Make.comでMQLスコアリングのワークフローを構築するには?

簡単な回答:Make.comでは、CRMとマーケティングツールを接続し、行動シグナル(ページ訪問、メールのクリック、デモのリクエスト)を取り込み、AIロジックのステップで重み付けしたスコアを算出し、MQLのしきい値を超えたコンタクトに自動でタグを付けることで、MQLスコアリングのワークフローを構築できます。ワークフロー全体が手作業なしで動きます。

実際に機能するリードスコアリングモデルを作るには、スプレッドシートで適当なポイントを割り当てるだけでは不十分です。多くのチームは基本的なスコアリングの仕組みを設定しても、やがて実態とずれていき、営業担当者が成約にほど遠いリードを追うことになります。このチュートリアルでは、Make.comで行動ベースのMQLスコアリングのワークフローを構築する方法を紹介します。コンタクトをリアルタイムでスコアリングし、AIロジックでシグナルを適切に重み付けし、条件を満たしたリードを自動的にCRMへ振り分けます。

最後まで進めば、リードを一件も手作業で扱うことなく、MQLのタグ付けとスコアリングを行うMake.comのシナリオが完成します。

MQLスコアリングのワークフローとは?

MQLスコアリングのワークフローとは、コンタクトの行動とファーモグラフィック(企業属性)の適合度に基づいて数値スコアを付け、あらかじめ定めたしきい値を超えた時点でMarketing Qualified Leadに分類する自動化プロセスです。

このワークフローは、メールのエンゲージメント、ページ訪問、コンテンツのダウンロード、デモのリクエストなどのシグナルを監視します。各シグナルには重み付けされたスコアがあります。コンタクトの累積スコアがMQLのしきい値を超えると、システムがタグを付け、CRMを更新し、必要に応じて営業チームに通知します。

Make.comがこの用途に適しているのは、ほぼあらゆるマーケティングツールやCRMと連携でき、条件分岐を標準でサポートし、スコアリングのステップにAIモジュールを組み込んで、固定ポイント方式では拾えない細やかな重み付けができるからです。チャネル全体の統合運用やキャンペーン実行の支援とあわせて比較検討したい場合は、SaaS HackersがまとめたB2B SaaS向けベストデジタルマーケティングエージェンシーの一覧もご覧ください。

固定式リードスコアリングが機能しなくなる理由

固定式のリードスコアリングでは、アクションごとに決まったポイントを割り当てます。たとえば、メールの開封は10ポイント、料金ページの閲覧は20ポイント、ガイドのダウンロードは5ポイントといった具合です。問題は、コンタクトのプロフィールが違えば、すべてのシグナルが同じ重みを持つわけではないことです。

1週間のうちに料金ページを2回訪れたコンタクトは、ニュースレターを3通開封したコンタクトよりも強いシグナルを示しています。従業員500人のSaaS企業のコンタクトが料金ページを見ることと、フリーランサーが同じ行動をとることでは、意味合いが異なります。

Make.comのAIロジックを使えば、文脈データをスコアリング用のプロンプトに渡し、シグナルの組み合わせ、直近性、ファーモグラフィックの適合度を同時に考慮した重み付きスコアを得られます。これが、この手法と単純なポイント集計方式との大きな違いです。リードスコアリングとターゲットアカウントの選定を組み合わせたいチームは、このようなワークフローをB2B SaaS向けABMエージェンシーの支援と併用することも多くあります。

始める前に必要なもの

ワークフローを構築する前に、次のものを準備してください。

• Make.comのアカウント(複数ステップのシナリオにはCoreプラン以上)
• Make.comに接続したCRM(HubSpot、Attio、Salesforce、Pipedriveのいずれも利用可能)
• 行動シグナルが届くイベントソース(CRM、フォームツール、またはWebサイトからのWebhook)
• OpenAIのAPIキー(AIスコアリングのステップ用)
• 営業チームと合意したMQLのしきい値(例:100点満点中70点)
• スコアリング対象のシグナル一覧とおおまかな重み(AIロジックで調整していきます)

