Lead scoring con reglas o con IA: qué necesitas antes de puntuar y qué hacer con el score

El lead scoring es asignar una puntuación a cada contacto para decidir a quién atiende antes el equipo comercial. Combina quién es esa persona (lo que ha declarado) con lo que ha hecho (su comportamiento), y produce un número que ordena la cola de trabajo. No adivina quién va a comprar: ordena el tiempo de quien vende, que es un recurso finito.

Casi todo lo que se escribe sobre lead scoring empieza por la tabla de puntos. Es empezar por el final. La tabla es la parte sencilla; lo que decide si el scoring sirve para algo es lo que hay antes (si conserváis el origen del lead y registráis los resultados) y lo que hay después (qué pasa exactamente cuando un contacto supera el umbral).

Este artículo va por ese orden. Y se moja en la pregunta que la mayoría esquiva: cuándo bastan unas reglas y cuándo aporta algo un modelo.

¿Para qué sirve de verdad el lead scoring?

Para una sola cosa: priorizar. Si vuestro equipo comercial puede atender cuarenta contactos al día y entran cuarenta, no necesitáis scoring, necesitáis atenderlos a todos. El scoring aparece cuando entran más de los que se pueden atender bien, y alguien tiene que decidir el orden.

De ahí se derivan dos consecuencias que conviene aceptar pronto:

• El scoring no crea demanda. Si los leads son malos, el scoring os dirá con más precisión cuáles son los menos malos.
• Un score que nadie usa es peor que no tener score. Consume mantenimiento, da una falsa sensación de control y nadie cambia su comportamiento por él. Si al final el comercial llama por orden de llegada, el proyecto ha fracasado aunque el número se calcule perfecto.

¿Qué necesitas antes de puntuar nada?

Tres cosas. Sin ellas no hay scoring, hay decoración.

1. El origen del lead, conservado de extremo a extremo. De qué campaña, anuncio o contenido viene cada contacto, guardado en el CRM y no solo en la analítica. Es el dato que más peso suele tener y el primero que se pierde por el camino: formularios que no propagan las UTM, redirecciones que las borran, integraciones que solo pasan nombre y email. Si os suena, el problema está descrito entero en atribución rota: por qué GA4, Meta y tu CRM nunca dan la misma cifra.

Si os falta esa trazabilidad, el problema no es el scoring: es el embudo. Qué pieza técnica necesita cada etapa para que las cifras cuadren está en funnel de ventas: etapas y piezas técnicas.

2. Estados del CRM con un significado acordado. Qué quiere decir “contactado”, “cualificado” o “perdido”, y quién los cambia. Si cada comercial los usa a su manera, el histórico no sirve para calibrar nada.

3. El resultado registrado. Quién compró, quién no y por qué. Sin esto no podéis saber si vuestras reglas aciertan, porque no hay contra qué comparar. Es la diferencia entre puntuar con criterio y puntuar con opinión.

Si los contactos todavía viven en una hoja de cálculo y se reparten a mano, el orden correcto es primero el sistema y después la puntuación: eso lo cuento en leads que se pierden y en CRM para pymes y negocios digitales.

Scoring explícito e implícito: qué es cada uno

Se puntúan dos familias de señales, y mezclarlas sin distinguirlas es la causa habitual de que un scoring no funcione.

• Explícito (quién es): lo que el contacto ha declarado. Tipo de negocio, facturación aproximada, número de empleados, cargo, país, presupuesto. Dice si encaja con lo que vendéis.
• Implícito (qué hace): su comportamiento. Ha pedido precio, ha visto la página de contratación dos veces, ha abierto el correo de la demo, ha reservado una llamada. Dice si tiene intención ahora.

La distinción importa porque las dos señales se degradan de forma distinta. El encaje es bastante estable: quien es una academia online lo seguirá siendo el mes que viene. La intención caduca deprisa: alguien que pidió precio hace tres meses y no respondió ya no está en el mismo momento.

Un scoring que suma los dos en un único número y nunca lo envejece acaba llenando la cola de contactos que encajan muy bien y no piensan comprar. De ahí sale una recomendación práctica: que la parte de comportamiento pierda puntos con el tiempo.

¿Cómo se construye una tabla de puntos con reglas?

