Hoe bouw je een MQL-scoringworkflow in Make.com?

Kort antwoord: Je bouwt een MQL-scoringworkflow in Make.com door je CRM en marketingtools te koppelen, gedragssignalen (paginabezoeken, e-mailklikken, demoaanvragen) op te halen, die door een AI-logicastap te halen om een gewogen score te berekenen en contacten automatisch te taggen zodra ze hun MQL-drempel overschrijden. De hele workflow draait zonder handmatige tussenkomst.

Een leadscoringmodel dat echt werkt, vraagt meer dan willekeurige puntwaarden in een spreadsheet. De meeste teams zetten een eenvoudig scoringsysteem op, zien het uit de pas lopen met de werkelijkheid en eindigen met salesmedewerkers die leads najagen die nooit klaar waren. Deze tutorial laat zien hoe je in Make.com een gedragsgestuurde MQL-scoringworkflow bouwt die contacten in realtime scoort, met AI-logica signalen slim weegt en gekwalificeerde leads automatisch naar je CRM stuurt.

Aan het eind heb je een werkend Make.com-scenario dat MQL's tagt en scoort zonder dat je één lead handmatig hoeft aan te raken.

Wat is een MQL-scoringworkflow?

Een MQL-scoringworkflow is een geautomatiseerd proces dat contacten numerieke scores toekent op basis van hun gedrag en firmographic fit, en ze vervolgens als Marketing Qualified Leads classificeert zodra ze een vastgestelde drempel overschrijden.

De workflow volgt signalen zoals e-mailbetrokkenheid, paginabezoeken, contentdownloads en demoaanvragen. Elk signaal heeft een gewogen score. Zodra de totaalscore van een contact je MQL-drempel passeert, tagt het systeem het contact, werkt het je CRM bij en waarschuwt het (optioneel) je salesteam.

Make.com is hiervoor zeer geschikt, omdat het met vrijwel elke marketing- en CRM-tool koppelt, standaard voorwaardelijke logica ondersteunt en je een AI-module in de scoringsstap kunt plaatsen voor genuanceerde weging die statische puntsystemen missen. Vergelijk je dit met bredere kanaalorkestratie of ondersteuning bij campagne-uitvoering? SaaS Hackers houdt ook een lijst bij van de beste B2B SaaS digital marketing-bureaus.

Waarom statische leadscoring tekortschiet

Statische leadscoring kent vaste punten toe aan acties: 10 punten voor het openen van een e-mail, 20 voor een bezoek aan de prijspagina, 5 voor het downloaden van een gids. Het probleem is dat niet alle signalen even zwaar wegen bij verschillende contactprofielen.

Een contact dat in één week twee keer je prijspagina bezoekt, is een sterker signaal dan iemand die drie nieuwsbrieven opende. Een contact van een SaaS-bedrijf met 500 medewerkers dat je prijspagina bezoekt, betekent iets anders dan een freelancer die hetzelfde doet.

Met AI-logica in Make.com geef je contextuele data mee aan een scoringprompt en krijg je een gewogen score terug die tegelijk rekening houdt met signaalcombinaties, recentheid en firmographic fit. Dat is het belangrijkste verschil met een eenvoudig puntensysteem. Teams die leadscoring willen combineren met gerichte accountselectie, zetten zo'n workflow vaak in naast ondersteuning van B2B SaaS ABM-bureaus.

Wat je nodig hebt voordat je begint

Zorg voor de volgende zaken voordat je de workflow bouwt:

• Een Make.com-account (Core-abonnement of hoger voor scenario's met meerdere stappen)
• Een CRM dat is gekoppeld aan Make.com (HubSpot, Attio, Salesforce of Pipedrive werken allemaal)
• Een gebeurtenisbron waar gedragssignalen binnenkomen (je CRM, een formuliertool of een webhook vanaf je website)
• Een OpenAI API-sleutel (voor de AI-scoringsstap)
• Een vastgestelde MQL-drempel die je met je salesteam hebt afgesproken (bijvoorbeeld 70 punten van de 100)
• Een lijst met scoringssignalen met globale gewichten (die verfijn je later met AI-logica)

Heb je de MQL-drempel nog niet met sales afgestemd, doe dat dan eerst. De drempel is de belangrijkste variabele in het model. Sojourn Solutions beschrijft het goed: de MQL-drempel is de score waarbij een lead als marketing-qualified wordt geclassificeerd en naar sales gaat, en een verkeerd ingestelde drempel is de meest voorkomende reden dat scoringsystemen falen.

