Lead scoring

El lead scoring es el método de asignar un puntaje numérico a cada lead según qué tan bien encaja con tu cliente ideal y qué tan interesado se muestra. La idea es simple: en vez de tratar a todos los contactos por igual, el equipo de ventas prioriza a quienes acumulan más puntos, porque estadísticamente son los que están más cerca de comprar.

El puntaje se construye sumando (y a veces restando) puntos por distintas señales. Un gerente de operaciones de una empresa grande que descarga un caso de éxito suma más que un estudiante que abre un email una vez. Así, el equipo invierte su tiempo donde hay más probabilidad de cerrar, en lugar de perseguir contactos fríos.

En una operación sobre Salesforce, el lead scoring vive dentro del CRM y alimenta la priorización de Sellium, donde cada lead llega ordenado por su puntaje antes de que un vendedor lo trabaje.

Las dos dimensiones del puntaje: atributos vs comportamiento

Un buen modelo de lead scoring combina dos tipos de señales que no hay que confundir. Por un lado están los atributos (scoring demográfico o firmográfico): quién es el contacto y a qué empresa pertenece. Cargo, industria, tamaño de la empresa, país, facturación. Estas señales miden el encaje (qué tan parecido es a tu perfil de cliente ideal). Por otro lado está el comportamiento: qué hace el contacto. Visitas a la web, descargas, aperturas de email, clics, solicitudes de demo, asistencia a un webinar. Estas señales miden el interés y la intención de compra en el tiempo.

La diferencia es clave: un contacto puede tener encaje perfecto pero cero interés (el cargo ideal que nunca abrió un email) o mucho interés pero poco encaje (un estudiante que devora todo tu contenido pero nunca comprará). Los modelos más útiles separan ambos ejes y solo marcan como prioritario al lead que puntúa alto en los dos. A los que tienen encaje pero poco interés se los manda a lead nurturing; a los de mucho interés y poco encaje, se los deja madurar o se los descarta.

Atributos vs comportamiento, lado a lado

Ejemplo de un modelo de puntos simple

Imaginemos una empresa B2B en Argentina que vende software de gestión. Su modelo podría verse así, con un umbral de 50 puntos para pasar un lead a ventas:

• Cargo gerencial o de dirección: +20
• Empresa de más de 50 empleados: +15
• Industria objetivo (por ejemplo, Consumo Masivo): +10
• Email corporativo (no gmail/hotmail): +5
• Solicitó una demo: +25
• Visitó la página de precios: +15
• Descargó un ebook: +10
• Abrió tres o más emails en la semana: +5
• Email personal gratuito: -10
• Sin actividad en 30 días: -15

Con esa tabla, un gerente de una pyme de Consumo Masivo que pide una demo y mira precios llega rápido al umbral y aparece arriba en la cola del vendedor. Un contacto con email de gmail que solo abrió un correo queda lejos del corte y sigue en una secuencia automática de nutrición.

Por qué importa en LATAM

En equipos comerciales chicos, que es lo común en muchas empresas de la región, el tiempo del vendedor es el recurso más escaso. Sin scoring, el comercial trabaja por orden de llegada o por intuición, y termina dedicando horas a contactos que nunca iban a comprar mientras un lead caliente se enfría esperando. Un modelo de puntos, aunque sea básico, convierte una lista desordenada en una cola priorizada y hace que el seguimiento sea consistente, no dependiente del humor del día.

Errores comunes

El primer error es complicar el modelo de entrada: arrancar con 40 reglas y pesos finos sin datos históricos. Conviene empezar simple, con cinco o seis señales claras, y ajustar después. El segundo es no restar nunca puntos: si un lead no muestra actividad por semanas o entrega un email descartable, el puntaje debería bajar (scoring negativo o decay), porque el interés caduca. El tercero es no cerrar el lazo con ventas: si el equipo comercial dice que esos leads de 80 puntos no servían, hay que revisar el modelo, no ignorar el dato. El scoring es una hipótesis que se calibra contra resultados reales de cierre.

Hoy muchos CRM permiten ir más allá del modelo de reglas manuales y usar scoring predictivo, donde un modelo de machine learning analiza tus oportunidades ganadas y perdidas pasadas para descubrir solo qué señales predicen el cierre, y asigna el puntaje sin que vos definas cada peso a mano.