Matematik Corong Jualan: Forensik MQL, SQL, dan Peluang

Nombor MQL naik 32% berbanding bulan sebelumnya. GM gembira. Tiga minggu kemudian, peluang tidak bergerak. Anda tidak tahu mengapa, dan "kualiti MQL" bukan jawapan yang GM anda akan terima dua kali.

Inilah forensik corong jualan. Anda bukan lagi pelancong papan pemuka. Anda adalah penyiasat yang membaca matematik, mencari punca yang dinamakan (segmen, sumber, hari, penyerahan) yang menerangkan mengapa jumlah naik tetapi saluran paip jualan tidak mengikut.

Kebanyakan demand gen manager melaporkan kadar penukaran agregat. Yang baik melaporkan diagnosis. Ada perbezaan antara "MQL ke SQL adalah 11%" dan "MQL ke SQL jatuh kepada 8% pada hari Selasa, dan itu adalah jurang liputan SDR, bukan kualiti petunjuk jualan." Satu mendapat anda anggukan kepala. Yang satu lagi mendapat anda belanjawan.

Bersetuju tentang definisi MQL dengan jualan, termasuk peraturan penolakan

Sebelum sebarang forensik, selesaikan perkara ini: bolehkah AE menolak MQL, dan atas alasan apa? Jika jawapannya "tidak" atau "tidak jelas," nombor MQL anda adalah metrik kosong. Anda akan melaporkannya selama enam bulan, jualan akan mengabaikannya secara senyap, dan suatu hari VP Jualan anda akan memberitahu GM bahawa petunjuk jualan pemasaran "tidak bertukar," dan anda tidak mempunyai pembelaan kerana tiada definisi bersama.

Inilah perjanjian kerja yang bertahan. MQL mempunyai tiga perkara: kesesuaian (padanan ICP akaun), niat (ambang pemarkahan berdasarkan tingkah laku), dan kenalan yang boleh dihubungi. Di bawah ambang, ia adalah petunjuk jualan, bukan MQL. Di atas ambang tetapi gelaran yang salah, saiz syarikat yang salah, geografi yang salah? AE mempunyai 24 jam untuk menolak dengan kod sebab. Selepas 24 jam, ia diterima secara lalai dan dikira.

Kod sebab lebih penting daripada penolakan itu sendiri. Enam kod sudah cukup: saiz syarikat salah, gelaran atau persona salah, geografi salah, pelanggan sedia ada, pesaing, tiada maklumat hubungan yang disahkan. Apa-apa di luar enam itu disekalakan. Anda dan pengurus AE menyelesaikan pertikaian secara bulanan: 30 minit, lihat 20 MQL yang dipertikaikan, selesaikan, kemas kini model pemarkahan jika corak muncul.

Tanpa ini, anda tidak boleh melakukan forensik. Perdebatan "adakah ini MQL atau tidak" memakan setiap mesyuarat dan anda tidak pernah sampai ke kebocoran yang sebenar.

Membaca kadar penukaran mengikut sumber, persona, dan segmen

Kadar MQL ke SQL campuran 14% menyembunyikan segalanya. Ia menyembunyikan kadar iklan sosial berbayar 4% yang membakar $40K sebulan dan kadar webinar 38% yang mendapat 12% daripada belanjawan anda. Nombor campuran adalah penipuan yang paling mahal dalam papan pemuka anda.

Potong corong jualan tiga cara setiap bulan: sumber, senioriti persona, segmen. Sentiasa tiga cara. Bukan dua, bukan empat. Tiga.

Penanda aras kasar B2B SaaS 2026 untuk penukaran MQL ke SQL:

Untuk MQL ke SQL campuran keseluruhan, B2B SaaS yang sihat berada dalam julat 12 hingga 15%. Di atas 20% dan anda mungkin menetapkan markah terlalu ketat. Di bawah 8% dan sama ada pemarkahan anda longgar atau gerakan jualan anda tidak sepadan dengan petunjuk jualan yang masuk.

Potongan senioriti persona berbeza. VP dan peringkat C bertukar MQL ke SQL pada 25 hingga 35%. Peringkat Pengarah berada sekitar 18 hingga 25%. Peringkat Pengurus jatuh kepada 8 hingga 14%. Di bawah pengurus, anda sering melihat penyelidik, bukan pembeli. Kadar penukaran jatuh di bawah 5% dan itu bukan kebocoran, itu audiens yang salah.

