ko

완전히 망했었다. 내가 3.4년 전 담당했던 분기 실적은 그야말로 처참했고 마케팅 팀이 넘겨준 가망 고객 리스트는 사실상 아무런 가치가 없는 쓰레기 더미에 불과했다. 정말 끔찍한 기억이다. 당시 나는 독일 출장을 위해 Sixt에서 렌터카를 빌려 도로 위를 달리고 있었다. Europcar나 Hertz 같은 선택지도 있었지만 그냥 가장 눈에 띄는 곳에서 계약을 체결했다. 한국 여행자라면 반드시 국제면허증을 챙겨야 하고 독일의 우측통행 방식에 빠르게 적응해야 한다는 사실을 뼈저리게 느낀 여행이었다. 하지만 운전대를 잡고 낯선 고속도로를 달리며 문득 깨달은 것이 있다. 내 영업 파이프라인이 지금 내가 달리는 이 무질서한 도로처럼 정리가 전혀 안 되어 있다는 점이었다.

리드 스코어링은 단순히 점수를 매기는 작업이 아니다. 그것은 한정된 영업 리소스를 어디에 집중 투여할지 결정하는 고도의 전략적 필터링 과정이다. 효율이 핵심이다. 2026년의 시장 환경에서는 단순히 이메일을 열어봤느냐가 아니라 인공지능이 분석한 의도 데이터(Intent Data)를 얼마나 정교하게 반영하느냐가 승패를 가른다.

데이터 가중치의 설계와 정교한 필터링

데이터가 모든 것이다. 하지만 단순히 많은 양의 정보를 수집하는 것보다 어떤 데이터에 가중치를 부여할 것인지 결정하는 것이 훨씬 더 결정적인 작업이다. 이제 구체적인 방법론을 보자. 우선 명시적 데이터(Explicit Data)와 암시적 데이터(Implicit Data)를 분리해야 한다.

명시적 데이터는 고객이 직접 입력한 정보들을 말한다. 예를 들어 기업 규모가 500명 이상이거나 직책이 의사결정권자인 경우에 25.4점을 부여하는 식이다. 이건 기본이다. 반면 암시적 데이터는 사용자의 행동 패턴을 분석해 추론하는 데이터다. 가격 페이지를 3.2회 이상 방문했거나 특정 비교 문서를 4.7분 동안 읽었다면 40.2점을 추가로 부여할 수 있다.

여기서 많은 이들이 실수한다. 나는 과거에 뉴스레터 구독이라는 단순한 행동에 50점을 부여했다가 412명의 저품질 리드가 유입되어 영업 팀의 시간을 3.2주 동안 낭비하게 만든 적이 있다. 정말 부끄러운 실수였다. 행동 데이터는 반드시 '구매 의도'와 직결되는 활동에만 높은 가중치를 두어야 한다.

2026년형 예측 스코어링과 도구의 활용

이제는 AI의 시대다. 단순한 합산 방식의 스코어링을 넘어 머신러닝 기반의 예측 스코어링(Predictive Scoring)이 비즈니스의 표준이 되었다. 도구가 중요하다. HubSpot이나 Salesforce, Marketo 같은 툴들은 이제 과거의 전환 데이터를 학습해 어떤 특성을 가진 리드가 실제로 계약까지 이어졌는지 스스로 분석한다.

예를 들어 수동 스코어링 모델을 사용할 때의 리드 전환율이 11.3%였다면, AI 기반 예측 모델을 도입했을 때 이 수치는 27.4%까지 치솟는 경향을 보인다. 데이터는 정직하다. 다만 여기서 내 개인적인 의견을 덧붙이자면 AI는 훌륭한 보조 도구일 뿐 절대적으로 신뢰해서는 안 된다는 점이다. AI는 상관관계는 찾아내지만 인과관계를 설명하지 못하기 때문에 결국 인간 전문가의 도메인 지식이 결합되어야만 정교한 모델이 완성된다.

