Lead scoring: o que é, como fazer e como calibrar a pontuação de leads

O lead scoring é a prática de dar uma nota a cada lead para dizer, em um número, o quanto ele merece a atenção do time de vendas agora. Em vez de tratar toda a fila por ordem de chegada, a empresa soma pontos conforme o lead se aproxima do cliente ideal e conforme demonstra interesse, e usa esse total para decidir quem abordar primeiro.

A ideia resolve um problema simples: nem todo lead vale o mesmo esforço. Uma lista grande de contatos esconde poucos prontos para comprar e muitos que ainda não estão. A pontuação torna essa diferença visível, separa os leads quentes dos mornos e dos frios e evita que um vendedor gaste a manhã com quem só baixou um e-book por curiosidade.

Todo modelo sério de lead scoring combina duas dimensões independentes. O fit responde "quem é esse lead" e mede o quanto ele casa com o ICP: setor, tamanho da empresa, cargo, região, orçamento. O engajamento responde "o que esse lead faz" e mede as ações dele: abrir e-mails, visitar a página de preços, pedir uma demonstração, voltar ao site várias vezes na mesma semana.

• Alto fit e alto engajamento: lead quente, prioridade máxima de vendas.
• Alto fit e baixo engajamento: combina com o ICP mas esfriou, alvo de nutrição.
• Baixo fit e alto engajamento: animado mas fora do perfil, cuidado para não desperdiçar o time.
• Baixo fit e baixo engajamento: lead frio, fica no fim da fila.

Cruzar as duas dimensões, em vez de somar tudo num único número, evita o erro clássico de um lead cheio de cliques mas totalmente fora do perfil furar a fila na frente de uma conta que casa perfeitamente com o produto.

Montar um modelo começa por definir o destino. Liste os atributos de fit que descrevem seus melhores clientes e as ações de engajamento que costumam anteceder uma compra, depois atribua pesos a cada sinal conforme a força dele. Pedir uma demonstração vale muito mais que abrir um e-mail, e por isso deve pontuar muito mais.

• Escolha os sinais de fit: cargo, tamanho, setor e outros dados do ICP.
• Escolha os sinais de engajamento: visitas à página de preços, downloads, e-mails abertos, uso do produto.
• Atribua pesos: sinais de alta intenção pontuam mais; sinais fracos pontuam pouco.
• Defina os limiares: a partir de quantos pontos um lead vira MQL ou SQL e passa para vendas.

O primeiro modelo nunca sai perfeito. Ele é uma hipótese sobre o que prevê uma compra, e a nota só ganha valor quando é revisada contra o que acontece de verdade no funil.

Vale distinguir dois tipos de pontuação. O scoring explícito usa dados declarados pelo lead ou enriquecidos por fontes externas: cargo, setor, tamanho da empresa. É estável e diz respeito ao fit. O scoring comportamental usa o que o lead faz ao longo do tempo: páginas visitadas, e-mails abertos, eventos de produto. É dinâmico e diz respeito ao engajamento.

Como o comportamento envelhece, um bom modelo aplica decaimento (decay): pontos ganhos por uma visita de três meses atrás valem menos hoje do que os de ontem. Sem decaimento, leads antigos acumulam nota por inércia e continuam parecendo quentes muito depois de terem esfriado. O decaimento mantém a pontuação fiel ao interesse atual, não ao histórico congelado.

Em produtos de autoatendimento e trial gratuito, o sinal mais forte não é o cargo nem o setor, é o uso. Quando alguém ativa uma função central, convida colegas ou bate no limite do plano gratuito, mostra intenção real de um jeito que nenhum formulário captura. Esse padrão dá origem ao Product Qualified Lead (PQL).

Por isso, em PLG, o peso do engajamento de produto costuma superar o do fit demográfico. Um usuário que já sentiu o valor do produto, mesmo em uma empresa fora do ICP clássico, muitas vezes fecha mais rápido que um lead de perfil perfeito que nunca passou do cadastro. O lead scoring de um PLG precisa ler eventos de uso, não só cliques em marketing.

Um modelo de lead scoring só vale o que os dados confirmam. A calibração consiste em olhar para trás, para os leads que viraram clientes, e perguntar se a nota alta realmente antecedeu o fechamento. Se leads de nota 90 fecham na mesma proporção que os de nota 40, o modelo não está separando nada e precisa de novos pesos.

Os indicadores que revelam isso são a conversão de MQL para SQL e o win rate por faixa de pontuação: em um modelo saudável, quanto maior a nota, maior a taxa de avanço e de fechamento. Benchmarks de conversão do funil, como os compilados pelo Benchmarkit, ajudam a comparar seus números com o mercado. A regra é tratar o modelo como vivo: revisar os pesos a cada trimestre conforme o perfil de quem fecha muda.