Potongan segmen pula berbeza lagi. MQL SMB bertukar lebih cepat tetapi pada kadar yang lebih rendah dan saiz tawaran yang lebih kecil. Mid-market adalah tempat yang terbaik untuk kebanyakan B2B SaaS, dengan MQL ke SQL 15 hingga 22% dan kitaran urus niaga yang boleh anda ramalkan. MQL perusahaan bertukar paling rendah mengikut kadar mentah (8 hingga 12%) tetapi SQL yang datang melaluinya adalah 6 hingga 10 kali lebih besar, jadi matematik masih berkesan jika pasukan jualan anda mempunyai kakitangan yang sesuai untuk itu.

Apabila anda melihat nombor, naluri anda sepatutnya: potong tiga cara. Kadar 14% menjadi masalah iklan sosial berbayar (4%), enjin webinar (38%), dan lantai kandungan atau organik (12%). Kini anda mempunyai tiga diagnosis, bukan satu nombor.

Mengapa SLA 30 hari mengubah segalanya

Tuas tunggal terbesar dalam corong jualan anda bukan kualiti petunjuk jualan. Ia adalah kelajuan tindak balas petunjuk jualan. Setiap kajian yang boleh dipercayai dalam dekad terakhir telah mengesahkannya, dan ia masih mengejutkan ketua jualan setiap suku. MQL yang dihubungi dalam masa 5 minit bertukar kira-kira 8 kali lebih baik berbanding yang dihubungi dalam masa 24 jam. Turun kepada 60 minit ke atas dan penukaran jatuh 80% berbanding asas 5 minit.

SLA anda bukan 30 hari. SLA anda adalah 5 minit untuk permintaan demo yang sangat sesuai, 1 jam untuk MQL peringkat lebih rendah, dan 30 hari hanya untuk keluar corong jualan sepenuhnya (titik di mana MQL yang tidak diusahakan dikitar semula ke dalam pemupukan petunjuk jualan, bukan tetingkap kerja).

Bina papan pemuka SLA. Ia memerlukan empat perkara: masa dari MQL ke tindakan pertama SDR, masa dari MQL ke sambungan pertama, peratusan MQL yang diusahakan dalam SLA, dan peratusan yang bertukar ke SQL, dihiris mengikut SDR.

Hirisan terakhir itu adalah tempat diagnosis yang dinamakan berada. Apabila anda melihat "MQL ke SQL jatuh kepada 8% pada hari Selasa," anda tidak mengangguk dan memanggilnya bunyi bising. Anda menarik senarai liputan SDR. Anda biasanya akan mendapati salah satu daripada tiga perkara: mesyuarat Isnin pagi yang memakan separuh pagi pasukan SDR, taklimat Selasa yang menolak dail keluar ke petang, atau jadual PTO bergilir yang meninggalkan antrian inbound kurang diliputi setiap hari Selasa.

Namakan jurang itu. Jangan sekadar melaporkannya. "Jurang liputan SDR hari Selasa" adalah diagnosis. "Isu kualiti" bukan.

Mencari peringkat yang bocor

Apabila MQL ke Peluang rosak, terdapat tiga peringkat yang disyaki. Siasat mengikut urutan ini, kerana ia hampir selalu salah satu daripada tiga ini.

Peringkat 1: Kelewatan penyerahan (MQL ke hubungan SDR). Tarik setiap MQL dari 90 hari terakhir. Kira masa sehingga sentuhan pertama. Kelompokkan MQL ke dalam 0 hingga 5 minit, 5 hingga 60 minit, 1 hingga 24 jam, 1 hingga 7 hari, 7 hari ke atas. Bandingkan penukaran ke SQL dalam setiap kelompok. Jika kelompok 0 hingga 5 minit anda bertukar pada 28% dan kelompok 1 hingga 24 jam bertukar pada 9%, anda tidak mempunyai masalah kualiti. Anda mempunyai masalah kelajuan. Betulkan penghalaan, bukan pemarkahan.

