El lead scoring es asignar una puntuación a cada interesado para saber a quién atender primero. La cifra sale de dos cosas: quién es la persona y qué ha hecho. Con eso el equipo deja de trabajar por orden de llegada y empieza a trabajar por probabilidad de cierre. El problema aparece cuando llegan más interesados de los que se puede atender bien. Sin lead scoring, el vendedor atiende al último que escribió o al que más insiste, y ninguno de los dos criterios predice una compra. Todo modelo útil separa dos componentes: el ajuste, que mide si la persona encaja con tu cliente ideal, y el interés, que mide qué tan activa está. Aquí verás qué señales usar de verdad, qué cambia cuando lo calcula la IA, qué hacer con cada tramo de puntuación y cómo montarlo en cinco pasos.

¿Qué es el lead scoring?

El lead scoring es asignar una puntuación a cada interesado para saber a quién atender primero. La puntuación sale de dos cosas: quién es la persona y qué ha hecho. Con esa cifra el equipo comercial deja de trabajar por orden de llegada y empieza a trabajar por probabilidad de cierre.

El problema que resuelve aparece cuando llegan más interesados de los que el equipo puede atender bien. Sin un lead scoring, el vendedor atiende al que escribió último o al que insiste más. Ninguno de los dos criterios tiene relación con quién va a comprar.

Hay dos componentes que conviene separar siempre. El ajuste mide si la persona encaja con tu cliente ideal: sector, tamaño, zona, presupuesto. El interés mide qué tan activa está: cuántas veces escribió, qué páginas vio, si pidió precio. Un lead con mucho ajuste y poco interés necesita seguimiento; uno con mucho interés y poco ajuste suele ser una pérdida de tiempo amable.

¿Qué datos alimentan un lead scoring útil?

No hacen falta muchos datos, hacen falta los correctos. Estos son los que más capacidad predictiva suelen tener en una pyme:

Hay una señal negativa que casi nadie modela y conviene incluir: pedir algo que no vendes. Un interesado que insiste en un servicio fuera de tu alcance no es un lead frío, es un lead equivocado, de modo que debe restar puntos en lugar de sumarlos.

¿Qué cambia cuando lo hace la IA?

Un lead scoring por reglas lo escribe una persona: diez puntos por cargo gerencial, cinco por pedir precio. Funciona y es fácil de explicar, aunque tiene dos límites. Los pesos salen de una intuición, no de los datos, y nadie los revisa cuando el mercado cambia.

Con IA el enfoque se invierte. El sistema mira tus cierres anteriores y busca qué tenían en común los que compraron. Después aplica ese patrón a los nuevos. Por eso un lead scoring con IA detecta combinaciones que nadie habría escrito, como que cierta zona cierra bien solo cuando el plazo es corto.

Hay un segundo aporte, más inmediato en una pyme: la IA puede calificar conversando. En lugar de esperar que el interesado llene un formulario, el agente pregunta lo necesario en el chat y completa las señales que faltan. Así el lead scoring se alimenta de la propia conversación. Cómo se diseñan esas preguntas lo vemos en chatbot para inmobiliarias, donde la calificación es el caso central.

Conviene ser honesto con el requisito: para que la IA aprenda de tus cierres necesita historial. Si llevas tres meses registrando ventas, empieza con reglas y migra después. La definición formal del concepto está en la entrada de referencia sobre lead scoring.

¿Cómo montarlo en cinco pasos?

1. Define qué es un lead bueno. Mira tus diez últimos cierres y escribe qué tenían en común. Ese es tu perfil, no el que imaginas.
2. Elige cinco o seis señales. Más señales no mejoran el modelo al principio, solo lo vuelven difícil de mantener.
3. Asigna pesos y umbrales. Define qué puntuación pasa a llamada inmediata, qué pasa a seguimiento y qué se descarta.
4. Conéctalo al CRM. La puntuación tiene que estar en la ficha, visible, o el equipo no la usará.
5. Revisa cada mes contra los cierres reales. Si los que cerraron tenían puntuación baja, el modelo está mal y hay que ajustarlo.

El paso cinco es el que convierte esto en algo vivo. Un lead scoring que nadie revisa envejece mal, porque el mercado cambia y los pesos se quedan. Para conectarlo con tus herramientas, la parte técnica está en la guía de integración CRM con agentes de IA.

¿Qué hacer con cada tramo de puntuación?

Una puntuación sin acción asociada no sirve de nada. Por eso el lead scoring se cierra definiendo tres tramos y qué ocurre en cada uno:

• Tramo alto. Llamada el mismo día, de la persona con más experiencia del equipo. Aquí la velocidad decide.
• Tramo medio. Secuencia de seguimiento automática con contenido útil, y revisión manual cada quince días.
• Tramo bajo. Nada de llamadas, solo seguimiento automático de bajo costo. Algunos maduran en meses.

Conviene añadir una regla de reactivación. Si un lead del tramo bajo vuelve a entrar y pide precio, su puntuación sube y cambia de tramo solo. Ese movimiento es justamente lo que un lead scoring estático no capta, porque trata la puntuación como una foto y no como algo que se mueve.

Errores que vuelven inútil la puntuación

• Puntuar solo interés. Se llena la agenda de curiosos activos que nunca van a comprar.
• Dejar la puntuación fuera del CRM. Si vive en una hoja aparte, el vendedor no la mira.
• No definir qué se hace con cada tramo. Una cifra sin acción asociada es decoración.
• Descartar automáticamente los de baja puntuación. Conviene mandarlos a seguimiento automático, porque algunos maduran.
• No medir contra resultados. Sin comparar con los cierres reales, nunca sabrás si el modelo acierta.

En Aigenza montamos la calificación dentro de la conversación y escribimos la puntuación en tu CRM, así el vendedor recibe el lead ya ordenado. Puedes ver el servicio en integración CRM con IA.

En resumen, un lead scoring útil mezcla ajuste e interés, vive dentro del CRM y se revisa cada mes contra los cierres. La IA lo mejora cuando ya tienes historial, y lo alimenta mejor cuando califica conversando.

Preguntas frecuentes

¿Cuántos datos necesito para empezar?

Para un modelo por reglas te basta con cinco señales y tus últimos diez cierres. Para que la IA aprenda patrones, en cambio, hacen falta varios meses de historial registrado de forma consistente.

¿Sirve el lead scoring si vendo a consumidor final?

Sí, aunque cambian las señales: en lugar de sector y cargo pesan el producto consultado, el plazo y la forma de pago. El principio es el mismo, porque sigues priorizando por probabilidad de compra.

¿Quién define los pesos?

Al inicio, quien más haya vendido en tu equipo, ya que conoce las señales reales. Después los datos corrigen esa intuición, de modo que conviene revisarlos juntos cada mes.

¿Se puede calificar sin formulario?

Sí, y suele funcionar mejor. Un agente pregunta lo necesario dentro de la conversación, mientras que un formulario largo espanta justo a los interesados con prisa.