Un lead no es bueno porque un comercial lo haya llamado siete veces. Tampoco es malo porque todavía nadie haya conseguido hablar con él. Parece evidente. Hasta que miras cómo están construidos algunos modelos de Lead Scoring.
En captación digital tenemos una pequeña obsesión con poner números a todo.
Clics.
CTR.
CPC.
Conversiones.
CPL.
ROAS.
Y cuando llegamos al CRM, continuamos:
Lead nuevo. Contactado. Cualificado. Oportunidad. Venta.
Hasta aquí, perfecto.
El problema aparece cuando decidimos que también necesitamos asignar una puntuación a cada lead y construimos un Lead Scoring utilizando cualquier dato disponible simplemente porque está disponible.
Entonces empiezan a aparecer modelos en los que haber recibido varias llamadas suma puntos, abrir un email suma otros tantos, venir de determinada fuente suma veinte y haber rellenado cierto formulario suma treinta.
Sumamos todo, obtenemos un bonito número entre 0 y 100 y pensamos:
Ya tenemos un Lead Scoring.
No necesariamente.
Puede que solo hayamos construido una calculadora muy sofisticada para confirmar nuestros propios sesgos.
Y eso es bastante más peligroso que no tener Lead Scoring.
¿Qué es realmente un Lead Scoring?
Un Lead Scoring es un sistema que asigna una puntuación a cada lead en función de diferentes señales con el objetivo de estimar su calidad, intención o probabilidad de avanzar en el proceso comercial.
En términos sencillos:
Lead → señales → puntuación → priorización
Por ejemplo, una empresa podría clasificar sus leads así:
| Puntuación | Clasificación | Interpretación |
| 0–30 | Intención baja | Pocas señales de interés o encaje |
| 31–70 | Intención media | Existe interés, pero todavía insuficiente |
| 71–100 | Intención alta | Alta prioridad comercial |
Hasta aquí no hemos descubierto América.
La verdadera dificultad no está en calcular la puntuación.
Está en decidir qué demonios debe sumar puntos y cuánto debe sumar.
Porque un modelo matemáticamente impecable construido sobre variables equivocadas seguirá produciendo resultados equivocados. Solo que ahora lo hará con decimales y parecerá mucho más científico.
El error más peligroso: confundir actividad comercial con calidad del lead
Imaginemos dos leads.
Lead A
Ha recibido:
- 6 llamadas.
- 3 emails.
- 2 mensajes de WhatsApp.
- varias actualizaciones en el CRM.
Lead B
Ha recibido:
- 1 llamada.
- ningún email.
- ningún WhatsApp.
- pocas interacciones registradas.
Si utilizamos principalmente actividad comercial para construir nuestro scoring, probablemente:
Lead A > Lead B
Parece razonable.
Hasta que descubrimos que el Lead A recibió seis llamadas porque nadie conseguía localizarlo y el Lead B realizó una llamada, resolvió sus dudas y terminó comprando.
Entonces tenemos un problema.
Nuestro modelo no estaba midiendo intención de compra.
Estaba midiendo actividad del equipo comercial.
Y no son lo mismo.
Correlación no significa causalidad. Sí, otra vez.
Este problema aparece constantemente cuando analizamos CRM.
Podemos descubrir, por ejemplo, que los leads que reciben cinco o más llamadas presentan una mayor tasa de conversión.
La conclusión rápida sería:
Los leads que reciben más llamadas son mejores.
Pero también podría estar ocurriendo exactamente lo contrario:
Los comerciales llaman más veces a los leads que previamente consideran mejores.
La variable «número de llamadas» estaría correlacionada con la conversión, pero podría no ser la causa de esa conversión.
Y todavía podemos complicarlo más.
Quizá determinados comerciales trabajan los leads de determinadas campañas.
Quizá los programas con mayor precio reciben un seguimiento diferente.
Quizá Search genera leads con mayor intención que Paid Social y el equipo comercial inconscientemente prioriza los primeros.