MQLのしきい値について営業と合意できていない場合は、まずそこから進めてください。しきい値はモデルの中で最も重要な変数です。Sojourn Solutionsは、MQLのしきい値とはリードがマーケティング適格と判断されて営業に引き渡されるスコアのことであり、これを誤って設定することがスコアリングの仕組みが失敗する最も一般的な原因だと、的確に説明しています。

Make.comでMQLスコアリングのワークフローを構築する方法

ステップ1:トリガーモジュールを設定する

ワークフローには、関連するコンタクトのイベントが発生するたびに起動するトリガーが必要です。

Make.comで新しいシナリオを作成し、トリガーモジュールを追加します。

• HubSpot:「Watch Contacts」または「Watch CRM Events」を使い、プロパティの変更やフォーム送信をトリガーにします
• Webhook:Webサイトからイベントを直接送信する場合は、Makeの「Custom Webhook」モジュールをトリガーとして使います
• Typeform / Tally:それぞれのMake.com用ネイティブモジュールを使い、フォームの送信完了をトリガーにします

デモのリクエスト、料金ページの訪問、メール内リンクのクリック、コンテンツのダウンロード、無料トライアルの登録など、ファネルにとって最も重要なイベントで起動するように設定します。

トリガーのペイロードから次のフィールドをマッピングします。

• コンタクトのメールアドレスまたはID
• イベントの種類(例:「pricing_page_visit」、「demo_request」)
• タイムスタンプ
• 会社名と規模(わかる場合)
• CRMにすでに保存されているスコア

ステップ2:コンタクトの現在のデータを取得する

2つ目のモジュールを追加し、CRMからコンタクトの全レコードを取得します。これにより、次の情報を利用できるようになります。

• 現在のリードスコア(ある場合)
• ファーモグラフィックデータ(企業規模、業種、役職)
• これまでの行動履歴
• 現在のライフサイクルステージ

HubSpotでは、ステップ1で得たメールアドレスまたはコンタクトIDを使って「Get a Contact」モジュールを使います。Attioでは「Get Record」、Pipedriveでは「Get Person」を使います。

このデータが必要なのは、ステップ4のAIステップが、トリガーを起動した単一のイベントだけでなく、全体の文脈を踏まえて判断できるようにするためです。

ステップ3:Data Storeで行動シグナルを集約する

Make.comのData Storeモジュールは、軽量なデータベースとして機能します。スコアリングの前に、コンタクトごとの行動イベントを蓄積するために使います。

次のフィールドでData Storeを設定します。

ワークフローが実行されるたびに、「Search Records」でそのコンタクトの既存エントリーを検索し、「Update a Record」(エントリーがなければ「Add a Record」)で新しいイベントを記録します。

この集約ステップにより、AIスコアリングモジュールは単一のイベントシグナルだけでなく、行動の全体像を受け取れます。コンテンツへのエンゲージメントがMQLを判断する最も強い材料の一つであれば、B2B SaaS向けベストコンテンツマーケティングエージェンシーを参考にして、どのシグナルをより重く評価すべきかのヒントを得るのも有効です。

ステップ4:AIロジックのステップでリードをスコアリングする

ここからが、Make.comのワークフローが固定式スコアリングを超えるところです。OpenAIの「Create a Completion」モジュール(GPT-4oの場合は「Create a Chat Completion」モジュール)を追加します。

モデルにリードスコアリングエンジンとして動作するよう指示するシステムプロンプトを書きます。実際に使えるプロンプトの構成は次のとおりです。

You are a B2B SaaS lead scoring engine. Score the following contact 
out of 100 based on their behaviour and firmographic data.

