AI lead scoring Twenty CRM:ssä: käytännön opas suomalaiselle B2B-yritykselle

Päivitetty viimeksi: 9.5.2026

Lead scoring on järjestelmä, joka pisteyttää B2B-prospektit automaattisesti ostotodennäköisyyden mukaan, jotta myyjä tietää kenelle soittaa ensin. Klassisesti pisteet on laskettu Excelillä ja arvauksilla. AI lead scoring tarkoittaa että pisteytys nojaa malliin joka osaa lukea kontekstia: toimialaa, käyttäytymistä, julkisia signaaleja. Tässä artikkelissa käyn läpi miten rakennat tällaisen järjestelmän Twenty CRM:n päälle suomalaiselle B2B-tiimille.

Tämä on operaattorin opas. Ei "miksi lead scoring on tärkeää" -tyyppistä yleispuhetta vaan konkreettiset kentät, workflowt, webhookit ja kynnysarvot joita Wicflow käyttää asiakkaillaan. Jos olet sales operations -roolissa tai toimitusjohtaja jolla on 1-3 myyjää ja kasvava pipeline, tämä on suunniteltu sinulle.

Miksi suurin osa suomalaisista B2B-yrityksistä ei pisteytä liidejään

Käyn vuoden aikana läpi noin sata suomalaista B2B-yritystä Wicflowin discovery-puheluissa. Liidipisteytys on käytössä noin joka kymmenennellä. Syyt ovat aina samat.

Ensimmäinen syy: myyjät luottavat tuntumaan. "Kyllä mä tiedän kuka näyttää hyvältä." Tämä toimii kun pipelinessa on 30 nimeä. Se kaatuu kun pipelinessa on 800 nimeä eri lähteistä, eri vaiheissa. Tuntuma ei skaalaudu. Toinen syy: edellinen yritys epäonnistui. Joku rakensi 12-pisteen Excel-mallin jota kukaan ei päivittänyt, ja vuoden päästä pisteet olivat irti todellisuudesta. Kolmas syy: pelätään että HubSpot tai Salesforce -hinta lähtee laukalle ja sitoutuu kalliiseen pilvi-CRM:ään pelkän pisteytyksen takia.

Kaikki kolme ovat ratkaistavissa. Tuntuma korvataan datalla. Excel korvataan CRM:n omilla kentillä jotka päivittyvät automaattisesti. Hinta-ongelma ratkaistaan valitsemalla CRM joka on edullinen ja avoin. Twenty CRM on tämän vuoden looginen valinta moneen suomalaiseen B2B-tiimiin.

Mitä signaaleja kannattaa pisteyttää

Hyvä scoring-malli ei katso yhtä asiaa vaan yhdistää kolme erillistä lähdettä. Niitä kutsutaan firmografiseksi, käyttäytymis- ja aikomussignaaliksi. Selitän jokaisen omalla rivillä, koska tämän erottelun sisäistäminen on koko mallin ydin.

Firmografiset signaalit

Yritys ja sen perustiedot. Nämä eivät muutu viikon välein, mutta ne ratkaisevat onko liidi ylipäätään ICP:ssäsi. Suomalaisessa B2B-kontekstissa relevantit kentät:

• Toimiala (TOL-koodi). PRH:n toimialaluokitus on tarkin tapa segmentoida suomalaisia yrityksiä. Asiakastieto ja Vainu palauttavat tämän valmiina.
• Liikevaihto. Suomessa tilinpäätöstiedot ovat julkisia. 1-20 milj. euron yritys käyttäytyy eri tavalla kuin 100 milj. euron yritys.
• Henkilöstömäärä. Karkea proxy päättäjien määrälle ja organisaation kompleksisuudelle.
• Sijainti. Pääkaupunkiseutu, Tampere, Turku ja Oulu eroavat tarjouksen vastaanottokyvyltä muusta Suomesta.
• Ikä. 0-3 vuoden yritys ostaa eri lailla kuin 25 vuoden yritys.
• Y-tunnus aktiivinen. Kuulostaa ilmeiseltä, mutta saneerauksessa olevia yrityksiä lipsahtaa kaikkiin liidilistoihin.