Quizá los leads generados durante determinadas franjas horarias reciben una atención distinta.
Quizá llevamos años alimentando el CRM con decisiones humanas y ahora pretendemos utilizar esos datos históricos como si fueran una verdad objetiva caída del cielo.
No lo son.
Los datos históricos contienen también nuestros errores históricos.
Eso conviene recordarlo antes de entregarles las llaves del coche.
Entonces, ¿qué debería medir un buen Lead Scoring?
No existe una fórmula universal.
Y cualquiera que prometa una probablemente está intentando venderte algo.
Pero un modelo sólido debería intentar separar al menos tres dimensiones diferentes:
1. Fit: ¿es el lead adecuado?
El fit intenta determinar cuánto encaja una persona con aquello que podemos venderle.
Dependiendo del negocio podemos utilizar variables como:
- ubicación;
- producto o servicio solicitado;
- presupuesto;
- sector;
- tamaño de empresa;
- cargo;
- modalidad deseada;
- requisitos de acceso;
- disponibilidad;
- necesidades declaradas.
En B2B podría ser especialmente importante el cargo, tamaño de compañía o industria.
En educación superior podrían ser más relevantes la titulación de interés, país, modalidad, convocatoria o requisitos académicos.
En inmobiliario podrían ser presupuesto, zona, tipología de inmueble o capacidad financiera.
El fit responde fundamentalmente a:
¿Tiene sentido comercial perseguir esta oportunidad?
2. Intent: ¿cuánto interés está demostrando?
Aquí empezamos a analizar comportamiento.
Por ejemplo:
- visita páginas de producto;
- vuelve varias veces a la web;
- consulta precios;
- descarga información;
- inicia un formulario;
- solicita información;
- agenda una reunión;
- responde comunicaciones;
- visualiza determinados contenidos;
- visita páginas relacionadas con financiación;
- realiza búsquedas de alta intención.
No todas las interacciones deberían pesar igual.
Leer un artículo del blog titulado «Qué es un MBA» no demuestra la misma intención que visitar tres veces la página de precios de ese MBA y comenzar el proceso de admisión.
Parece obvio.
Pero si asignamos cinco puntos a cada pageview, nuestro algoritmo podría pensar lo contrario.
3. Commercial readiness: ¿está preparado para avanzar?
Una persona puede encajar perfectamente con nuestro producto y mostrar interés, pero todavía no estar preparada para comprar.
Por eso resulta útil diferenciar interés de madurez comercial.
Algunas señales podrían ser:
- solicitud explícita de contacto;
- petición de presupuesto;
- reunión agendada;
- documentación aportada;
- conversación iniciada;
- presupuesto confirmado;
- fecha prevista de compra;
- inicio de matriculación;
- aceptación de una propuesta.
Aquí sí podemos incorporar información comercial.
Pero con cuidado.
Porque queremos medir cómo avanza el lead, no simplemente cuántas veces hemos intentado contactar con él.
El Lead Scoring debería ayudar a Ventas, pero también a Paid Media
Aquí está una de las partes que más me interesa.
Muchas empresas diseñan su Lead Scoring exclusivamente para que el equipo comercial sepa a quién llamar primero.
Está bien.
Pero estamos desaprovechando media película.
Si invertimos dinero en Google Ads, Meta Ads, LinkedIn Ads u otras plataformas, el scoring puede convertirse en una herramienta extraordinariamente útil para evaluar la calidad real de la captación.
Porque Paid Media suele tener un problema bastante serio:
las plataformas saben quién rellena un formulario, pero normalmente saben mucho menos sobre quién termina siendo un buen cliente.
Y si únicamente alimentamos los algoritmos con formularios enviados, les estamos diciendo:
Tráeme más personas capaces de rellenar este formulario.
Google y Meta obedecerán encantados.
Son bastante buenos haciendo exactamente aquello que les pedimos.