Peringkat 2: Ketidakpadanan persona (syarikat yang betul, gelaran yang salah). Kumpulkan MQL mengikut ungkapan biasa gelaran kerja berbanding ICP anda. Gelaran "Pengurus" yang bukan pembuat keputusan akan bertukar pada 6 hingga 10% tidak kira betapa pantas anda menghubungi mereka. Penyelidik dan analis bertukar di bawah 4%. Jika 35% daripada jumlah MQL anda berada dalam gelaran bukan pembeli, model pemarkahan anda memberi ganjaran kepada tingkah laku yang tidak meramalkan niat pembelian. Kemas kini model. Tambah pemarkahan negatif untuk gelaran bukan pembeli, dan perlukan sama ada gelaran pembeli ATAU tindakan berhasrat tinggi (permintaan demo, lawatan halaman harga ditambah pengisian borang) untuk layak.

Peringkat 3: Pereputan niat (MQL berumur 14 hari ke atas). Sesetengah MQL duduk dalam antrian. Mungkin SDR sedang mengusahakan kempen yang berbeza, mungkin penghalaan gagal, mungkin liputan tipis minggu itu. Lihat MQL mengikut umur ketika dihubungi buat kali pertama. Apa-apa yang dihubungi melepasi 14 hari bertukar pada kadar 30 hingga 50% daripada MQL segar. Itu bukan kualiti petunjuk jualan, itu adalah pereputan niat. Momen penyelidikan prospek sudah tamat.

Inilah corak SQL query yang mengasingkan peringkat 1 dalam HubSpot atau Salesforce. Sesuaikan nama lajur mengikut skema anda:

SELECT
  CASE
    WHEN time_to_first_touch_minutes <= 5 THEN '0-5 min'
    WHEN time_to_first_touch_minutes <= 60 THEN '5-60 min'
    WHEN time_to_first_touch_minutes <= 1440 THEN '1-24 hr'
    WHEN time_to_first_touch_minutes <= 10080 THEN '1-7 days'
    ELSE '7+ days'
  END AS speed_cohort,
  COUNT(*) AS mqls,
  SUM(CASE WHEN became_sql = 1 THEN 1 ELSE 0 END) AS sqls,
  ROUND(100.0 * SUM(CASE WHEN became_sql = 1 THEN 1 ELSE 0 END) / COUNT(*), 1) AS conv_pct
FROM mql_events
WHERE mql_date >= DATE('now', '-90 days')
GROUP BY speed_cohort
ORDER BY MIN(time_to_first_touch_minutes);

Jalankan itu sekali seminggu. Outputnya adalah jadual 5 baris yang memberitahu anda sama ada kelajuan adalah masalah anda sebelum anda menghabiskan satu suku untuk menulis semula model pemarkahan.

Perangkap "banyak MQL, tiada peluang"

Jumlah naik. Peluang tidak bergerak. Enam punca yang dinamakan, setiap satu boleh diuji dalam seminggu.

1. ICP yang salah di bahagian atas. Kempen corong atas anda menarik syarikat yang salah. Ujian: tarik MQL 30 hari terakhir, beri markah berbanding rubrik ICP anda (industri, bilangan pekerja, hasil, geografi, timbunan teknologi). Jika kurang daripada 60% sepadan, kempen atau penyasaran audiens anda tidak kena.

2. Ketidakselarasan skrip SDR. Skrip ditulis 18 bulan lalu untuk penempatan produk yang berbeza. Ujian: ikuti 10 panggilan SDR. Kira berapa kali SDR menerangkan cadangan nilai dalam bahasa yang sepadan dengan laman web semasa anda. Jika kurang daripada 70%, anda mempunyai masalah skrip, bukan masalah petunjuk jualan.

3. AE mendiskelayakkan untuk kebersihan saluran paip jualan. AE di bawah tekanan kuota melupuskan SQL "marginal" untuk memastikan kadar penukaran mereka bersih. Ujian: tarik SQL yang didiskelayakkan AE dan halakan semula 20 daripadanya kepada AE yang berbeza. Jika 25% atau lebih menjadi peluang, anda mempunyai masalah kebersihan yang disamarkan sebagai masalah kualiti.

4. Kebocoran atribusi. MQL sedang bertukar menjadi peluang, tetapi peluang tidak ditanda balik ke sumber. Jadi papan pemuka anda membaca "tiada saluran paip jualan." Ujian: tarik penutupan menang 90 hari terakhir dan kesan setiap satu ke sentuhan pertama. Jika 25% atau lebih tidak mempunyai sumber MQL yang dilampirkan, atribusi anda rosak sebelum corong jualan anda.

