Lead Scoring.
Asignar un número a cada prospecto para priorizar a quién contactar primero. Lo fácil de describir y lo difícil de calibrar: un lead scoring mal ajustado quema al equipo comercial con leads crudos o inflama métricas de marketing sin producir pipeline real. El trabajo no es el algoritmo, es el umbral.
Lead scoring.
El lead scoring es el sistema que asigna un número a cada lead para priorizar qué prospectos merecen atención comercial inmediata, cuáles necesitan nurturing y cuáles no justifican inversión. Opera combinando dos dimensiones: fit (qué tan cerca está el lead del ICP de la empresa) y engagement (qué tanto interactuó con los activos de marketing y ventas). La suma ponderada de ambas produce un score, típicamente de 0 a 100. Ese score atraviesa umbrales que determinan el estado del lead en el CRM: de Cold a Warm a MQL (Marketing Qualified Lead) a SQL (Sales Qualified Lead) a Hot. Cada estado dispara acciones distintas en las campañas de lifecycle y en el orchestration general. El valor operativo no está en la sofisticación del modelo, está en los umbrales bien calibrados al volumen y capacidad del equipo comercial.
02 — Lead vs customerLead scoring vs customer scoring.
Los dos frameworks comparten lógica pero operan sobre poblaciones distintas, con datos distintos y decisiones distintas. Lead scoring opera sobre prospectos que todavía no compraron: su propósito es predecir probabilidad de conversión. Customer scoring opera sobre clientes existentes: predice probabilidad de churn, expansión o advocacy.
Las señales también son distintas. Lead scoring combina fit (industria, tamaño de empresa, rol del contacto, geografía) con interacciones pre-venta (apertura de emails, páginas vistas, descargas, demos solicitadas). Customer scoring combina uso del producto (features activadas, frecuencia de login, volumen de transacciones) con engagement post-venta (tickets, NPS, renovaciones previas).
Brian Carroll, en Lead Generation for the Complex Sale, articuló por qué la distinción importa: empresas que aplican customer scoring a prospectos ignoran señales de fit críticas; empresas que aplican lead scoring a clientes ignoran comportamiento de producto. Los sistemas que mejor rinden mantienen scoring separados con integración operativa, no un solo score universal. Este spoke se enfoca en el lead scoring; el customer scoring tiene su propio spoke dedicado, y el análisis RFM cubre la capa transaccional complementaria.
03 — AnatomíaAnatomía del modelo: fit y engagement.
Un lead scoring operativo combina ambas dimensiones con pesos calibrados. Fit responde a “¿este prospecto es el tipo de cliente que queremos?”; engagement responde a “¿está mostrando señales reales de interés?”. Ambas son necesarias: un prospecto con alto fit sin engagement es un lead frío que no está comprando todavía; un prospecto con alto engagement sin fit es alguien que consume el contenido sin tener capacidad o autoridad para comprar. Los dos se suman; raramente se reemplazan.
SiriusDecisions (ahora Forrester) estandarizó hace décadas la matriz conceptual Fit×Interest, que sigue siendo el marco dominante. La práctica contemporánea traduce esa matriz en un score único combinando factores de ambas dimensiones con pesos asignados manualmente (scoring explícito) o aprendidos por un modelo (scoring predictivo). La construcción del modelo debe partir del buyer persona real y del JTBD que el cliente contrata, no de supuestos demográficos genéricos que el equipo comercial nunca validó.
04 — TermómetroTermómetro de scoring: las cinco bandas.
La traducción operativa del score en estados del lead usa típicamente cinco bandas. Cada banda dispara una acción distinta y determina quién trabaja al lead (marketing vs ventas vs ambos).
No contactar aún. Lead con bajo fit o ningún engagement. Mantener en newsletter general, medir si el score sube orgánicamente. La inversión comercial aquí es desperdicio.