El problema es que quizá nosotros queríamos decir:
Tráeme personas con alta probabilidad de convertirse en clientes rentables.
Eso es otra cosa.
El CPL puede estar mintiéndote
Supongamos dos campañas:
| Métrica | Campaña A | Campaña B |
| Inversión | 10.000 € | 10.000 € |
| Leads | 500 | 250 |
| CPL | 20 € | 40 € |
| Leads de alta calidad | 25 | 75 |
| Coste por lead de alta calidad | 400 € | 133 € |
Si solo miramos CPL:
Campaña A gana por goleada.
20 € frente a 40 €.
Apagamos B, aumentamos presupuesto en A y nos vamos satisfechos a hacer una presentación con una flecha verde apuntando hacia arriba.
Magnífico.
Excepto por un pequeño detalle:
acabamos de escalar la peor campaña.
Cuando incorporamos calidad, la lectura cambia completamente.
La campaña aparentemente cara genera tres veces más leads de alta calidad.
Eso significa que el CPL no era falso.
Era simplemente insuficiente.
Y una métrica insuficiente utilizada como objetivo principal puede tomar decisiones bastante estúpidas con una precisión admirable.
De CPL a CPQL
Una evolución natural sería incorporar una métrica como:
CPQL — Cost per Qualified Lead
La fórmula es sencilla:
CPQL = Inversión / Leads cualificados
Si gastamos 10.000 € y obtenemos 100 leads cualificados:
CPQL = 100 €
Ahora podemos comparar campañas no solo por volumen de formularios, sino por capacidad para generar oportunidades que realmente nos interesan.
Podemos seguir avanzando:
CPL → CPQL → Coste por oportunidad → CAC → Ingresos → Margen
Cuanto más podamos acercar la optimización de Paid Media al resultado económico real, menos dependemos de métricas intermedias.
El objetivo no debería ser abandonar el CPL.
Sigue siendo útil.
El objetivo es dejar de tratarlo como si fuera el final de la historia.
¿Cómo construiría un Lead Scoring desde cero?
Aquí evitaría empezar directamente con Machine Learning.
Sí, lo sé.
No queda tan sexy.
Pero antes de lanzar un modelo predictivo con diecisiete variables, cuatro APIs y suficiente inteligencia artificial para conquistar Polonia, conviene saber qué queremos predecir.
Yo empezaría así.
Paso 1. Definir qué significa «lead de calidad»
Antes de abrir Excel, Python, un CRM o cualquier herramienta, necesitamos responder una pregunta:
¿Qué queremos que prediga el scoring?
Podría ser:
- probabilidad de compra;
- probabilidad de convertirse en oportunidad;
- intención;
- probabilidad de matrícula;
- valor esperado;
- prioridad comercial.
No es lo mismo.
Si nadie en Marketing, Ventas y Dirección puede ponerse de acuerdo sobre qué significa «lead bueno», un algoritmo tampoco va a resolver mágicamente el problema.
Garbage in, garbage out.
Pero ahora con IA.
Paso 2. Dibujar el funnel completo
Necesitamos entender el recorrido:
Impresión → Clic → Lead → Contactado → Cualificado → Oportunidad → Venta
O el funnel correspondiente a nuestro negocio.
Después debemos identificar:
- qué etapas existen;
- qué significa avanzar;
- qué significa retroceder;
- qué estados son definitivos;
- qué datos se generan en cada fase;
- quién los genera;
- qué variables son automáticas;
- cuáles dependen de intervención humana.
Esto último es fundamental.
No deberíamos tratar igual un dato observado automáticamente que una valoración introducida manualmente por una persona.
Paso 3. Auditar los datos antes de utilizarlos
Antes de construir el scoring preguntaría:
¿Podemos confiar en nuestro CRM?
Y aquí empieza la diversión.
Duplicados.
Campos vacíos.
Estados utilizados de manera diferente por cada comercial.
Leads cerrados incorrectamente.