Zo bouw je de MQL-scoringworkflow in Make.com

Stap 1: Stel je triggermodule in

Je workflow heeft een trigger nodig die afgaat wanneer er een relevante contactgebeurtenis plaatsvindt.

Maak in Make.com een nieuw scenario aan en voeg je triggermodule toe:

• HubSpot: Gebruik "Watch Contacts" of "Watch CRM Events" om te triggeren op eigenschapswijzigingen of formulierinzendingen
• Webhook: Als je website gebeurtenissen direct verstuurt, gebruik dan de module "Custom Webhook" van Make als trigger
• Typeform / Tally: Gebruik hun native Make.com-modules om te triggeren op ingevulde formulieren

Laat de trigger afgaan op de gebeurtenissen die het meest relevant zijn voor je funnel: demoaanvragen, bezoeken aan de prijspagina, klikken op e-maillinks, contentdownloads of aanmeldingen voor een gratis proefperiode.

Koppel de volgende velden uit de payload van je trigger:

• E-mailadres of ID van het contact
• Gebeurtenistype (bijvoorbeeld "pricing_page_visit", "demo_request")
• Tijdstempel
• Bedrijfsnaam en -grootte (indien beschikbaar)
• Een eventueel bestaande score die al in je CRM staat

Stap 2: Haal de huidige gegevens van het contact op

Voeg een tweede module toe om het volledige contactrecord uit je CRM op te halen. Zo krijg je toegang tot:

• Hun huidige leadscore (als die er is)
• Firmographic data (bedrijfsgrootte, sector, functietitel)
• Eerdere activiteitengeschiedenis
• Huidige lifecycle stage

Gebruik in HubSpot de module "Get a Contact" met het e-mailadres of contact-ID uit stap 1. Gebruik in Attio "Get Record". Gebruik in Pipedrive "Get Person".

Je hebt deze data nodig zodat de AI-stap in stap 4 de volledige context heeft, en niet alleen de ene gebeurtenis die de trigger activeerde.

Stap 3: Aggregeer gedragssignalen met een Data Store

De Data Store-module van Make.com werkt als een lichtgewicht database. Gebruik die om gedragsgebeurtenissen per contact te verzamelen voordat je gaat scoren.

Maak een Data Store aan met de volgende velden:

Gebruik bij elke run van de workflow "Search Records" om het bestaande item van het contact te vinden, en gebruik daarna "Update a Record" (of "Add a Record" als er nog geen is) om de nieuwe gebeurtenis vast te leggen.

Door deze aggregatiestap krijgt je AI-scoringmodule een volledige gedragssamenvatting, en niet slechts één gebeurtenissignaal. Is contentbetrokkenheid een van je sterkste MQL-inputs, dan kan het ook helpen om de beste B2B SaaS-contentmarketingbureaus te bekijken voor ideeën over welke signalen je zwaarder kunt wegen.

Stap 4: Score de lead met een AI-logicastap

Hier gaat de workflow van Make.com verder dan statische scoring. Voeg een OpenAI "Create a Completion"-module toe (of de module "Create a Chat Completion" voor GPT-4o).

Schrijf een systeemprompt die het model instrueert om als leadscoringengine te werken. Hier is een werkende promptstructuur:

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]"}

Koppel de variabelen uit de output van je Data Store aan de prompt via het variabelenpaneel van Make.com.