Nurturing de marketing. Interacción inicial: algunas aperturas, página vista, quizás descarga. Todavía no justifica contacto comercial. Secuencias educativas acelerando movimiento hacia MQL.
Marketing Qualified Lead. Fit aceptable + engagement creciente. Marketing lo considera listo para manos comerciales. Handoff formal a ventas con contexto de comportamiento registrado.
Sales Qualified Lead. Ventas validó fit, autoridad y timing. Pasa a pipeline formal con seguimiento activo. La mayoría de conversiones a cliente ocurre desde esta banda.
Prioridad máxima. Señal explícita de compra (cotización solicitada, demo agendada, trial activo). Contacto en <4 horas. Cada hora de demora reduce probabilidad de cierre significativamente.
En las auditorías que hicimos, el lead scoring que no funciona casi siempre tiene el mismo problema: los pesos se copiaron de algún template genérico y nadie los ajustó a la realidad del negocio. La empresa que vende consultoría a CEOs tiene que pesar diferente a una empresa que vende SaaS self-service a equipos técnicos. El lead scoring genérico es como el talle único: tal vez te entra, pero no te queda bien.
Lisandro IserteCómo calibrar los umbrales.
Los umbrales MQL y SQL no se derivan de fórmulas; se calibran iterativamente con data propia. El umbral correcto es el que produce el volumen de leads que el equipo comercial puede procesar con calidad — ni más ni menos.
Cuatro pasos para ajustar MQL y SQL al volumen operativo
Estimar capacidad del equipo comercial
Cuántos leads puede trabajar cada vendedor por semana con calidad. En B2B complejo: 15-25 leads por vendedor por semana. En B2C: 50-100. La capacidad total del equipo marca el ancho del embudo que puede bajar a ventas.
Empezar conservador
Umbral MQL inicial: top 20% del score. Umbral SQL: top 10%. Prefereencia a restringir al inicio — es más fácil bajar el umbral cuando el equipo tiene capacidad de sobra que subirlo cuando está saturado.
Medir tasas de conversión por banda
Durante 60-90 días: cuántos MQL se convierten en SQL, cuántos SQL en cliente, cuál es la velocidad. Si MQL→SQL es muy bajo (<15%), el umbral MQL es muy permisivo. Si es muy alto (>60%), es muy restrictivo.
Ajustar iterativamente
Mover el umbral gradualmente según la data real. No cambiar más de 5-10 puntos por vez para aislar el efecto. Documentar cada cambio con su justificación y resultado esperado. El lead scoring maduro es práctica viva, no modelo estático.
Anti-consenso: explícito antes que predictivo.
La narrativa del mercado martech empuja hacia scoring predictivo con machine learning como siguiente paso evolutivo. Para la mayoría de empresas, es salto prematuro.
Scoring predictivo requiere condiciones que pocas empresas cumplen
Los modelos predictivos necesitan al menos 500-1.000 conversiones históricas para producir predicciones con señal confiable. Empresas con volumen menor entrenan modelos que sobreajustan a ruido histórico y producen scores peores que un scoring explícito bien calibrado. Halligan y Shah documentó en HubSpot que el scoring predictivo rinde solo cuando la cantidad de señales por lead es significativa (cientos de puntos de datos) y el volumen total supera umbrales críticos.
Hay una segunda razón operativa. El scoring explícito es auditable: cualquier persona puede ver por qué un lead tiene score 78 (demo solicitada +25, C-level +15, industria match +20, pricing visitado +15, email abierto +3). El scoring predictivo es caja negra: el modelo dice 78, pero el equipo no sabe por qué y no puede ajustar manualmente cuando la realidad cambia. La auditabilidad permite aprendizaje organizacional que la caja negra impide.
La secuencia correcta: explícito bien calibrado primero, midiendo impacto por banda durante 6-12 meses con A/B tests sobre los umbrales, identificando donde la imprecisión del modelo cuesta dinero real, y solo entonces evaluando si ML aporta mejora marginal suficiente para justificar su costo de implementación y mantenimiento. Brian Carroll concluyó después de tres décadas de consulting B2B: el 80% de los problemas de lead scoring son de calibración explícita mal hecha, no de falta de sofisticación algorítmica.