Käyttäytymissignaalit

Mitä liidi tekee sinun ekosysteemissäsi. Nämä signaalit kertovat aikeesta paljon enemmän kuin firmografia.

• Verkkosivuvierailut. Hinnoittelusivun katsominen on dramaattisesti vahvempi signaali kuin etusivun vierailu.
• Sähköpostin avaukset ja klikit. Kolme avausta peräkkäin viimeisen 14 päivän aikana on huomattava signaali.
• Demokyselyt ja yhteydenottolomakkeet. Korkein paino, koska liidi on ottanut askeleen kohti sinua.
• LinkedIn-vuorovaikutus. Profiilivierailut, julkaisujen reaktiot, viestit. Sales Navigatorin tai Vaynen kautta saat datan ulos.
• Tapahtumiin osallistuminen. Webinaarit, messut. Suomessa Slushin, Nordic Business Forumin tai toimialakohtaisten messujen osallistujat ovat usein omaa ICP:tä.

Aikomussignaalit

Liidi tekee ulkomaailmassa jotain joka kertoo että hän on osto-tilassa. Suomessa nämä signaalit on usein helppo löytää, koska tieto on julkista.

• Rekrytointi-ilmoitukset. Yritys etsii uutta CMO:ta tarkoittaa että vanha lähti tai tarve laajeni. Markkinointiteknologian valinta on siellä lähellä.
• Johdon vaihdokset. Uusi vetäjä etsii voittoja ja tekee usein isoja teknologiavalintoja ensimmäisten kuuden kuukauden aikana.
• Rahoituskierrokset. Kauppalehden ja Finderin uutisvirta. Pääoma tarkoittaa kasvuhanketta tarkoittaa työkalukysyntää.
• Kilpailijoiden työpaikkailmoitukset. Jos kilpailijasi etsii samaa roolia jolle myyt, koko alalla on liikettä.
• Toimialamuutokset PRH:ssä. Yritys lisää uuden toimialan rekisteriin. Joku on aloittamassa jotain.

Hyvä scoring-malli ottaa kaikki kolme. Pelkkä firmografia kertoo "voiko tämä joskus ostaa". Käyttäytyminen kertoo "onko tämä kiinnostunut". Aikomus kertoo "onko nyt oikea hetki". Yhdessä ne muodostavat kuvan jonka kokenut myyjä piirtäisi päässään, mutta nopeasti ja tuhansille liideille.

AI vs sääntöpohjainen scoring: kumpi sinun kuuluu valita

Tämä on yleisin kysymys jonka kuulen. Vastaus riippuu volyymistä ja datan luonteesta.

Käytännössä parhaat järjestelmät tekevät molempia. Säännöt antavat perustason ja karsivat ilmeiset ulkopuoliset. AI rikastaa kontekstilla, lukee verkkosivun, selaa LinkedInin viimeiset viisi postausta ja kysyy mallilta: "miten todennäköisesti tämä yritys ostaa AI-automaatiopalveluita seuraavan kuuden kuukauden aikana, perustele." Vastaus tulee tiedon kanssa joka olisi muuten myyjän käsityötä.

Miksi Twenty CRM sopii erityisen hyvin suomalaiselle B2B:lle

Twenty on avoimen lähdekoodin CRM joka on kehittynyt nopeasti viimeisen kahden vuoden aikana. Twenty.com tarjoaa pilviversion, mutta itsehostattu on se mihin Wicflow useimmiten päätyy. Syyt suomalaiselle B2B-yritykselle:

EU-hostaus on yksinkertaista. Twenty pyörii Dockerissa. Pystytät sen Hostingerin Frankfurtin VPS:llä 30 minuutissa, ja kaikki data pysyy EU:n sisällä. Tämä tekee tietosuojavastaavan elämästä helppoa: ei tarvita vakiosopimuslausekkeita kolmansiin maihin, ei tarvita arviointia siitä onko yhdysvaltalaisen pilvipalvelun siirto turvallinen.

