Lead Qualification Engine
Architettura del flusso
Il Problema
Un'agenzia di marketing digitale gestiva manualmente centinaia di lead ogni mese, dedicando ore preziose a qualificare contatti e inviare comunicazioni personalizzate. Con 200+ lead al giorno, il team commerciale passava 4 ore su attività ripetitive invece di chiudere contratti.
- Processo lento e soggetto a errori umani
- Comunicazioni generiche, non personalizzate per profilo
- Nessuna tracciabilità delle interazioni
- Difficoltà a scalare con l'aumento dei lead
- Lead ad alto potenziale trattati come i lead freddi
La Soluzione
Ho progettato e implementato un sistema di automazione end-to-end con n8n che qualifica ogni lead in tempo reale, notifica il team commerciale con un brief completo e innesca la sequenza di nurturing appropriata.
Stack tecnologico
| Strumento | Ruolo |
|---|---|
| n8n | Orchestratore workflow, logica condizionale |
| OpenAI GPT-4 | Scoring e analisi del lead con rubrica custom |
| Clearbit | Enrichment dati aziendali (dimensione, settore, tech stack) |
| Slack | Notifica real-time al commerciale con brief completo |
| HubSpot CRM | Update contatto, pipeline stage, note automatiche |
| ActiveCampaign | Trigger sequenza email nurturing in base allo score |
Architettura del workflow
Trigger webhook (form/CRM)
→ Enrichment Clearbit (azienda, ruolo, dimensione)
→ Prompt GPT-4 con scoring rubric (1-10)
[Criteri: ICP match, segnali budget, LinkedIn seniority, settore]
→ Routing condizionale per score:
Score 8-10 → Notifica Slack immediata + brief completo + email personale
Score 5-7 → CRM update + nurturing sequence standard
Score 1-4 → CRM tag "cold" + sequenza educativa 30 giorni
→ Log risultati su Google SheetsIl prompt di scoring
Il prompt GPT-4 riceve il profilo arricchito e valuta il lead su 4 assi: aderenza all'ICP (Ideal Customer Profile), segnali di intento d'acquisto, autorità decisionale, e urgenza implicita. L'output è un JSON strutturato con score, rationale e azione consigliata.
// Output esempio
{
"score": 9,
"azione": "contatto_immediato",
"rationale": "CMO di SaaS B2B 80 dipendenti, budget marketing >200k, ha visitato pricing page 3 volte",
"brief": "Azienda nel fintech, problema esplicito: retention MRR. Menzionare case study similar.",
"priorita": "alta"
}Risultati
- −87% tempo qualificazione: da 4 ore/giorno a 30 minuti di review dei brief già pronti
- 3.2x conversion rate: MQL→SQL grazie a primo contatto contestuale e tempestivo
- <5 min primo contatto: i lead hot vengono contattati mentre sono ancora "caldi"
- −70% lead freddi in pipeline: il CRM non è più intasato da contatti non qualificati
- +40% tasso di risposta: le email personalizzate con il brief GPT-4 convertono 2.4x di più
La notifica Slack non è solo un alert — include il brief completo: nome, azienda, motivazione del punteggio, e i 2-3 punti da menzionare nella prima chiamata. Il commerciale arriva alla telefonata preparato in 60 secondi invece di 20 minuti di ricerca.
Lezioni apprese
- La rubrica di scoring è tutto: GPT-4 è bravo quanto le istruzioni che gli dai. La rubrica va calibrata sul tuo ICP specifico, non su un template generico.
- Inizia senza enrichment: Clearbit costa. Nelle prime settimane ho usato solo i dati del form — il sistema era già utile. L'enrichment è stato aggiunto dopo aver validato il processo.
- Human in the loop per i 9-10: I lead con score massimo vengono sempre revisionati da un umano prima del contatto. L'automazione prepara, l'umano decide.
Progetto e implemento automazioni su misura per il tuo business
Analisi gratuita del processo di qualificazione, stima dei tempi e ROI atteso. Poi decidi se procedere.
Contattami per collaborazioni →