Stel het model in op GPT-4o mini voor kostenefficiëntie bij workflows met hoog volume, of op GPT-4o als je genuanceerdere redenering nodig hebt bij complexe scoringsregels.

Stap 5: Verwerk het AI-antwoord

Voeg na de OpenAI-stap een JSON "Parse JSON" -module toe. Verwijs naar de choices[0].message.content output van de AI-module.

Dit haalt drie waarden eruit die je in de volgende stappen gebruikt:

• score (de numerieke score)
• mql (true of false)
• reason (een uitleg van de score in gewone taal)

Als de AI af en toe ongeldige JSON teruggeeft, voeg dan een Tools "Set Variable" -module toe met een terugvalwaarde van {"score": 0, "mql": false, "reason": "parse error"} en stuur fouten daarheen voordat je verdergaat.

Stap 6: Voeg een Router toe voor MQL- en niet-MQL-paden

Voeg na de JSON-parser een Router-module toe. Stel twee paden in:

Pad 1: MQL = true

• Filtervoorwaarde: mql is gelijk aan true

Pad 2: MQL = false

• Filtervoorwaarde: mql is gelijk aan false

Hierdoor splitst de workflow zich, zodat gekwalificeerde leads anders worden behandeld dan leads die nog in nurture zitten.

Stap 7: Werk het CRM bij en tag MQL's

Op het MQL-pad:

1. Voeg een module "Update Contact" toe in je CRM. Stel de eigenschap voor de leadscore in op de score waarde uit de AI-output.
2. Zet de lifecycle stage op "Marketing Qualified Lead" (of het equivalent in je CRM).
3. Voeg een tag of label toe: "MQL - Auto-scored".
4. Voeg eventueel een Slack- of e-mailnotificatiemodule toe om de betreffende salesmedewerker te waarschuwen.

Op het niet-MQL-pad:

1. Werk het scoreveld van het contact bij met de nieuwe score waarde.
2. Laat de lifecycle stage ongewijzigd.
3. Schrijf ze eventueel in voor een nurturesequentie als hun score een tussenliggende drempel heeft overschreden (bijvoorbeeld 40-69 punten).

Stap 8: Sla de scoregeschiedenis op

Voeg na beide paden een laatste Data Store-stap "Update a Record" toe om de nieuwe score terug te schrijven naar je aggregatiestore. Zo begint de AI-stap de volgende keer dat de workflow voor dit contact afgaat bij de juiste basisscore in plaats van bij nul.

Zo stel je je MQL-drempel goed in

De MQL-drempel is de score waarbij een contact als sales-ready wordt geclassificeerd. Stel je hem te laag in, dan wordt sales overspoeld met ongekwalificeerde leads. Stel je hem te hoog in, dan droogt je pipeline op.

Gebruik dit proces om het juiste getal te vinden:

1. Haal 3 tot 6 maanden aan gewonnen deals op uit je CRM
2. Bepaal welke gedragssignalen die contacten lieten zien voordat ze klant werden
3. Laat die signalen door je scoringmodel lopen en noteer welke score ze zouden hebben gekregen
4. Zoek de score die 80% van je closed-won contacten dekt zonder meer dan 30% van de contacten mee te nemen die nooit zijn geconverteerd

Begin voor de meeste B2B SaaS-modellen met een drempel van 65-75. Controleer die elke 90 dagen aan de hand van echte conversiedata. Is je scoringmodel nauw verbonden met inbound, dan kan de lijst met beste B2B SaaS Inbound Marketing-bureaus handig zijn om te benchmarken hoe andere teams kwalificatie inrichten.

Je Make.com MQL-scoringworkflow testen

Voordat je live gaat, draai je het scenario in testmodus met bekende contacten:

• Gebruik een contact dat al klant is geworden. De score moet boven je MQL-drempel liggen.
• Gebruik een koud contact zonder activiteit. De score moet onder 20 liggen.
• Gebruik een contact met gemengde signalen (een paar geopende e-mails, geen acties met hoge intentie). De score moet in het middengebied uitkomen.

