El problema que resuelve no es “saber quién comprará” con una cifra mágica. Es mucho más operativo: cuando entran veinte, doscientos o dos mil registros, ventas necesita distinguir entre una empresa perfecta que todavía está fría, un contacto muy activo que no encaja y una oportunidad que combina ambas cosas.
Por eso conviene empezar con un modelo explícito y fácil de discutir. Las plataformas actuales separan el fit de la actividad o engagement —así lo hacen, por ejemplo, HubSpot y Adobe Marketo Engage—. Esa separación evita que diez clics conviertan en “buen lead” a una empresa a la que nunca podrías vender.
Qué datos necesitas antes de puntuar
No empieces por los puntos. Empieza por una definición compartida de qué significa “buen lead” y por los datos que realmente puedes capturar. Como mínimo:
- Empresa: sector, tamaño, país o mercado atendido, modelo de negocio y tecnologías relevantes.
- Persona: cargo, área, nivel de responsabilidad y relación con el problema que resuelves.
- Interacciones: formularios, páginas de alta intención, reuniones, respuestas, eventos y actividad reciente.
- Resultado comercial: aceptado o rechazado por ventas, motivo de descarte, oportunidad creada y resultado final.
Si sector, tamaño o cargo llegan vacíos o con valores distintos para lo mismo, el scoring solo automatiza una mala clasificación. Primero normaliza campos, unifica duplicados y define quién mantiene cada dato. En mi pipeline de scoring automatizado, el flujo normaliza el registro antes de enriquecerlo con Apollo y aplicar la lógica por sector; esa secuencia es tan importante como la fórmula.
El modelo: fit, intención y comportamiento
Esta plantilla suma un máximo de 100 puntos. No es un estándar universal, sino un punto de partida que debes recalibrar con tus conversiones y con el feedback de ventas.
Aplicando antes las exclusiones y límites de cada bloque.
1. Fit: ¿deberíamos vender a esta cuenta?
El fit mide la cercanía con tu ICP. Es relativamente estable y debe evaluarse sobre todo a nivel de cuenta, no solo de contacto.
| Criterio | Condición de ejemplo | Puntos |
|---|---|---|
| Sector | Está dentro de los sectores prioritarios | +15 |
| Tamaño | Rango de empleados o facturación objetivo | +10 |
| Mercado | Opera en una región atendida | +5 |
| Rol | Decisor o responsable directo del problema | +10 |
| Desajuste | Cuenta fuera del mercado atendido | −25 |
2. Intención: ¿está evaluando una solución?
La intención recoge acciones cercanas a una decisión. Una solicitud de demo o una visita repetida a precios suele decir más que abrir un email. Conviene limitar este bloque para que repetir una acción no infle el total.
| Señal | Regla de ejemplo | Puntos |
|---|---|---|
| Solicitud comercial | Demo, contacto o respuesta con interés | +25 |
| Página clave | Precios, servicio o caso de uso en 14 días | +10 |
| Señal de cuenta | Dos o más personas de la misma empresa activas | +10 |
| Sin actividad | Ninguna señal de intención en 60 días | −10 |
3. Comportamiento: ¿hay una relación activa?
Este bloque mide recurrencia y actualidad. Sirve para ordenar leads con un fit parecido, pero no debería compensar un mal encaje.
| Actividad | Regla de ejemplo | Puntos |
|---|---|---|
| Recurso relevante | Descarga o registro relacionado con el problema | +8 |
| Visitas | Tres sesiones cualificadas en 30 días | +7 |
| Clic en contenido relevante, con límite por periodo | +5 | |
| Conversación | Asiste a webinar o evento del tema | +10 |
Un email abierto es una señal débil y técnicamente imperfecta. No lo uses como atajo para declarar intención; da más peso a respuestas, formularios comerciales, reuniones y acciones vinculadas al problema.
Criterios de descarte: no todo se arregla restando puntos
Hay condiciones que deben sacar el registro de la cola, aunque el total sea alto: un competidor, una cuenta duplicada, una región no atendida o un contacto que no puede recibir comunicaciones. Una baja de email, por ejemplo, debe activar la restricción correspondiente; no convertirse simplemente en “−10”.
Usa tres mecanismos distintos:
- Exclusión: el lead no se puntúa ni se enruta a ventas.
- Puntuación negativa: el encaje o la actividad es menor, pero el registro sigue siendo válido.
- Caducidad: los puntos de actividad pierden peso con el tiempo.
HubSpot permite sumar y restar puntos, limitar grupos y aplicar decay a eventos; Adobe también recomienda combinar scoring negativo y caducidad para que una actividad antigua no mantenga un lead artificialmente caliente.
