Lead scoring é um modelo que ranqueia leads pela probabilidade de comprarem, combinando fit firmographic (quem eles são) com intent comportamental (o que eles fazem). Um modelo funcional deixa o marketing rotear o top decil para sales imediatamente, fazer nurture do meio, e ignorar o fundo. Sem um, sales desperdiça 60 a 80 por cento do tempo de follow-up em leads que nunca vão fechar.
O modelo de dois eixos
A maioria dos times B2B faz scoring em dois eixos independentes:
- Fit score (firmographic). Indústria, contagem de funcionários, receita, geografia, match de tech stack com seu ICP. Faixa: 0 a 100.
- Intent score (comportamental). Páginas vistas, conteúdo baixado, emails abertos, comparecimento em webinar, demo requests, visitas de retorno. Faixa: 0 a 100.
Um lead com fit alto e intent alto é um inbound quente. Fit alto, intent baixo é um alvo para outbound. Fit baixo, intent alto é um tire-kicker — desprioritize com educação.
Como projetar o modelo
- Puxe 12 meses de closed-won e closed-lost. Esse é seu training set.
- Liste signals candidatos. Firmographic do ZoomInfo ou Clearbit; comportamental da sua marketing automation e dados de produto.
- Rode uma logistic regression ou, se você tem um dataset limpo, treine um modelo. O ponto é aprender pesos a partir dos dados, não de um workshop.
- Defina thresholds. Top decil vira MQL. Os próximos 30 por cento vão para nurture. O fundo de 60 por cento vai para outreach frio de longo prazo ou é suprimido.
- Revise mensalmente. Win rates por faixa de score te dizem se o modelo está calibrado.
Um modelo simples, ajustado à mão, frequentemente bate um modelo de ML complexo no primeiro ano, porque você tem 200 wins, não 20.000.
Targets e benchmarks
Calibre o score de modo que:
- Leads do top decil convertem em opportunity em 30 a 50 por cento
- A faixa MQL converte para SQL em 20 a 35 por cento
- O lift entre o top decil e o fundo é de pelo menos 5x
Se o lift é menos de 3x, o modelo mal está aprendendo algo; reconstrua com signals diferentes.
Armadilhas comuns
- Adicionar campos de signal baixo demais. Cada pergunta no form de marketing reduz a conversão em 5 a 10 por cento. Faça scoring em dados que você consegue enriquecer, não em dados que você pede.
- Thresholds estáticos. ICP muda todo ano; thresholds também precisam. Recalibre trimestralmente.
- Sem signals negativos. Domínio de email gratuito, título de estudante, empresa competidora — esses deveriam subtrair pontos, não serem ignorados.
Relacionado
- MQL vs SQL — o que o score determina
- ICP — a fundação do eixo de fit
- Lead routing — o que acontece depois que um lead cruza o threshold