Fuentes sobrescritas.
UTMs perdidas.
Productos mal etiquetados.
Conversiones sin fecha.
Oportunidades eternamente abiertas.
El CRM suele ser presentado como single source of truth.
En algunas empresas sería más preciso llamarlo:
single source of «a ver quién coño rellenó esto».
😂
No pasa nada.
Los datos empresariales reales son sucios.
Lo importante es saberlo antes de entrenar un modelo con ellos.
Paso 4. Separar señales del usuario de acciones de la empresa
Yo crearía dos grandes grupos.
Señales del lead
Comportamientos que realiza el usuario:
- formulario;
- visitas;
- páginas consultadas;
- respuestas;
- reuniones solicitadas;
- documentos enviados;
- llamadas entrantes;
- interacción con determinados contenidos;
- producto solicitado.
Acciones de la empresa
Comportamientos realizados sobre ese usuario:
- llamadas salientes;
- emails enviados;
- WhatsApps enviados;
- cambios manuales de estado;
- tareas creadas;
- seguimientos.
Podemos utilizar ambos.
Pero no deberíamos mezclarlos alegremente como si significaran lo mismo.
Esta separación permite detectar si estamos prediciendo intención del usuario o simplemente intensidad comercial.
Paso 5. Analizar cada canal por separado
Esto es especialmente importante para Paid Media.
Un lead procedente de:
Google Search
puede estar respondiendo activamente a una necesidad existente.
Uno procedente de:
Meta Ads
puede haber descubierto nuestra propuesta mientras veía un vídeo de un gato intentando meterse dentro de una caja.
Y uno de:
LinkedIn Ads
puede estar en un contexto completamente diferente.
No significa que un canal sea necesariamente mejor.
Significa que la intención inicial puede ser distinta.
Incluso dentro de Google Ads no trataría automáticamente igual:
- Brand;
- Search genérico;
- Search competidores;
- Performance Max;
- Demand Gen;
- YouTube.
El origen de captación puede aportar información.
Pero cuidado con convertirlo en una profecía autocumplida:
Search convierte mejor → damos más puntuación a Search → Ventas prioriza Search → Search recibe mejor tratamiento → Search convierte todavía mejor.
Y seis meses después nuestro modelo demuestra científicamente aquello que nosotros mismos provocamos.
Maravilloso.
Paso 6. Crear primero un modelo interpretable
Antes de utilizar modelos predictivos complejos, construiría una primera versión basada en reglas.
Por ejemplo:
| Señal | Puntuación |
| Cumple perfil objetivo | +20 |
| Producto de alta afinidad | +10 |
| Segunda visita | +5 |
| Visita precios | +15 |
| Solicita información | +20 |
| Agenda reunión | +25 |
| No cumple requisito obligatorio | -30 |
| Datos aparentemente inválidos | -40 |
No estoy proponiendo estos pesos como universales.
Precisamente no existen pesos universales.
Lo interesante es que esta primera versión sea:
comprensible, discutible, auditable y modificable.
Si alguien pregunta:
¿Por qué este lead tiene 82 puntos?
deberíamos poder explicarlo.
Paso 7. Validarlo con resultados reales
Ahora empieza lo interesante.
Dejamos funcionar el modelo durante un periodo suficiente y posteriormente comparamos:
Score inicial vs resultado real
Por ejemplo:
| Score | Conversión final |
| 0–20 | 0,5 % |
| 21–40 | 1,4 % |
| 41–60 | 4,8 % |
| 61–80 | 11,2 % |
| 81–100 | 24,7 % |
Si nuestro scoring funciona, deberíamos observar una relación razonablemente consistente:
más puntuación → mayor probabilidad del resultado que intentamos predecir.
Si los leads de 30 convierten igual que los de 80, nuestro maravilloso Lead Scoring no está haciendo scoring de una mierda.
Y hay que rehacerlo.
Sin dramas.
Eso también es trabajar con datos.
