El lead scoring es un modelo que clasifica leads por su probabilidad de comprar, combinando fit firmográfico (quiénes son) con intención conductual (qué hacen). Un modelo que funciona permite a marketing rutear el decil superior a ventas de inmediato, nutrir el medio e ignorar el fondo. Sin él, ventas desperdicia entre 60 y 80 por ciento de su tiempo de seguimiento en leads que nunca cerrarán.
El modelo de dos ejes
La mayoría de los equipos B2B puntúan en dos ejes independientes:
- Score de fit (firmográfico). Industria, número de empleados, ingresos, geografía, tech stack contra tu ICP. Rango: 0 a 100.
- Score de intención (conductual). Páginas vistas, contenido descargado, emails abiertos, asistencia a webinars, solicitudes de demo, visitas recurrentes. Rango: 0 a 100.
Un lead con alto fit y alta intención es un inbound caliente. Alto fit, baja intención es un objetivo para outbound. Bajo fit, alta intención es un curioso — despriorizá amablemente.
Cómo diseñar el modelo
- Extraé 12 meses de closed-won y closed-lost. Es tu set de entrenamiento.
- Listá señales candidatas. Firmográficas desde ZoomInfo o Clearbit; conductuales desde tu marketing automation y datos de producto.
- Corré una regresión logística o, si tenés un dataset limpio, entrená un modelo. El punto es aprender pesos desde datos, no desde un workshop.
- Definí umbrales. El decil superior se convierte en MQL. El siguiente 30 por ciento va a nurture. El 60 por ciento inferior va a outreach frío de largo plazo o se suprime.
- Revisá mensualmente. Las tasas de conversión por banda de score te dicen si el modelo está calibrado.
Un modelo simple ajustado a mano suele ganarle a un modelo ML complejo en el primer año porque tenés 200 wins, no 20.000.
Objetivos y benchmarks
Calibrá el score para que:
- Los leads del decil superior conviertan a oportunidad en 30 a 50 por ciento
- La banda MQL convierta a SQL en 20 a 35 por ciento
- El lift entre el decil superior e inferior sea de al menos 5x
Si el lift es menor a 3x, el modelo apenas está aprendiendo algo; reconstruilo con señales distintas.
Errores comunes
- Agregar muchos campos de baja señal. Cada pregunta del formulario reduce la conversión 5 a 10 por ciento. Puntuá sobre datos que podés enriquecer, no sobre datos que pedís.
- Umbrales estáticos. El ICP cambia cada año; los umbrales también deben cambiar. Recalibrá trimestralmente.
- Sin señales negativas. Dominio de email gratuito, título de estudiante, empresa competidora — deben restar puntos, no ser ignorados.
Relacionado
- MQL vs SQL — lo que el score determina
- ICP — la base del eje de fit
- Lead routing — qué pasa después de que un lead cruza el umbral