Scoring de leads con tus propios datos: qué señales predicen de verdad

Un scoring de leads sirve para una cosa muy concreta: decidir a quién llama tu equipo comercial el lunes a las nueve, cuando hay cuarenta contactos nuevos y tiempo para quince llamadas. No sirve para «conocer mejor al cliente» ni para rellenar un apartado del informe mensual. Si el scoring no cambia el orden de la lista de llamadas, no existe, aunque esté montado y tenga un número bonito del 1 al 100 en cada ficha del CRM.

El problema habitual no es técnico. Casi todas las empresas con un CRM mínimamente poblado tienen datos suficientes para un primer modelo útil. El problema es que el scoring se construye con las señales equivocadas, se entrena sobre un histórico que arrastra los sesgos del equipo comercial y se entrega en forma de número sin explicación, así que los comerciales lo ignoran en tres semanas. Esta guía va de las tres cosas: qué señales miran de verdad, cómo no heredar el sesgo del pasado y cómo meterlo en el día a día de ventas.

¿Qué es el scoring de leads y qué resuelve?

El scoring de leads es asignar a cada contacto una probabilidad estimada de convertirse en cliente (o en oportunidad cualificada, según dónde pongas la línea) a partir de lo que sabes de él y de lo que ha hecho. Con esa probabilidad ordenas la cola de trabajo comercial.

Hay dos familias y conviene no confundirlas:

• Scoring por reglas. Alguien decide que ser director financiero suma 20 puntos, abrir tres emails suma 10 y tener un correo de Gmail resta 15. Es transparente, se monta en una tarde y es sorprendentemente competitivo cuando el volumen es bajo.
• Scoring con un modelo. Un algoritmo aprende de tu histórico qué combinaciones de señales acabaron en venta. Gana cuando hay volumen (cientos de cierres, no diez) y cuando las interacciones entre variables importan: una señal que es buena en un segmento y mala en otro.

La diferencia práctica: las reglas reflejan lo que tú crees que funciona; el modelo refleja lo que ha pasado. Ninguna de las dos refleja lo que debería pasar, y esa distinción es la que más dinero cuesta.

Un scoring no te dice quién va a comprar. Te dice a quién merece la pena dedicar la próxima hora. Es una herramienta de asignación de tiempo, no una bola de cristal.

¿Qué señales predicen de verdad el cierre?

Aquí es donde se separan los scorings que funcionan de los que son decorativos. La regla general: las señales de intención reciente ganan a las señales de perfil, y las señales de comportamiento propio ganan a las compradas.

Señales que suelen tener fuerza predictiva real:

• Visitas a páginas de decisión. Precios, comparativas, página de contacto, casos. Una visita a tu blog vale poco; tres visitas a precios en cinco días valen mucho.
• Velocidad de respuesta del lead. Cuánto tarda en contestar al primer correo o en coger el teléfono. Es una de las señales más consistentes y casi nadie la registra.
• Encaje con tu cliente que renueva. Sector, tamaño de plantilla, si tiene o no el sistema con el que te integras. Ojo: encaje con quien renueva, no con quien firma.
• Quién es el que pregunta. Rol y nivel de decisión. Un responsable de operaciones preguntando por un proceso concreto pesa más que un director general pidiendo «información general».
• Concreción de la petición. Un formulario donde ha escrito «tenemos 12.000 facturas al año en PDF y las metemos a mano» es otra cosa que un «quiero información».
• Origen del contacto. Recomendación, búsqueda de marca, campaña genérica, descarga de un contenido. El origen explica una parte enorme de la varianza y suele ser el primer campo que tienes limpio.

Señales que casi siempre decepcionan: aperturas de email (ruidosas desde que los clientes de correo las precargan), número total de visitas sin mirar qué páginas, puntuaciones de herramientas externas que no sabes cómo se calculan, y cualquier dato demográfico comprado que no hayas podido contrastar.

Y una señal que hay que tratar con pinzas: la antigüedad del lead. Suele salir como muy predictiva, pero lo que mide muchas veces es que tu equipo ya lo trabajó, no que el lead fuera bueno. Es el primer sitio donde aparece la fuga de información que comentamos abajo.