Ejemplo práctico de lead scoring B2B
Imagina una empresa ficticia de software que vende a compañías B2B de 50 a 500 empleados en España. Entra “Norte SaaS”, con 180 empleados, dentro del sector objetivo. La responsable de Revenue Operations descarga una guía y, cinco días después, visita la página de servicio.
| Bloque | Cálculo | Subtotal |
|---|---|---|
| Fit | Sector +15, tamaño +10, mercado +5, rol +10 | 40/40 |
| Intención | Página de servicio +10 | 10/35 |
| Comportamiento | Descarga relevante +8 | 8/25 |
| Total | 40 + 10 + 8 | 58/100 |
El resultado no debería enviarse todavía a ventas si el umbral MQL está en 60. El sistema puede mantenerlo en nurturing y avisar cuando aparezca una señal adicional. Si la misma persona pide una reunión, sumaría 25 puntos de intención y pasaría a 83: prioridad inmediata, siempre que no exista una exclusión.
Umbrales MQL y SQL que no generan discusiones
Un umbral solo sirve si activa una acción clara. Para este modelo inicial:
- 0–39 · Nurturing: mantener el registro, mejorar datos y observar señales.
- 40–59 · Revisión: enriquecer los campos que faltan o activar una secuencia contextual.
- 60–79 · MQL: enviar a la cola de marketing cualificado si tiene al menos 20 puntos de fit.
- 80–100 · Prioridad: avisar al propietario y fijar un SLA de seguimiento.
SQL no debería ser otro corte automático. El score propone; ventas acepta. El lead se convierte en SQL cuando una persona valida necesidad, autoridad o acceso al decisor, horizonte y siguiente paso. Guarda esa aceptación y su motivo en el CRM.
Cómo automatizarlo sin crear una caja negra
La arquitectura mínima tiene seis pasos:
- Capturar el evento y el identificador de persona y empresa.
- Normalizar y deduplicar antes de enriquecer.
- Calcular por separado fit, intención y comportamiento.
- Guardar total, subtotales, versión del modelo y motivos.
- Aplicar exclusiones, umbral y propietario.
- Registrar la aceptación o rechazo de ventas para poder recalibrar.
Esto puede vivir dentro del CRM o en una capa de orquestación. Lo importante es que cualquier vendedor pueda responder “¿por qué tiene 78?” sin pedir ayuda técnica. Si quieres entender la capa que conecta fuentes, scoring, CRM y alertas, en esta guía de marketing automation B2B explico cómo ordenar el sistema completo.
Errores habituales
- Confundir actividad con encaje. Mucho engagement no convierte una mala cuenta en ICP.
- Puntuar todo. Si cada visita suma, el volumen gana a la intención. Usa límites por grupo y periodo.
- No guardar el motivo. Un número sin trazabilidad genera desconfianza en ventas.
- Usar el mismo modelo para todos los mercados. Cambian ICP, ciclo y señales; separa modelos cuando cambie la lógica.
- No recalibrar. Los puntos iniciales son hipótesis, no verdad estadística.
- Comprar scoring predictivo demasiado pronto. Los modelos de machine learning necesitan historial suficiente y resultados bien etiquetados. Salesforce y Microsoft describen sus sistemas predictivos a partir de patrones de conversión pasados; sin datos fiables, una regla transparente suele ser mejor comienzo.
Cómo validar el modelo con ventas
Haz una revisión semanal durante el primer mes. Toma los leads que cruzaron el umbral y pide a ventas una clasificación simple: correcto, demasiado pronto o mal encaje. Registra el motivo y compara cuatro cosas por tramo de score:
- porcentaje aceptado por ventas;
- tiempo hasta el primer contacto;
- porcentaje que crea oportunidad;
- principales falsos positivos y falsos negativos.
No cambies cinco reglas a la vez. Ajusta una hipótesis —por ejemplo, bajar el peso de las visitas y subir el de una respuesta comercial—, marca una nueva versión y observa el siguiente grupo. Cuando haya un historial consistente, podrás comparar el modelo manual con un scoring predictivo que muestre también los factores que elevan o reducen cada puntuación.
El objetivo final no es obtener una lista con números bonitos. Es crear una cola de trabajo que ventas entienda, acepte y mejore con sus resultados. Si quieres ver cómo he llevado esta lógica a un flujo con normalización, enriquecimiento, scoring por sector y routing automático, consulta el pipeline de lead scoring automatizado.
Fuentes primarias consultadas
- HubSpot — Understand the lead scoring tool y Build lead scores.
- Adobe Marketo Engage — Building a person scoring model.
- Salesforce — Einstein Lead Scoring.
- Microsoft Learn — Prioritize leads through predictive scores.
Publicado y actualizado el 27 de agosto de 2026. Las puntuaciones son una plantilla orientativa: deben validarse con datos y feedback comercial de cada empresa.