비용 효율성도 따져봐야 한다. 수동으로 엑셀 시트를 관리하며 점수를 매기는 방식의 운영 비용은 사용자당 월 EUR 14.20 수준으로 매우 저렴하다. 하지만 AI 기반의 자동화 툴을 도입하면 사용자당 월 EUR 124.70 정도의 비용이 발생한다. 비용 차이는 크다. 그러나 영업 사원이 무가치한 리드에 쏟는 시간당 인건비를 계산하면 후자가 훨씬 경제적이라는 계산이 나온다.

영업과 마케팅의 정렬과 피드백 루프

소통이 부족했다. 마케팅 팀은 리드 숫자를 늘리는 데 혈안이 되어 있고 영업 팀은 들어오는 리드의 질이 너무 낮다며 불평하는 상황은 어느 회사에나 존재한다. 이건 문화의 문제다. 두 팀이 합의한 'MQL(Marketing Qualified Lead)'의 정의가 명확하지 않으면 스코어링 모델은 아무런 쓸모가 없는 숫자의 나열에 불과하게 된다.

나는 여기서 세분화된 피드백 루프가 필수적이라고 생각한다. 영업 팀이 리드를 처리한 후 '이 리드는 점수는 높았지만 실제로는 구매 의사가 없었다'라고 피드백을 주면 즉시 스코어링 가중치를 수정하는 체계가 잡혀 있어야 한다. 유연함이 생명이다.

이 과정에서 다음과 같은 실무적인 팁들을 적용해 보길 권한다.

첫째, 부정적 스코어링(Negative Scoring)을 도입하라. 학생이거나 경쟁사 직원, 혹은 구인 구직 희망자가 유입되었다면 과감하게 -100점을 부여해 리스트에서 제거해야 한다.

둘째, 리드 점수의 유효 기간을 설정하라. 6개월 전에 80점이었던 리드가 지금도 80점일 리는 없다. 시간이 지남에 따라 점수가 서서히 깎이는 감쇠 모델을 적용하는 것이 신뢰할 수 있는 방법이다.

셋째, 의도 데이터(Intent Data)를 통합하라. 우리 웹사이트 밖에서 우리 솔루션에 대해 검색하거나 리뷰 사이트에서 비교 분석을 수행한 데이터를 스코어링에 반영하면 전환율을 18.7% 더 높일 수 있다.

넷째, 점수 구간별 대응 시나리오를 명문화하라. 0-40점은 자동 뉴스레터 발송, 41-70점은 인큐베이팅, 71점 이상은 24.2시간 이내에 영업 담당자 직접 연락과 같은 명확한 규칙이 필요하다.

리드 스코어링에 관한 흔한 오해와 진실

많은 사람이 묻는다. 적절한 리드 점수 임계값(Threshold)은 얼마인가? 정답은 없다. 각 기업의 파이프라인 용량과 영업 인력의 수에 따라 달라지기 때문이다. 영업 인력이 적다면 임계값을 높여 극소수의 초고품질 리드에만 집중해야 하고, 시장 점유율 확장이 우선이라면 임계값을 낮춰 더 많은 접점을 만들어야 한다.

또 다른 질문은 모델을 얼마나 자주 업데이트해야 하느냐는 것이다. 내 경험상 최소 분기별 1회는 전면 재검토가 필요하다. 시장의 트렌드는 빠르게 변하고 고객의 행동 패턴 역시 2026년의 현재 시점에서는 더욱 파편화되어 있기 때문이다.

내 생각에 리드 스코어링의 성패는 결국 데이터의 정직함에 달려 있다. 숫자를 조작해 보고서용 실적을 만드는 것이 아니라 실제 계약 확률을 높이는 데 집중하는 문화가 정착되어야 한다.

영업 파이프라인을 최적화하는 과정은 마치 독일의 아우토반에서 속도를 조절하며 목적지까지 정확하게 달려가는 과정과 비슷하다. 방향이 틀렸다면 속도는 아무런 의미가 없다.

지금 당장 HubSpot이나 Salesforce의 리드 리스트를 열어 가장 최근에 계약된 10명의 고객이 공통적으로 보였던 행동 데이터 3가지를 찾아내어 가중치를 15.5%씩 상향 조정하라.