El sesgo del histórico: por qué el modelo repite el pasado

Este es el fallo más caro y el menos visible. Tu histórico no es una muestra neutral de leads: es una muestra de leads a los que tu equipo decidió dedicar tiempo. Si durante tres años nadie llamó a las empresas de menos de 20 empleados, tu histórico dirá que esas empresas no compran. Y el modelo lo aprenderá y las enterrará en el fondo de la cola para siempre. Se cierra el círculo: la profecía se cumple sola.

Qué hacer al respecto, sin convertirlo en un proyecto de investigación:

• Separa «no contactado» de «contactado y perdido». Son dos resultados distintos y meterlos en el mismo saco de «no vendido» es lo que genera el sesgo. Si no puedes distinguirlos en el CRM, ese es tu primer arreglo, antes de cualquier modelo.
• Reserva un porcentaje de la cola al azar. Entre un 5 % y un 10 % de los leads se trabajan sin mirar el score. Es tu grupo de control y es la única fuente de datos no contaminada que vas a tener. Sin esto, dentro de un año no podrás saber si el modelo está acertando o solo confirmándose a sí mismo.
• Revisa qué variables son en realidad «el comercial ya decidió». Número de llamadas registradas, si tiene oportunidad creada, si tiene fecha de cierre estimada. Esas variables predicen de maravilla y no sirven para nada: no las tienes en el momento en el que necesitas decidir. Es fuga de información y hace que el modelo parezca excelente en la prueba y mediocre en producción.
• Mira el rendimiento por segmento, no solo el global. Un modelo con buen número global puede estar funcionando bien en el segmento mayoritario y rematadamente mal en el pequeño, que a lo mejor es el que más margen deja.

La prueba honesta: entrena con los datos hasta una fecha, valida con los meses siguientes. Si validas mezclando periodos al azar, estás dejando que el modelo vea el futuro y los resultados no significan nada.

¿Cómo se construye un scoring de leads paso a paso?

| Paso | Qué haces | Señal de que puedes pasar al siguiente | |---|---|---| | 1. Definir el objetivo | Decidir qué es un éxito: oportunidad cualificada, propuesta enviada o contrato firmado | Comercial y marketing dan la misma definición sin discutir | | 2. Inventario de señales | Listar qué campos existen, cuáles se rellenan de verdad y en qué momento están disponibles | Ningún campo con más del 40 % vacío entra en la lista | | 3. Línea base con reglas | Montar un scoring por reglas sencillo y medirlo | Tienes una tasa de conversión por tramo con la que comparar | | 4. Modelo | Entrenar con histórico, validando en el tiempo | El modelo bate claramente a las reglas en el periodo de validación | | 5. Integración | Llevar el score al CRM, con los tres motivos principales | El comercial lo ve sin abrir otra pantalla | | 6. Medición y reentreno | Grupo de control, revisión mensual, reentreno trimestral | Sabes la conversión del grupo aleatorio frente a la de los priorizados |

El paso 3 se salta casi siempre y es un error. Si no tienes una línea base de reglas, no vas a poder responder a la pregunta que te hará la dirección: «¿y esto cuánto mejora lo que hacíamos antes?». Además, en más casos de los que la gente espera, las reglas bien hechas aguantan el tipo y te ahorran el modelo entero. Si quieres profundizar en esa comparación, lo tratamos en análisis predictivo aplicado.

Sobre el paso 2: el momento en el que una señal está disponible es tan importante como la señal. Si el campo «sector» lo rellena el comercial después de la primera llamada, no puedes usarlo para decidir a quién llamar. Suena obvio y es el error más repetido.

¿Cómo consigues que comercial lo use?

Un número del 1 al 100 sin contexto se ignora. Lo que sí se usa:

• Tramos, no decimales. Tres o cuatro categorías (A, B, C, descartado) con una acción asociada a cada una. «87 puntos» no le dice nada a nadie; «A: llamar hoy» sí.
• Los tres motivos del score. «Ha visitado precios dos veces esta semana · Sector encaja · Empresa de 80 empleados». Esto convierte el score en un guion de llamada y es la diferencia entre adopción y abandono.
• En la pantalla donde ya trabajan. En la vista de leads del CRM, ordenando la lista. No en un informe aparte ni en un correo semanal. Si hay que cambiar de herramienta, no pasa. Sobre esto escribimos en integrar ERP y CRM.
• Un canal para discrepar. Un botón de «esto no encaja» con un motivo. Sirve para dos cosas: el comercial siente que el sistema le escucha, y tú acumulas los casos donde el modelo falla, que es oro para el siguiente reentreno.
• Acuerdo explícito sobre qué pasa con los C. Si nadie los llama, dilo. Si van a una secuencia automática, móntala. La zona gris («ya si eso») es donde se pierde la confianza.