Controleer de AI-output in het uitvoeringslog van het scenario. Als de scores niet kloppen, pas je de promptgewichten in stap 4 aan en draai je het opnieuw.

De uitvoeringsgeschiedenis van Make.com toont de input en output van elke module, zodat je precies kunt nagaan waar een score vandaan komt en waarom.

Veelgemaakte fouten die je moet vermijden

De stap voor dataaggregatie overslaan. Scoren op basis van één losse gebeurtenis levert enorm onnauwkeurige resultaten op. Aggregeer signalen altijd voordat je scoort.

De drempel niet afstemmen met sales. Een technisch perfect scoringmodel faalt als sales de uitkomst niet vertrouwt. Laat ze de scoringlogica zien en zorg voor expliciete overeenstemming over de drempel vóór de lancering.

Scoreverval negeren. Een contact dat zes maanden geleden je prijspagina bezocht, is niet hetzelfde signaal als een contact dat gisteren kwam. De prompt in stap 4 bevat een vervalregel van 30 dagen. Pas de termijn aan op de lengte van je salescyclus.

De AI-prompt overdesignen. Meer regels in de prompt leveren niet altijd betere scores op. Begin met 5-7 signaaltypes, laat het model 30 dagen draaien en voeg daarna complexiteit toe op basis van wat de data laat zien.

Veelgestelde vragen

Wat is een MQL-scoringworkflow in Make.com?
Een MQL-scoringworkflow in Make.com is een geautomatiseerd scenario dat gedragssignalen uit je CRM en marketingtools verzamelt, ze door een scoringlogica haalt (inclusief een AI-module voor gewogen scoring) en contacten automatisch als Marketing Qualified Leads markeert zodra ze een vastgestelde scoredrempel overschrijden. Handmatige leadkwalificatie verdwijnt daarmee volledig uit het proces.

Hoe stel ik de juiste MQL-scoredrempel in Make.com in?
Haal je closed-won deals van de afgelopen 3 tot 6 maanden op, bepaal welke gedragssignalen die contacten vóór hun conversie lieten zien, simuleer hun scores via je model en zoek de score die er minstens 80% van dekt. Voor de meeste B2B SaaS-bedrijven ligt de MQL-drempel tussen 65 en 75 van de 100. Controleer die elke 90 dagen aan de hand van echte pipelineconversiedata.

Kan Make.com een speciale leadscoringtool zoals de native scoring van HubSpot vervangen?
Make.com vervangt de native scoring van je CRM niet voor eenvoudige modellen, maar voegt wel veel toe als je AI-gewogen scoring, signaalaggregatie over meerdere tools of aangepaste routeringslogica nodig hebt die native tools niet ondersteunen. Als je scoringmodel signalen uit meer dan één platform moet halen of contextuele weging nodig heeft, geeft Make.com je meer controle dan de meeste native implementaties. Voor teams die native CRM-workflows uitbreiden, heeft SaaS Hackers ook een gids met B2B SaaS HubSpot-bureaus.

Welke CRM's werken met deze Make.com MQL-scoringworkflow?
HubSpot, Salesforce, Pipedrive, Attio en Zoho CRM hebben allemaal native Make.com-modules die het ophalen en bijwerken van contacten ondersteunen. De workflowstructuur in deze gids werkt met elk van hen. Je wisselt de CRM-specifieke modules in stap 2 en 7 om, terwijl de AI-logica en routeringsstappen identiek blijven.

Wat kost het om deze workflow in Make.com te draaien?
De belangrijkste variabele kostenpost is het gebruik van de OpenAI API. GPT-4o mini draaien voor scoringcompletions kost ongeveer $0.15 per 1 miljoen inputtokens. Bij een workflow die 1.000 contacten per maand verwerkt met een prompt van ongeveer 300 tokens per contact, zijn de AI-kosten minder dan $0.05 per maand. De operatiekosten van Make.com hangen af van je abonnement, waarbij elke module-uitvoering als één operatie telt.