Scoring criteria:
- Demo request: 35 points
- Pricing page visit (per visit, max 3): 15 points each
- Email link click (per click, max 5): 5 points each
- Content download: 10 points
- Free trial sign-up: 40 points
- Company size 50-500 employees: +10 bonus
- Job title contains "Head", "VP", "Director", or "C-": +10 bonus
- Events older than 30 days: reduce score by 20%

Contact data:
- Event type: {{event_type}}
- Event count: {{event_count}}
- Last event date: {{last_event_date}}
- Company size: {{company_size}}
- Job title: {{job_title}}
- Existing score: {{current_score}}

Return only a JSON object in this format:
{"score": [number], "mql": [true/false], "reason": "[brief explanation]"}

Make.comの変数マッピングパネルを使って、Data Storeの出力にある変数をプロンプトにマッピングします。

大量処理のワークフローではコスト効率を考えてGPT-4o miniを、複雑なスコアリングルールでより細やかな推論が必要な場合はGPT-4oを選びます。

ステップ5:AIのレスポンスを解析する

追加するのは JSON「Parse JSON」 モジュールで、OpenAIのステップの後ろに置きます。参照先は choices[0].message.content AIモジュールの出力です。

これにより、以降のステップで使う3つの値が取り出されます。

• score (数値スコア)
• mql (trueまたはfalse)
• reason (スコアについての平易な英語の説明)

AIがときどき不正な形式のJSONを返す場合は、 Tools「Set Variable」 モジュールを追加し、フォールバック値として次を設定します: {"score": 0, "mql": false, "reason": "parse error"} そして、エラーはそこへ振り分けてから処理を続けます。

ステップ6:MQLと非MQLの分岐用にRouterを追加する

JSONパーサーの後ろにRouterモジュールを追加し、2つのパスを設定します。

パス1:MQL = true

• フィルター条件: mql 等しい true

パス2:MQL = false

• フィルター条件: mql 等しい false

これによりワークフローが分岐し、適格なリードと、まだナーチャリング段階にあるリードとで異なる対応ができます。

ステップ7:CRMを更新してMQLにタグを付ける

MQLのパスでは:

1. CRMに「Update Contact」モジュールを追加します。リードスコアのプロパティには、AI出力の score の値を設定します。
2. ライフサイクルステージを「Marketing Qualified Lead」(またはお使いのCRMでの同等のステージ)に設定します。
3. 「MQL - Auto-scored」というタグまたはラベルを追加します。
4. 必要に応じて、Slackまたはメールの通知モジュールを追加し、担当の営業に知らせます。

非MQLのパスでは:

1. コンタクトのスコアのフィールドを、新しい score の値で更新します。
2. ライフサイクルステージは変更しません。
3. 必要に応じて、スコアが中間のしきい値(例:40〜69点)を超えた場合は、ナーチャリングシーケンスに登録します。

ステップ8:スコア履歴を保存する

両方のパスの後に、最後のData Storeの「Update a Record」ステップを追加し、新しいスコアを集約用のストアに書き戻します。これにより、次にこのコンタクトでワークフローが起動したとき、AIのステップはゼロからではなく、正しい基準スコアから始まります。

MQLのしきい値を正しく設定する方法

MQLのしきい値とは、コンタクトが営業対応可能と分類されるスコアのことです。低すぎると、営業に見込みの低いリードが大量に流れ込みます。高すぎると、パイプラインが枯渇します。

適切な数値を見つけるには、次の手順を使います。

1. CRMから直近3〜6か月の受注案件を抽出します
2. それらのコンタクトが顧客になる前に見せていた行動シグナルを特定します
3. これらのシグナルをスコアリングモデルに通し、どのスコアになっていたかを記録します
4. 受注済みコンタクトの80%を捉えられるスコアを見つけます。ただし、コンバージョンに至らなかったコンタクトが30%を超えて含まれないようにします

B2B SaaSのほとんどのモデルでは、まず65〜75のしきい値から始めます。実際のコンバージョンデータと照らし合わせて、90日ごとに見直してください。スコアリングモデルがインバウンド施策と密接に結びついている場合は、B2B SaaS向けトップインバウンドマーケティングエージェンシーのリストが、他のチームがどのようにリードの選別を設計しているかを知るベンチマークになるでしょう。

Make.comのMQLスコアリングワークフローをテストする

本番稼働の前に、すでに特徴がわかっているコンタクトを使って、テストモードでシナリオを実行します。

• すでに顧客として成約したコンタクトを使います。そのスコアはMQLのしきい値を上回るはずです。
• アクティビティのないコールドなコンタクトを使います。そのスコアは20を下回るはずです。
• シグナルが混在するコンタクト(メールの開封が数回あり、購買意欲の高いアクションはなし)を使います。そのスコアは中間あたりになるはずです。