Custom fieldit ovat ensimmäisen luokan kansalaisia. Twenty:n datamalli on rakennettu niin että lisäät uuden kentän kontaktiin tai yritykseen suoraan käyttöliittymästä, ja se näkyy heti API:ssa, GraphQL-skeemassa ja workflowissa. HubSpotissa custom fieldit ovat olemassa mutta lukko niiden ympärillä on tiukempi. Salesforcessa joudut yleensä konsultin kautta.

Webhookit ja workflow ovat osa ilmaista tuotetta. HubSpotin Operations Hub maksaa kuukausittain enemmän kuin koko Twenty-instanssin VPS-hosting. Twenty:ssä laukaiset webhookin uudesta kontaktista, päivität kentän workflow:lla, kutsut ulkoista API:a ilman lisäkustannuksia.

Hinta on kestävällä tasolla. Twenty itsessään on ilmainen. Hostauksen hintalappu on 25-50 eur/kk pienelle tiimille. HubSpot Sales Hub Professional on 450 eur/kk per käyttäjä. Pipedrive on halvempi mutta lock-in kasvaa.

Tärkeä kaveatti: Twenty ei ole vielä yhtä kypsä kuin HubSpot tietyissä asioissa. Sähköpostien sisäinen seuranta, raportointidashboardit ja kalenteriintegraatiot ovat heikompia. Lead scoring on kuitenkin alue jossa Twenty on erityisen vahva, koska perusrakenne (kentät, automaatiot, API) on kunnossa ja saat rakentaa juuri sen mallin jonka tarvitset.

Käytännön setup: kentät, workflowt, AI-rikastus

Tämä on osa jonka takia olet täällä. Käymme läpi konkreettisen rakenteen jonka voit kopioida sellaisenaan tai mukauttaa omaan käyttöön.

Vaihe 1: Custom fieldit Companylle ja Personille

Twenty:ssä on kaksi pää-objektia: Company ja Person. Lead scoring asuu niiden päällä. Lisää nämä kentät kummallekin:

• lead_score (Number, 0-100). Lopullinen pistemäärä.
• score_firmographic (Number, 0-40). Yritystason perustiedot.
• score_behavioral (Number, 0-40). Käyttäytyminen.
• score_intent (Number, 0-20). Aikomussignaalit.
• score_tier (Select: hot, warm, cold). Helppo segmentti myyjälle.
• score_reasoning (Text). AI:n perustelu, miksi pisteet ovat mitä ovat.
• score_updated_at (DateTime). Milloin pisteet laskettiin viimeksi.
• icp_match (Boolean). Yksinkertainen kyllä/ei pohjasääntöjen perusteella.

Maksimi on 40 + 40 + 20 = 100. Painot ovat säädettävissä, mutta nämä toimivat aloittavalle suomalaiselle B2B-tiimille. Firmografia on lähtökohta, käyttäytyminen lähes yhtä tärkeä, aikomus pienempi mutta voimakas kun se osuu.

Vaihe 2: Sääntöpohjainen perustaso workflow:lla

Twenty:n workflow-toiminnolla rakennat sääntöpohjaisen scoringin osan ilman koodia. Logiikka pyörii uudelle kontaktille tai päivitetylle yritykselle. Esimerkki säännöistä:

// score_firmographic
if (industry includes "B2B SaaS, IT-palvelut, AI") += 15
if (employees >= 10 AND employees <= 200)           += 10
if (revenue >= 1M AND revenue <= 20M EUR)           += 10
if (location IN ["Helsinki", "Espoo", "Tampere"])   += 5

// score_behavioral
if (visited /pricing in last 30 days)               += 15
if (opened email 3+ times in last 14 days)          += 10
if (filled demo form)                               += 15

// score_intent
if (job posting for "growth", "ops", "AI" role)     += 10
if (funding round in last 6 months)                 += 10

Tämä antaa perustason kaikille liideille minuuteissa. Kun perussäännöt pyörivät, kerrostat AI:n päälle.