5. Ketidakhadiran demo. SQL sedang ditempah, tetapi 40% demo tidak hadir. Ujian: kira tempahan demo berbanding demo yang selesai untuk 30 hari terakhir. Kadar sihat adalah penyelesaian 70 hingga 85%. Di bawah 60% dan aliran tempahan memerlukan urutan pengesahan, peringatan kalendar, dan tawaran tempah semula pada hari yang sama.

6. Inflasi MQL dari pemarkahan ambang rendah. Seseorang menurunkan ambang untuk "mencapai nombor." Jumlah naik, penukaran jatuh mendadak. Ujian: jalankan semula model pemarkahan anda pada ambang suku lepas dan kira semula MQL ke SQL. Jika penukaran adalah 14% ketika itu dan 9% sekarang, anda tidak mendapat lebih banyak MQL. Anda mendapat lebih banyak petunjuk jualan yang dilabel semula sebagai MQL.

Setiap ini mengambil masa seminggu untuk diuji. Lakukan mengikut urutan. Jangan jalankan kesemua enam secara selari, kerana anda tidak akan tahu pembetulan mana yang menggerakkan nombor.

Forensik atribusi dalam HubSpot, Salesforce, dan Rework

Atribusi adalah tempat kebanyakan demand gen manager tersangkut. Terdapat tiga model, dan anda akan berdebat tentang yang mana "betul" sepanjang kerjaya anda.

Sentuhan pertama memberi kredit kepada kempen yang membawa prospek ke dalam pangkalan data anda. Baik untuk mengukur kempen corong atas. Buruk untuk mengukur halaju urus niaga.

Sentuhan terakhir memberi kredit kepada kempen yang menukar MQL ke SQL atau SQL ke peluang. Baik untuk mengukur kempen bantuan jualan. Buruk untuk mengukur jenama dan penciptaan permintaan.

Pelbagai sentuhan mengagihkan kredit merentasi semua sentuhan dalam perjalanan, diberi berat mengikut kedudukan atau mengikut beberapa model atribusi (berbentuk W, berbentuk U, pereputan masa). Paling "tepat" dari segi teori, paling sukar dipertahankan dalam mesyuarat lembaga kerana tiada siapa yang memahami pemberian berat.

Jawapan yang betul adalah melaporkan dua pandangan (sentuhan pertama dan pelbagai sentuhan) dan memilih satu untuk lembaga. Beritahu GM yang mana anda pilih dan mengapa. Kebanyakan pasukan demand gen B2B SaaS memilih pelbagai sentuhan (berbentuk W: 30% sentuhan pertama, 30% sentuhan penciptaan petunjuk jualan, 30% sentuhan penciptaan peluang, 10% lain) kerana ia memberi kredit kepada kerja kesedaran dan kerja penukaran. Gunakannya secara konsisten selama setahun sebelum anda menukar model.

Di mana ketiga-tiga CRM berbeza:

HubSpot mengikat kempen kepada kenalan melalui hs_analytics_first_url dan objek keahlian kempen. Peralihan peringkat kitaran hayat adalah tulang belakangnya. Bahagian yang kabur adalah tetingkap penyerahan SDR. Tiada cap masa "MQL ke SDR diusahakan" asli melainkan anda membinanya sebagai sifat khas. Kebanyakan pasukan menyatunya dengan cap masa penyelesaian tugas dan sejarah Peringkat Kitaran Hayat. Boleh digunakan, tetapi ia bocor di tepinya.

Salesforce mempunyai Pengaruh Kempen (pelbagai sentuhan) dan Sumber Kempen Utama (sentuhan pertama) yang sudah tersedia. Kebocoran adalah antara penukaran Petunjuk Jualan dan penciptaan Peluang. Jika AE anda menukar Petunjuk Jualan kepada Kenalan tanpa mencipta Peluang pada hari yang sama, sambungan kempen ke saluran paip jualan terputus melainkan anda telah mengkonfigurasi peraturan Pengaruh Kempen untuk mengisi semula. Kebanyakan organisasi Salesforce mempunyai konfigurasi yang salah untuk ini.

