≡En resumen
- El lead scoring combina quién es el lead (perfil) y qué hace (comportamiento).
- Los puntos negativos y la caducidad de la puntuación son tan importantes como los positivos.
- El umbral de MQL se acuerda con ventas y se revisa con datos de cierre reales.
- El scoring predictivo aprende de tus clientes pasados, pero necesita historial suficiente.
- Un modelo sencillo que se usa vale más que uno perfecto que nadie mantiene.
01 ¿Qué es el lead scoring?
Es una pieza central del inbound marketing: el contenido atrae y el nurturing educa, pero sin una puntuación objetiva ventas no sabe a quién llamar. El scoring traduce el «este lead parece interesado» en un número que el CRM puede usar para asignar, avisar y priorizar.
02 Scoring explícito e implícito
| Dimensión | Qué mide | Datos típicos | Cómo se obtiene |
|---|---|---|---|
| Explícito (encaje o perfil) | Si se parece a tu cliente ideal | Cargo, sector, tamaño de empresa, país, presupuesto | Formularios, enriquecimiento de datos, LinkedIn |
| Implícito (interés o comportamiento) | Cuánto interés demuestra | Visitas, páginas vistas, descargas, clics, webinars, respuestas | Seguimiento web, email y CRM |
03 Cómo crear un modelo de lead scoring por puntos
-
1
Analiza tus clientes actuales
Qué perfil tienen los que compraron y qué hicieron antes de comprar.
-
2
Elige los criterios de perfil
Cinco o seis atributos que de verdad distinguen a un buen cliente.
-
3
Elige los comportamientos
Acciones que preceden a la compra, con más peso para las de alta intención.
-
4
Asigna puntos y restas
Pondera cada criterio y añade puntos negativos para señales de descarte.
-
5
Añade caducidad
Resta puntos a las acciones antiguas: una visita de hace un año no vale lo mismo que una de ayer.
-
6
Fija umbrales con ventas
Qué puntuación convierte a un lead en MQL y cuál dispara el contacto inmediato.
-
7
Revisa cada trimestre
Compara puntuaciones con ventas cerradas y ajusta pesos y umbrales.
| Criterio | Tipo | Puntos |
|---|---|---|
| Cargo con poder de decisión | Perfil | +20 |
| Sector objetivo | Perfil | +15 |
| Empresa del tamaño ideal | Perfil | +10 |
| Descarga de un caso de éxito | Comportamiento | +10 |
| Visita a la página de precios | Comportamiento | +20 |
| Asistencia a un webinar | Comportamiento | +15 |
| Solicitud de demo o presupuesto | Comportamiento | +40 |
| Email genérico o de estudiante | Negativo | -20 |
| Visita a la página de empleo | Negativo | -15 |
| Baja de la lista de emails | Negativo | -30 |
Laura es gerente (+20) de una empresa del sector objetivo (+15) con 40 empleados, dentro del tamaño ideal (+10). En marzo descargó un caso de éxito (+10) y asistió a un webinar (+15); en septiembre visita la página de precios (+20). Con una caducidad que resta la mitad de los puntos de comportamiento a los seis meses, sus acciones de marzo pasan a valer 12,5. Total: 45 de perfil + 12,5 + 20 = 77,5 puntos. Supera el umbral de 70 y ventas recibe un aviso con su historial para contactarla.
Si en lugar de gerente fuera una estudiante en prácticas con un email genérico, el mismo comportamiento se quedaría muy por debajo del umbral: interés alto, encaje bajo, y seguiría en nurturing.
04 Umbrales de MQL y SQL
La puntuación solo sirve si desencadena algo. Lo habitual es definir tramos que se corresponden con la temperatura del lead y con las etapas del ciclo de vida del CRM:
| Puntuación | Temperatura | Etapa | Acción |
|---|---|---|---|
| 0 - 39 | Frío | Lead | Nurturing educativo |
| 40 - 69 | Templado | Lead con interés | Nurturing de consideración |
| 70 o más | Templado alto | MQL | Traspaso a ventas con plazo de contacto |
| Validado por ventas | Caliente | SQL | Propuesta y oportunidad en el CRM |
Los tramos del ejemplo son orientativos: con ellos se decide si un contacto se trabaja como uno de los leads fríos, como uno de los templados o como un lead caliente que hay que llamar ya. Los tuyos deben salir de tus propios datos.
