Lead Scoring

Lead scoring es el sistema de puntuación que califica prospectos según su probabilidad de cierre, combinando datos demográficos (cargo, industria, tamaño de empresa, país) con datos comportamentales (páginas visitadas, emails abiertos, mensajes respondidos, demos agendadas). El objetivo es priorizar el trabajo del equipo comercial: llamar primero a los leads con score alto y dejar que la automatización caliente a los de score bajo. En B2B bien implementado, sube entre 20% y 40% la tasa de cierre sin aumentar el equipo.

Por qué importa — no todos los leads valen lo mismo.

En una operación B2B típica, el 20% de los leads genera el 80% de los ingresos. Sin scoring, el equipo comercial pierde horas persiguiendo prospectos fríos (curiosos, estudiantes, competencia haciendo benchmark) mientras leads de alto valor esperan respuesta y se enfrían. El scoring fuerza a ordenar la cola por probabilidad y por valor potencial, no por orden de llegada. En ciclos de venta B2B donde el primer vendedor que responde gana el 35-50% de los deals, priorizar bien es la diferencia entre cerrar 8% o 14% del embudo.

Scoring demográfico vs comportamental.

Dos dimensiones que se suman. Demográfico (también llamado firmographic): cargo del contacto, tamaño de la empresa, industria, país, facturación estimada. Responde la pregunta “¿es este perfil el que puede comprarnos?”. Comportamental: visitas al sitio, descargas, emails abiertos y clicados, respuestas en WhatsApp, demos agendadas, tiempo en la página de precios. Responde “¿qué tan caliente está este lead ahora mismo?”. Un lead con perfecto fit demográfico pero cero actividad en 30 días vale menos que uno con fit medio y respuesta reciente en WhatsApp.

Modelos simples vs machine learning.

Para empezar, un modelo de puntos simple basta. Asignas valores: director o C-level (+20), gerente (+10), analista (+3), industria objetivo (+15), país objetivo (+10), tamaño empresa 50-500 empleados (+15). Lo mismo para comportamiento: abrió email (+2), respondió WhatsApp (+10), agendó demo (+25), visitó página de precios (+8). Sumas y obtienes un número de 0 a 100. Solo empresas con más de 500 leads calificados por mes y equipo técnico se benefician de modelos ML (regresión logística, random forest entrenado con histórico de cerrados/perdidos). La mayoría de operaciones B2B LATAM nunca llegan a ese volumen.

Rangos y thresholds accionables.

Estructura típica de cuatro bandas. A (80-100): llamada humana en menos de una hora, asignación manual al mejor vendedor disponible. B (60-79): contacto humano en 24 horas, flujo semi-automatizado. C (40-59): nurturing automatizado por email y WhatsApp, revisión semanal. D (0-39): nurturing pasivo a largo plazo o descarte. La clave es que cada banda tenga una acción diferente y clara en el CRM — si todas terminan igual, el scoring es decorativo.

Cómo empezar sin overthinking.

Cinco a siete criterios máximo para la primera versión. Más que eso, el equipo no entiende el score, los scores se mueven poco entre leads y nadie confía en el sistema. Empieza con tres demográficos (cargo, tamaño empresa, industria) y tres comportamentales (respondió WhatsApp, agendó demo, visitó precios). Corre dos meses, revisa qué leads realmente cerraron y recalibra pesos. GoHighLevel y HubSpot tienen scoring nativo con reglas visuales; para lógica custom, un workflow en n8n que escucha webhooks del CRM es suficiente.

Señales de mal scoring.

Cuatro red flags. Uno, los leads con score alto no cierran más que los de score bajo — el modelo está mal calibrado. Dos, el 80% de los leads queda en la misma banda — los pesos no discriminan. Tres, el equipo comercial ignora el score y sigue trabajando por orden de llegada — falta adoption, probablemente el UX en el CRM no lo destaca. Cuatro, el score no se actualiza en tiempo real cuando el lead actúa (abre email, responde WhatsApp) — no sirve para priorizar. Un scoring que funciona se recalibra cada 1-2 meses con data real de cerrados y perdidos.