Lead scoring: qué es, cómo hacerlo y cómo calibrar la puntuación de leads

El lead scoring es la práctica de dar a cada lead un número que dice, de un vistazo, cuánta atención del equipo de ventas merece ahora. En lugar de trabajar la fila por orden de llegada, la empresa suma puntos a medida que el lead se acerca al cliente ideal y a medida que muestra interés, y usa ese total para decidir a quién contactar primero.

La idea resuelve un problema simple: no todo lead vale el mismo esfuerzo. Una lista larga de contactos esconde a unos pocos listos para comprar y a muchos que todavía no lo están. La puntuación hace visible esa diferencia, separa los leads calientes de los templados y los fríos y evita que un vendedor pase la mañana con alguien que solo descargó un ebook por curiosidad.

Todo modelo serio de lead scoring combina dos dimensiones independientes. El fit responde "quién es este lead" y mide cuánto encaja con el ICP: sector, tamaño de la empresa, cargo, región, presupuesto. El engagement responde "qué hace este lead" y mide sus acciones: abrir correos, visitar la página de precios, pedir una demo, volver al sitio varias veces en la misma semana.

• Alto fit y alto engagement: lead caliente, máxima prioridad de ventas.
• Alto fit y bajo engagement: encaja con el ICP pero se ha enfriado, objetivo de nutrición.
• Bajo fit y alto engagement: entusiasmado pero fuera de perfil, cuidado con no desperdiciar al equipo.
• Bajo fit y bajo engagement: lead frío, se queda al final de la fila.

Cruzar las dos dimensiones, en lugar de sumar todo en un único número, evita el error clásico de que un lead lleno de clics pero totalmente fuera de perfil se cuele en la fila por delante de una cuenta que encaja a la perfección con el producto.

Montar un modelo empieza por definir el destino. Enumera los atributos de fit que describen a tus mejores clientes y las acciones de engagement que suelen anteceder a una compra, y luego asigna pesos a cada señal según su fuerza. Pedir una demo vale mucho más que abrir un correo, y por eso debe puntuar mucho más.

• Elige las señales de fit: cargo, tamaño, sector y otros datos del ICP.
• Elige las señales de engagement: visitas a la página de precios, descargas, correos abiertos, uso del producto.
• Asigna pesos: las señales de alta intención puntúan más; las señales débiles puntúan poco.
• Define los umbrales: a partir de cuántos puntos un lead se convierte en MQL o SQL y pasa a ventas.

El primer modelo nunca sale perfecto. Es una hipótesis sobre qué predice una compra, y la nota solo gana valor cuando se revisa contra lo que de verdad ocurre en el embudo.

Conviene distinguir dos tipos de puntuación. El scoring explícito usa datos declarados por el lead o enriquecidos desde fuentes externas: cargo, sector, tamaño de la empresa. Es estable y tiene que ver con el fit. El scoring conductual usa lo que el lead hace a lo largo del tiempo: páginas visitadas, correos abiertos, eventos de producto. Es dinámico y tiene que ver con el engagement.

Como el comportamiento envejece, un buen modelo aplica decaimiento (decay): los puntos ganados por una visita de hace tres meses valen hoy menos que los de ayer. Sin decaimiento, los leads antiguos acumulan nota por inercia y siguen pareciendo calientes mucho después de haberse enfriado. El decaimiento mantiene la puntuación fiel al interés actual, no a un historial congelado.

En productos de autoservicio y pruebas gratuitas, la señal más fuerte no es el cargo ni el sector, es el uso. Cuando alguien activa una función central, invita a colegas o llega al límite del plan gratuito, muestra intención real de un modo que ningún formulario captura. Ese patrón da origen al Product Qualified Lead (PQL).

Por eso, en PLG, el peso del engagement de producto suele superar al del fit demográfico. Un usuario que ya sintió el valor del producto, incluso en una empresa fuera del ICP clásico, muchas veces cierra más rápido que un lead de perfil perfecto que nunca pasó del registro. El lead scoring de un PLG tiene que leer eventos de uso, no solo clics de marketing.

Un modelo de lead scoring solo vale lo que los datos confirman. La calibración consiste en mirar hacia atrás, a los leads que se convirtieron en clientes, y preguntarse si la nota alta realmente antecedió al cierre. Si los leads de nota 90 cierran en la misma proporción que los de nota 40, el modelo no separa nada y necesita nuevos pesos.

Los indicadores que lo revelan son la conversión de MQL a SQL y el win rate por franja de puntuación: en un modelo sano, cuanto mayor es la nota, mayor es la tasa de avance y de cierre. Los benchmarks de conversión del embudo, como los que recopila Benchmarkit, ayudan a comparar tus números con el mercado. La regla es tratar el modelo como algo vivo: revisar los pesos cada trimestre a medida que cambia el perfil de quien cierra.