シナリオの実行ログでAIの出力を確認します。スコアに違和感がある場合は、ステップ4のプロンプトの重み付けを調整して、再度実行してください。

Make.comの実行履歴ではすべてのモジュールの入力と出力を確認できるため、スコアがどこから、なぜ生まれたのかを正確にたどれます。

避けるべきよくある間違い

データ集約のステップを省略すること。単一のイベントだけを切り離してスコアリングすると、精度が大きく下がります。スコアリングの前に、必ずシグナルを集約してください。

しきい値を営業チームとすり合わせないこと。技術的に完璧なスコアリングモデルでも、営業チームがその結果を信頼しなければ機能しません。スコアリングのロジックを共有し、公開前にしきい値について明確な合意を得てください。

スコアの減衰を無視すること。半年前に料金ページを見たコンタクトと、昨日見たコンタクトでは、シグナルの意味が異なります。ステップ4のプロンプトには、30日間の減衰ルールが含まれています。期間は、自社の営業サイクルの長さに合わせて調整してください。

AIプロンプトを作り込みすぎること。プロンプトのルールを増やしても、より良いスコアが得られるとは限りません。まず5〜7種類のシグナルから始め、30日間モデルを運用したうえで、データが示す内容に基づいて複雑さを加えてください。

よくある質問

Make.comのMQLスコアリングワークフローとは?
Make.comのMQLスコアリングワークフローとは、CRMやマーケティングツールから行動シグナルを収集し、スコアリングロジックのステップ(重み付けスコアリングのためのAIモジュールを含む)に通し、定義したスコアのしきい値を超えたコンタクトを自動的にMarketing Qualified Leadとしてタグ付けする自動化シナリオです。手作業によるリードの選別をプロセスから完全になくせます。

Make.comで適切なMQLスコアのしきい値を設定するには?
直近3〜6か月の受注案件を取り出し、それらのコンタクトがコンバージョン前に示した行動シグナルを特定します。そのスコアをモデルでシミュレーションし、少なくとも80%を捉えられるスコアを見つけます。B2B SaaSの多くの企業では、MQLのしきい値は100点満点中65〜75の範囲に収まります。実際のパイプラインのコンバージョンデータと照らし合わせて、90日ごとに見直してください。

Make.comは、HubSpotのネイティブスコアリングのような専用のリードスコアリングツールの代わりになりますか?
シンプルなモデルであれば、Make.comがCRMのネイティブスコアリングの代わりになるわけではありません。ただし、AIによる重み付けスコアリング、複数ツールにまたがるシグナルの集約、ネイティブツールが対応していないカスタムのルーティングロジックが必要な場合には、大きな力を発揮します。スコアリングモデルが複数のプラットフォームからシグナルを取得する必要がある場合や、文脈に応じた重み付けを行いたい場合、Make.comならほとんどのネイティブ実装よりも細かく制御できます。ネイティブのCRMワークフローを拡張したいチーム向けに、SaaS HackersにはB2B SaaS向けHubSpotエージェンシーの一覧もあります。

このMake.comのMQLスコアリングワークフローに対応するCRMは?
HubSpot、Salesforce、Pipedrive、Attio、Zoho CRMには、いずれもコンタクトの取得と更新に対応したMake.comのネイティブモジュールがあります。このガイドのワークフロー構成は、そのどれでも使えます。ステップ2と7のCRM固有のモジュールを差し替えるだけで、AIロジックとルーティングのステップはそのまま使えます。

このワークフローをMake.comで運用するコストは?
主な変動費はOpenAI APIの利用料です。スコアリングにGPT-4o miniを使う場合、入力トークン100万あたり約$0.15です。1か月に1,000件のコンタクトを処理し、プロンプトが1件あたり約300トークンの場合、AIのコストは月$0.05未満です。Make.comのオペレーション費用はプランによって異なり、モジュールを1回実行するごとに1オペレーションとしてカウントされます。