05 Lead scoring predictivo con IA
En lugar de asignar los puntos a mano, el scoring predictivo usa modelos de aprendizaje automático que analizan qué características y comportamientos compartían los leads que se convirtieron en clientes y calculan la probabilidad de conversión de cada lead nuevo.
| Aspecto | Manual por puntos | Predictivo |
|---|---|---|
| Quién define los pesos | Marketing y ventas | El modelo, a partir del historial |
| Datos necesarios | Pocos; sirve desde el principio | Historial de conversiones suficiente |
| Transparencia | Alta: sabes por qué puntúa | Menor: conviene revisar qué factores pesan |
| Mantenimiento | Revisión manual periódica | Se recalcula con los datos nuevos |
| Disponibilidad | Casi cualquier CRM o herramienta de email | Planes avanzados de CRM y automatización |
06 Errores frecuentes en lead scoring
- ✓Diseñar el modelo sin ventas: ventas no confiará en la puntuación y la ignorará.
- ✓Dar muchos puntos a acciones de poco valor, como abrir emails.
- ✓No usar puntos negativos ni caducidad, de modo que la puntuación solo sube.
- ✓Poner un umbral tan bajo que ventas recibe leads sin interés real.
- ✓No revisar el modelo con datos de cierre durante meses.
- ✓Puntuar sin tener un proceso de nurturing para los que no llegan al umbral.
El scoring y el nurturing funcionan en pareja: uno mide y el otro hace avanzar. Las acciones de interés que más peso tienen suelen venir de secuencias de email marketing para empresas bien segmentadas.
07 Herramientas y siguiente paso
CRM con scoring nativo
HubSpot, Salesforce o Zoho CRM permiten puntuaciones por reglas y, en sus planes superiores, modelos predictivos.
Automatización de marketing
ActiveCampaign, Mautic y otras suman puntos por aperturas, clics, visitas y etiquetas.
Hoja de cálculo
Para validar el modelo con pocos leads antes de automatizarlo.
Enriquecimiento de datos
Servicios que completan cargo, sector o tamaño de empresa para el scoring de perfil.
Montar un modelo de scoring útil requiere acordar el perfil ideal, conectar web, email y CRM, y revisar resultados cada trimestre. Es parte del trabajo de marketing digital para empresas B2B que hacemos en appyweb.
Preguntas frecuentes sobre Lead Scoring
Es un método para puntuar a cada lead según su encaje con tu cliente ideal y el interés que demuestra, con el fin de priorizarlo y decidir cuándo pasa a ventas.
Significa «puntuación» o «calificación de leads».
El explícito puntúa datos del perfil, como cargo, sector o tamaño de empresa; el implícito puntúa el comportamiento, como visitas, descargas, clics o asistencia a webinars.
Analiza a tus clientes, elige criterios de perfil y comportamiento, asigna puntos positivos y negativos, añade caducidad, fija con ventas los umbrales de MQL y SQL y revisa el modelo cada trimestre.
No hay una cifra universal: depende de tu modelo. Fija el umbral con ventas y ajústalo según la proporción de MQL que acaban siendo clientes.
Un scoring en el que un modelo de aprendizaje automático calcula la probabilidad de conversión a partir del historial de leads que compraron y no compraron.
Son restas por señales de descarte o de pérdida de interés, como un email de estudiante, visitas a la página de empleo, bajas de la lista o meses sin actividad.
El lead scoring mide lo preparado que está un lead; el lead nurturing le envía el contenido que le ayuda a avanzar. Se usan juntos.
Fuentes consultadas
Sobre el autor
Federico Libutzki
Director comercial en appyweb
Dirige el área comercial de appyweb y acompaña a las empresas en la captación de clientes, ventas y fidelización.
Ver perfil en LinkedIn ↗