Vaihe 3: Webhook AI-rikastukseen

Tässä kohtaa Twenty laukaisee webhookin n8n:ään tai vastaavaan workflow-engineen, joka kutsuu OpenAI:n tai Anthropicin API:a. Käytän esimerkkinä Claudea koska Anthropic Claude API:n dokumentaatio on selkeä ja malli on hyvä strukturoidussa arvioinnissa.

Webhook-prosessi:

1. Twenty workflow laukaisee webhookin kun uusi Company luodaan tai kun score_firmographic ylittää 20.
2. n8n vastaanottaa webhookin, hakee Companyn julkisen verkkosivun (jos saatavilla), kerää LinkedIn-yritystiedot Apollon tai Vaynen kautta, ja kerää julkiset uutiset Newsdatasta tai Bing Search API:sta.
3. n8n lähettää koko paketin Claude API:lle prompttina jossa pyydetään 0-20 pistettä aikomussignaaleille ja vapaamuotoinen perustelu.
4. Vastaus parsitaan JSON:iksi ja kirjoitetaan takaisin Twenty:n score_intent ja score_reasoning -kenttiin.
5. Lopullinen lead_score lasketaan summana ja score_tier päätetään kynnysarvojen perusteella.

Esimerkki promptista jonka Wicflow käyttää (tiivistetty):

Olet B2B-myynnin analyytikko suomalaiselle AI-automaatioagentuurille.
Ostotodennäköisyys 0-20 pistettä seuraavalle yritykselle.

Yritys: {company_name}
Toimiala: {industry}
Verkkosivu: {website_summary}
Viimeisin uutinen: {latest_news}
Avoimet työpaikat: {job_postings}
LinkedIn-aktiivisuus: {linkedin_signals}

Vastaa JSON:ssa:
{
  "score": 0-20,
  "reasoning": "kahdessa virkkeessä mihin pisteet perustuvat",
  "top_signal": "vahvin yksittäinen signaali",
  "objection": "todennäköinen vastaväite myynnissä"
}

Claude tekee tämän muutamassa sekunnissa. Kustannus per liidi noin 0,01-0,03 eur. Tuhannen liidin kuukausibudjetti on noin 20 eur API-kustannuksia. Mitättömän pieni verrattuna myyjän työaikaan jonka tämä säästää.

Vaihe 4: Score writeback ja triggerit

Kun pisteet on laskettu, ne kirjoitetaan takaisin Twenty:hin GraphQL API:n kautta. Sama workflow asettaa score_tier:

• Hot (80-100). Myyjälle Slack-ilmoitus välittömästi. Tehtävä CRM:ään puhelua varten 24 tunnin sisällä.
• Warm (40-79). Drip-sähköpostisarja Instantly:n tai n8n:n kautta. Personoitu avaus AI:n kirjoittamasta perustelusta.
• Cold (0-39). Kuukausittainen newsletter, ei aktiivista myyntityötä. Pisteet lasketaan uudelleen kun uusi signaali tulee.

Triggerit ovat se kohta jossa scoring muuttuu pisteistä tuloksiksi. Pelkkä numero kentässä ei myy mitään. Numeron pitää käynnistää toiminto.

Pisteytyksen kynnysarvot ja niiden tulkinta

Numeroiden pitää tarkoittaa jotain. Tässä Wicflowin oletusarvot, joita säädetään asiakkaan ICP:n ja konversiohistorian mukaan.

Konversiomalli noudattaa yleensä Pareton tyyppistä jakaumaa. Hot-liidit kattavat 5-15 prosenttia kannasta mutta tuottavat 50-70 prosenttia diileistä. Warm tuottaa loput konversiot. Cold on luettelo joka kasvaa, ei voitto.

Kynnysarvoja säädetään tulosten perusteella. Jos hot-liideistä konvertoituu vain 10 prosenttia, kynnystä kannattaa nostaa. Jos warm-liideistä konvertoituu 30 prosenttia, jokin signaali warmissa on aliarvostettu ja malli vaatii uudelleenkalibrointia.

Yleisimmät virheet kun yritys rakentaa lead scoringia ensimmäistä kertaa

Olen nähnyt nämä toistuvasti. Säästät kuukausia välttämällä ne.