Cómo conecta con el sistema.
Fidelización: lead scoring alimenta el customer scoring
Leads que convierten en cliente heredan contexto de scoring al sistema de customer scoring. Continuidad entre pre y post-venta.
Crecimiento: calidad de leads por canal
Cruzar leads con score por canal de adquisición revela qué fuentes traen leads calificados y cuáles inflan volumen sin pipeline real.
Mercado: criterios ICP definen fit
Sin definición clara de ICP, la dimensión fit no tiene suelo. Refinar ICP mejora scoring automáticamente.
Rendimiento: tasas de conversión por banda
Los dashboards deben mostrar conversión MQL→SQL→cliente. Ese funnel valida calibración o la invalida.
Oferta: score informa argumentación comercial
Un Hot con demo solicitada requiere cotización precisa. Un MQL con solo descargas requiere educación. Ajustar pitch al score.
Estrategia: scoring como palanca de alineación mkt-ventas
El acuerdo de servicio (SLA) entre marketing y ventas se opera a través del scoring. Calibración incorrecta produce fricción estructural entre ambos equipos.
Marca: tono comercial diferenciado por banda
Un Hot se contacta con tono ejecutivo directo; un Warm con contenido educativo. La identidad verbal debe tener variantes calibradas.
Errores frecuentes y preguntas frecuentes.
Copiar pesos de templates genéricos
Los pesos deben reflejar el negocio propio. Una empresa B2B enterprise pesa fit diferente a una B2C self-service. Calibrar con data histórica propia, no con defaults. El contexto del go-to-market define qué señales son predictivas.
No incluir decay temporal
Un lead que abrió 10 emails hace un año no es lo mismo que uno que los abrió esta semana. Sin decay, el score infla leads inactivos y engaña al equipo. El recién interactuante pesa más que el antiguo.
Un solo umbral para toda la empresa
Equipos de ventas con capacidades distintas necesitan umbrales distintos. El umbral es parámetro operativo, no verdad universal. Escalar por segmento o región según capacidad local.
No medir conversión por banda
Sin medir MQL→SQL→cliente por cohorte, el lead scoring existe en teoría pero no se valida. El cohort analysis por mes de entrada es obligatorio. Los KPIs del embudo deben separarse por banda y por cohorte de origen.
¿Diferencia entre lead y customer scoring?
Lead opera sobre prospectos, customer sobre clientes existentes. Señales distintas (fit+engagement vs uso del producto+engagement post-venta). Tratarlos como lo mismo produce sistemas que no rinden.
¿Cómo calibro umbrales MQL y SQL?
No con fórmulas. Con capacidad operativa del equipo. Empezar conservador (top 20% MQL, 10% SQL), medir conversiones 60-90 días, ajustar iterativamente según pipeline manejable.
¿Explícito o ML?
Explícito primero para la mayoría. ML requiere 500-1.000 conversiones históricas y equipo capaz de mantener modelo. El 80% de problemas de lead scoring son calibración explícita mal hecha, no falta de algoritmos sofisticados.
Referencias y bibliografía.
Carroll, B. (2006). Lead Generation for the Complex Sale. McGraw-Hill.
Halligan, B., & Shah, D. (2014). Inbound Marketing: Attract, Engage, and Delight Customers Online. 2nd ed. Wiley.
Scott, D. M. (2022). The New Rules of Marketing and PR. 8th ed. Wiley.
Kumar, V. (2018). Profitable Customer Engagement. Sage.
SiriusDecisions / Forrester Research. Demand Waterfall Framework. forrester.com.
Fader, P. (2020). Customer Centricity. 2nd ed. Wharton Digital Press.
Términos del glosario