CRM Rework dibina di sekitar garis masa kenalan bersatu yang merangkumi keadaan kerja SDR, peristiwa pengedaran petunjuk jualan, dan penciptaan peluang sebagai objek kelas pertama dan bukannya sifat yang dijahit bersama. Jurang penyerahan SDR yang HubSpot dan Salesforce tinggalkan kabur ditutup secara lalai. Anda boleh melihat minit tepat MQL ditugaskan, SDR yang mengambilnya, sentuhan pertama, dan laluan ke SQL. Untuk pasukan bersaiz sederhana (20 hingga 500 pekerja) yang menjalankan Pemasaran dan Jualan pada sistem yang sama, ini menutup jurang atribusi tanpa projek sifat khas. Rework CRM bermula pada $12 setiap pengguna sebulan.

Kesan langsung. Pilih satu peluang penutupan menang. Kesan ke belakang: penciptaan peluang, penukaran SQL, pencetus MQL, pengisian borang hubungan pertama, sumber sesi pertama. Jalan kesan itu bersama AE dan SDR anda. Dua kali satu suku, lakukan secara langsung bersama GM. Ini adalah cara tunggal terbaik untuk mengajar GM apa yang atribusi sebenarnya bermaksud dan untuk mendedahkan di mana data anda bocor.

Ulasan corong jualan bulanan bersama GM

Ulasan corong jualan bulanan anda muat dalam satu halaman. Jika tidak, anda melaporkan terlalu banyak.

Bahagian atas corong jualan. Jumlah MQL keseluruhan, gabungan sumber (5 sumber teratas mengikut jumlah dan mengikut penukaran), dan satu baris ulasan tentang pergerakan terbesar.

Bahagian tengah corong jualan. MQL ke SQL mengikut segmen (SMB, Mid, Ent), pematuhan SLA (peratusan MQL yang diusahakan dalam SLA), dan potongan senioriti persona.

Bahagian bawah corong jualan. SQL ke Peluang, Peluang ke Penutupan Menang, halaju purata (hari MQL ke penutupan), dan sumbangan kepada saluran paip jualan yang dilampirkan kepada sumber demand gen.

Baris diagnosis. Akhiri setiap ulasan dengan satu hipotesis yang dinamakan yang anda siasat bulan ini. Bukan lima. Satu. "Kami sedang menguji sama ada jurang liputan SDR hari Selasa menerangkan penurunan MQL ke SQL sebanyak 8%. Jika ya, kami akan mengalihkan liputan semula menjelang 15 Mei dan semak semula pada bulan Jun."

Itulah sahaja. Satu halaman, empat bahagian, satu diagnosis. GM boleh mengimbas dalam 90 saat, bertanya dua soalan, dan keluar mengetahui di mana anda fokus.

Apa yang tidak anda masukkan dalam ulasan ini: laporan prestasi peringkat kempen (itu pergi ke taklimat harian pemasaran), CTR dan CPL mengikut kreatif iklan (itu pergi ke ulasan prestasi mingguan anda dengan pasukan berbayar), dan mana-mana papan pemuka dengan lebih daripada 12 nombor. GM tidak mahukan data mentah. GM mahukan diagnosis.

Apa yang ini berikan kepada anda

Jumlah adalah kisah yang anda ceritakan di taklimat harian pemasaran. Forensik penukaran adalah kisah yang anda ceritakan di meja hasil.

Apabila anda masuk ke kajian perniagaan suku tahunan dan berkata "jumlah MQL naik 32%, tetapi MQL ke SQL iklan sosial berbayar kami adalah 4% berbanding penanda aras 12%, dan jurang liputan SDR hari Selasa membebankan kami 60 SQL satu suku, inilah yang kami uji," anda telah berhenti menjadi demand gen manager yang melaporkan petunjuk jualan. Anda telah menjadi pengendali yang mendiagnosis masalah saluran paip jualan dengan ketegasan yang sama yang digunakan jualan untuk mendiagnosis slipaj urus niaga.

Itulah tempat duduk di meja. Matematik yang mendapatkannya.

Baca Lagi

• Sehari dalam Kehidupan Seorang Demand Generation Manager
• Metrik Demand Gen: Sumbangan Saluran Paip Jualan, CAC, Kualiti MQL, Halaju
• Pengaturan ABM: Senarai dan Taktik yang Benar-Benar Ditutup oleh Jualan
• Kesilapan Lazim Demand Gen Manager
• Perihal Kerja Demand Generation Manager