Yliannostelu signaaleissa. Ensimmäinen scoring-malli yrittää pisteyttää 30 eri kenttää. Tulos on että kukaan ei luota pisteisiin koska ei ymmärrä mistä ne tulivat. Aloita 8-10 signaalilla, kalibroi kolme kuukautta, lisää sen jälkeen.

Kaikki saavat saman pistemäärän. Jos suurin osa kannasta päätyy 50-70 pisteen haarukkaan, malli ei erottele. Tämä tarkoittaa että painot ovat liian tasaiset tai huipputiekkien kynnyksiä on liikaa. Tarkista jakauma kuukauden datan jälkeen ja säädä.

AI ilman pohjasääntöjä. "Annetaan Claude tehdä koko juttu" johtaa epävakaisiin tuloksiin. AI on hyvä tulkitsemaan kontekstia, mutta deterministinen sääntö "Y-tunnus aktiivinen" on aina parempi tehdä koodissa.

Pisteet eivät päivity. Liidi saa 75 pistettä helmikuussa, ja toukokuussa hän on jo ostanut kilpailijalta. Pisteen pitää vanhentua. Wicflow rakentaa nightly-jobin joka uudelleenpisteyttää aktiiviset liidit 30 päivän välein.

Mallia ei selitetä myyjille. Jos myyjä ei ymmärrä miksi liidi on hot, hän ei luota numeroon. Siksi score_reasoning -kenttä on niin tärkeä. AI kirjoittaa kahdessa virkkeessä miksi tämä liidi sai pisteensä, ja myyjä lukee sen ennen ensimmäistä puhelua.

GDPR:ää käsitellään jälkikäteen. Lead scoring on profilointia GDPR-mielessä. Tietosuojaselosteen pitää mainita automaattinen pisteytys ja vastaanottajan oikeus saada selvitys arvioinnista. Tämä lisätään ennen kuin järjestelmä menee tuotantoon, ei sen jälkeen kun joku kysyy. Hyvä tausta-aineisto on HubSpotin lead scoring -opas, mutta GDPR-osuus pitää tehdä Suomen tietosuojavaltuutetun ohjeistuksen mukaan.

Esimerkki todellisesta kalibroinnista: kahden kuukauden jälkeen

Otetaan konkreettinen esimerkki siitä mitä tapahtuu kun malli käynnistetään ja sitä säädetään datan mukaan. Tämä on tyypillinen kuva Wicflowin asiakkaan ensimmäisistä kahdesta kuukaudesta.

Kuukausi 1: 420 uutta liidiä Twenty CRM:ään. Pisteytys jakautuu hot 8 prosenttia (33 liidiä), warm 51 prosenttia (214 liidiä), cold 41 prosenttia (173 liidiä). Hot-liideistä myyjä avaa 28 keskustelua, joista 6 etenee tarjousvaiheeseen. Warm:sta avataan automatisoidulla nurturing-sekvenssillä 24 keskustelua, joista 2 etenee. Cold tuottaa nollan.

Kuukauden lopussa katsotaan numeroita. Hot-konversio tarjousvaiheeseen 21 prosenttia on hyvä, mutta warm:ssa on liikaa nimiä joista ei käynnisty mitään. Tarkistetaan jakauma: warm:ssa olevat liidit ovat keskimäärin saaneet 55 pistettä, ja näistä alle 10 prosenttia on tehnyt mitään konkreettista käyttäytymistä viimeisen 30 päivän aikana. Diagnoosi: firmografia on yliarvostettu, käyttäytymisen pohja-vaatimus on liian löysä.

Kalibrointi: nostetaan käyttäytymispainoa niin että liidi tarvitsee vähintään yhden konkreettisen toiminnan (sähköpostin avaus, sivukäynti, lomakkeen täyttö) viimeisen 14 päivän aikana päätyäkseen warm-kategoriaan. Lisätään firmografiselle puolelle yksi tiukempi sääntö: jos liikevaihto on alle 500 000 euroa, pisteet eivät voi nousta yli 30 ilman vahvaa demosignaalia.