Y una advertencia: no publiques el score en una comparativa entre comerciales. En cuanto el scoring se usa para evaluar personas en lugar de para repartir trabajo, los datos de entrada se empiezan a manipular y el sistema se muere en dos meses. Es el mismo patrón que vemos en gestión del cambio.

¿Cómo se mide si el scoring funciona?

Dos métricas, y ninguna es la precisión del modelo:

• Conversión por tramo. Qué porcentaje de los A acaban en cliente frente a los B y los C. Si el tramo A no convierte claramente más que el B, el scoring no está ordenando nada. Es la métrica que entiende dirección.
• Levantamiento frente al grupo de control. La conversión de los leads priorizados por el modelo frente a la del porcentaje que se trabaja al azar. Es la única medida honesta del valor que aporta.

Y un tercer dato que conviene vigilar: el coste de los falsos negativos. Los leads que el modelo manda al fondo y que luego compraron a otro. Es difícil de medir, pero si vendes productos de ticket alto, un solo falso negativo al trimestre puede pesar más que toda la eficiencia ganada. Cuando ese sea el caso, el umbral de corte debe ser generoso: mejor llamar de más.

El calendario razonable: revisión mensual de conversión por tramo, reentreno trimestral o cuando cambie algo del negocio (producto nuevo, mercado nuevo, cambio de precios). Un modelo entrenado hace dos años con otro catálogo está prediciendo un mundo que ya no existe. Para montar el seguimiento sin inventar métricas, te sirve lo de elegir KPIs que se usan.

¿Cuándo no necesitas un modelo de scoring?

Hay tres situaciones en las que montar un modelo es tirar el dinero:

• Pocos cierres al año. Por debajo de unos cien cierres anuales no hay con qué entrenar nada estable. Usa reglas y dedica el esfuerzo a limpiar el CRM.
• El equipo llama a todo el mundo igualmente. Si hay capacidad comercial de sobra para la cola de leads, priorizar no aporta: no hay nada que racionar. El problema entonces es de generación de demanda, no de scoring.
• Los datos de entrada son un desastre. Si la mitad de los leads no tienen sector, ni tamaño, ni origen fiable, el modelo va a aprender ruido. Primero la calidad de datos, después el modelo. En este orden siempre.

También conviene decirlo: un scoring bien hecho no arregla un mal proceso comercial. Si el problema es que los leads se contactan a los cuatro días, ordenarlos mejor no te va a salvar. La velocidad de primer contacto suele tener más impacto que cualquier modelo, y cuesta mucho menos.

Preguntas frecuentes

¿Cuántos datos hacen falta para un scoring de leads con IA?

Como mínimo, unos cientos de resultados conocidos (ganados y perdidos) con sus señales registradas en el momento en que entraron. Con menos, un scoring por reglas bien pensado rinde igual o mejor y se monta en días en lugar de semanas.

¿Hay que usar datos personales y qué dice el RGPD?

El scoring sobre contactos profesionales trata datos personales, así que necesita base jurídica, información al interesado y una decisión documentada sobre el perfilado. Mientras un humano siga decidiendo a quién se llama y el score solo ordene la cola, el encaje es razonable; si el sistema descarta automáticamente, sube la exigencia.

¿Cada cuánto hay que reentrenar el modelo?

Trimestral como pauta por defecto, y siempre que cambie algo material del negocio: catálogo, precios, mercado o canal de captación. Lo que vigila el reentreno no es el calendario, es la caída de conversión del tramo A.

¿Puede el scoring sustituir la cualificación del comercial?

No, y plantearlo así es la vía rápida al abandono. El scoring decide el orden de la cola; la cualificación sigue siendo una conversación donde se confirman presupuesto, urgencia y decisor. El modelo acierta en promedio, el comercial acierta en el caso concreto.

Si estás valorando montar un scoring y no tienes claro si tu CRM aguanta el peso, lo primero es mirar qué campos se rellenan de verdad y cuántos cierres comparables tienes: con eso ya se sabe si toca modelo o reglas. Es exactamente lo que revisamos en la auditoría, y si prefieres contarlo en una conversación de media hora antes de decidir nada, hablemos.