이프라인은 데이터가 충분히 쌓인 뒤(연 5,000건 이상 거래)부터 ROI가 나오는 구성입니다.

점수 산출 과정

리드 1건의 0~100점은 4단계를 거쳐 산출됩니다.

1단계: 행동 시그널 추출. 회사 규모와 업종, 직급에 웹사이트 방문 페이지, 체류 시간, 자료 다운로드, 이메일 오픈 정보를 더합니다. 가격 페이지를 2번 봤는지, 도입 사례를 끝까지 읽었는지가 강한 신호입니다.

2단계: 사내 과거 거래 매칭. 비슷한 회사가 과거에 어떻게 전환됐는지 RAG로 조회합니다. "비슷한 규모의 제조업체가 자사 자료를 받은 뒤 평균 32일 안에 미팅으로 전환됐다"는 패턴이 점수 보정에 반영됩니다.

3단계: LLM 종합 평가와 카테고리 분류. Sonnet 4.6 같은 LLM이 앞의 두 정보를 종합해 0~100점을 매기고 Hot, Warm, Nurture 3개 카테고리로 분류합니다. 점수를 단순 합산하지 않고 "가격 페이지를 봤지만 직급이 맞지 않아 -10점" 같은 맥락 추론을 반영합니다.

4단계: 근거 코멘트 자동 생성. 영업 담당자가 점수를 신뢰하려면 근거가 필요합니다. "85점 이유: 가격 페이지 2회, 동종업계 작년 파일럿 프로젝트 4건, 의사결정자 직급 매칭"처럼 2~3줄의 근거를 붙이면 채택률이 2배 이상 올라간다고 알려져 있습니다.

도입 시 주의 사항

가장 흔한 실패는 근거 없이 점수만 제시하는 모델입니다. 직감과 점수가 충돌하면 영업 담당자는 직감을 따르고, 1개월 안에 모델을 쓰지 않게 됩니다. 근거 코멘트는 반드시 포함해야 합니다.

두 번째는 데이터 편향입니다. 과거에 잘 팔린 패턴만 학습하면 신규 시장이나 신규 페르소나는 항상 낮은 점수를 받습니다. 모델 출력에 "신규 영역 가산점" 같은 보정 룰을 두거나, 분기마다 샘플 검증으로 편향을 점검합니다.

세 번째는 점수의 시간 감쇠입니다. 1개월 전의 90점을 현재도 90점으로 볼 수는 없습니다. 점수에 유효기간(예: 7일)을 두고, 행동 데이터가 갱신될 때마다 다시 평가합니다.

마지막은 영업 인센티브와의 충돌입니다. 담당자가 맡은 리드가 늘 50점대에 머문다는 불만이 반복되면 모델에 대한 신뢰가 떨어집니다. 점수 산식과 가중치를 사내에 공개하고, 분기마다 영업 피드백으로 보정하는 운영 사이클을 함께 설계해야 합니다.

성과 지표

리드 스코어링 모델의 효과는 다음 4개 지표로 추적합니다.

점수 상위 25% 응답률이 도입 전 평균의 1.5배 이상이면 모델이 작동하고 있다고 봅니다.

미팅 전환율(80점 이상과 50점 이하 비교)은 3배 이상 차이가 나야 정상 범위입니다.

근거 코멘트 채택률은 담당자가 점수와 근거를 보고 연락하겠다고 답한 비율로 측정하며, 70% 이상이 기준입니다.

월 평균 리드 처리 시간은 1건당 분석 시간을 8분에서 30초로 줄이는 것이 일반적인 목표입니다.

정확도는 처음부터 95%를 기준으로 삼지 않습니다. 70%에서 시작해 분기 단위로 보정하는 방식이 실용적이라고 평가됩니다.

자주 묻는 질문

CRM 데이터가 부족해도 시작할 수 있나요?

가능합니다. 초기 6개월은 외부 시그널(회사 규모, 업종, 웹사이트 행동) 중심으로 점수를 매기고, 사내 거래 데이터가 50건 이상 쌓이면 RAG 보정을 적용하는 단계적 도입이 일반적입니다.

B2C에도 적용할 수 있나요?

적용할 수 있지만 모델 구성이 다릅니다. B2B는 회사나 직급 같은 정적 시그널의 영향이 크고, B2C는 앱 체류, 재방문, 장바구니 같은 행동 시그널이 결정적입니다. B2C는 별도 과제로 기획하는 편이 정확도가 높다고 알려져 있습니다.

도입에 얼마나 걸리나요?

파일럿 프로젝트 2주, 운영 안정화까지 6~10주가 일반적입니다. CRM이 잘 정리된 회사는 이 기간의 절반, 데이터 정제부터 시작하는 회사는 1.5배 정도가 걸립니다.

파일럿 시작 순서

사내에서 직접 시작하는 경우 1단계의 행동 시그널을 먼저 정의하고, 사분면의 1사분면 도구로 파일럿을 진행하는 순서가 가장 빠릅니다.