Kuukausi 2: 510 uutta liidiä. Hot 12 prosenttia (61 liidiä), warm 32 prosenttia (163 liidiä), cold 56 prosenttia (286 liidiä). Hot-konversio tarjousvaiheeseen 26 prosenttia. Warm-konversio nousee 5 prosentista 12 prosenttiin koska ryhmä on tiukempi. Cold kasvaa, ja se on toivottu lopputulos: pohjaviiva tarkoittaa että emme käytä myyntityötä liideihin joista emme näe signaalia.

Tämä on miltä terve scoring-malli näyttää. Numerot liikkuvat kuukausittain, ja jokainen liike on signaali että jokin painotus tarvitsee säätöä. Kalibrointi on osa työtä, ei merkki epäonnistumisesta. Wicflow tekee tämän asiakkaan kanssa kuukausittain operations agent -retainerin osana, ja jokainen säätö dokumentoidaan niin että 6 kuukauden päästä näkee miksi malli on missäkin tilassa.

Mitä seurata jotta scoring pysyy hengissä

Lead scoring ei ole "rakennetaan kerran ja unohdetaan". Se on tuote. Se vaatii samanlaista ylläpitoa kuin verkkokauppa.

Kuukausittain seurattavat mittarit:

• Konversio per tier. Hot pitäisi konvertoitua 25-40 prosenttiin, warm 8-15 prosenttiin, cold alle 2 prosenttiin.
• Jakauma. Hot 5-15 prosenttia kannasta, warm 25-40, cold loput. Jos kaikki ovat warmissa, malli ei erottele.
• Aikaa hot:sta diiliin. Suomessa B2B-keskimääräinen myyntisykli on 60-90 päivää. Hot:sta pitäisi sulkeutua tämän sisällä.
• Vääriä positiivisia. Kuinka monta hot-liidiä myyjä disqualifioi puhelussa. Yli 30 prosenttia tarkoittaa että firmografia tai aikomus on yliarvostettu.
• Vääriä negatiivisia. Cold-liidit jotka konvertoituvat. Yksittäinen tapaus on satunnaisuus, kolme kuukauden aikana on signaali että jokin signaali puuttuu mallista.

Wicflow tekee tämän osana operations agent -retainerin kuukausi-tarkastusta. Käymme läpi numerot asiakkaan kanssa ja säädämme painoja sen mukaan mitä konversiodata sanoo.

Yhteenveto

AI lead scoring Twenty CRM:ssä on yksi parhaista ROI-ratkaisuista pienelle suomalaiselle B2B-tiimille tänä vuonna. Edellytykset ovat olemassa: avoin CRM joka skaalautuu, halvat ja hyvät kielimallit, julkista yritysdataa Suomessa ennätysmäärä. Esteet ovat lähinnä psykologisia: tuntuma ei luovu paikastaan helpolla, ja edelliset epäonnistumiset Excel-malleilla saavat ihmiset varovaisiksi.

Rakenne joka toimii on yksinkertainen kun se tiivistetään:

1. Custom fieldit Twenty:hin (8 kenttää, 30 minuuttia työtä).
2. Sääntöpohjainen perustaso workflow:lla (firmografia + perus-käyttäytyminen).
3. Webhook AI-rikastukseen (Claude tai OpenAI, n8n välissä).
4. Score writeback ja tier-trigger (hot, warm, cold + Slack-ilmoitus).
5. Kuukausittainen kalibrointi konversiodatan perusteella.

Itse rakennettuna kokonaisuus vie kehittäjältä 40-80 tuntia. Kuukausittaiset käyttökustannukset ovat 80-200 eur jos liidivolyymi on alle tuhat. Wicflow rakentaa avaimet käteen 14 päivässä ja vastaa ylläpidosta osana operations agent -retaineria. Jos teet tämän itse, tämä artikkeli on suunniteltu viemään sinut maaliin asti. Jos haluat että ulkopuolinen tiimi rakentaa, hoitaa ja optimoi, alta löytyy linkki.