Se mira hacia atrás. Coged los últimos cierres reales y los últimos “no” y buscad qué atributos aparecen en unos y no en otros. Eso os da los candidatos. Después se les pone un valor, se suman y se fija el umbral.

El ejemplo que viene a continuación es ilustrativo: enseña la forma de una tabla, no un baremo válido para vuestro negocio. Los puntos salen de vuestros datos o no salen de ningún sitio.

Tres reglas sobre la tabla:

• Pocos criterios y que se entiendan. Ocho o diez bien elegidos superan a treinta que nadie sabe explicar. Si un comercial no puede entender por qué un lead tiene 70, no se fiará del 70.
• Los puntos negativos hacen más trabajo que los positivos. Descartar lo que claramente no encaja limpia la cola más que afinar entre los buenos.
• Cuidado con un único número si vendéis cosas distintas. Un negocio con un curso de 300 € y un servicio de 15.000 € necesita dos scorings. Las señales que predicen uno no predicen el otro.

Y una señal que conviene mirar con desconfianza: la apertura de correos. Con la protección de privacidad en los clientes de correo, una apertura registrada puede no ser una persona leyendo. Si pesa mucho en vuestra tabla, estáis puntuando ruido.

¿Cuándo aporta algo la IA y qué le pides exactamente?

Un modelo puede aportar dos cosas reales:

• Leer lo que no es un campo. El texto libre de un formulario, la transcripción de una llamada o un mensaje de WhatsApp contienen información que ninguna regla captura: qué problema describe, qué urgencia tiene, si menciona presupuesto. Convertir eso en una señal estructurada es un buen uso, y es uno de los casos que ya describo en IA aplicada en negocios digitales.
• Encontrar combinaciones que no habíais visto. Con suficiente histórico, un modelo predictivo puede detectar que cierta combinación de origen y comportamiento cierra mejor de lo que suponíais.

Ahora las condiciones, que es donde se cae la mayoría:

• Hace falta histórico de resultados, no de contactos. Un modelo aprende de cierres y de rechazos etiquetados. Unos pocos cientos de contactos sin resultado registrado no dan para nada.
• Hace falta volumen sostenido. Si entran quince leads a la semana, una persona con criterio los ordena mejor que cualquier modelo, y gratis.
• Hace falta poder explicar la puntuación. Un comercial que no entiende por qué un lead está arriba deja de usar el sistema.

Por eso, en la práctica, la combinación que funciona es la IA aporta señales y las reglas deciden. El modelo devuelve “intención detectada: alta” o “problema mencionado: integración con CRM”, y esa señal entra en la tabla de puntos como una más. El umbral a partir del cual se llama a alguien sigue siendo una regla escrita.

Esto no es prudencia decorativa. La lógica determinista (umbrales, mapeos, a quién se asigna, qué SLA aplica) tiene que ser predecible, auditable y fácil de cambiar. Si mañana el equipo crece y queréis bajar el umbral, eso es una línea de configuración, no reentrenar nada. Y cuando un cliente pregunta por qué nadie le llamó, tenéis una respuesta.

Lo que casi nadie cuenta: qué haces con el score

Aquí se decide si el proyecto sirve. Un número no cambia nada; lo que cambia las cosas es la acción asociada a cada tramo.

Conviene escribirlo así de explícito:

Cuatro detalles que marcan la diferencia:

1. El reparto también es una regla. Por producto, por idioma, por carga de trabajo de cada comercial. El score dice el orden; el reparto dice quién. Son dos decisiones distintas y conviene no mezclarlas.
2. Los tramos bajos necesitan un destino. Si no lo tienen, se convierten en un cementerio de contactos que pagasteis por conseguir. Ese destino suele ser una secuencia automática, y qué conviene disparar así y qué no lo reviso en automatización de marketing.
3. Un lead puede subir de tramo. Alguien con 40 puntos que reserva una llamada pasa a alto. El sistema tiene que reaccionar a eso, no calcular el score una sola vez en la entrada.
4. El SLA importa más que el score. Ordenar bien la cola y luego tardar dos días en llamar no arregla nada.

¿Cómo se revisa un scoring que se ha quedado viejo?

Un scoring envejece porque el negocio cambia: producto nuevo, canal nuevo, precio distinto. Revisarlo es sencillo si registrasteis los resultados.

• Cada mes: mirad qué porcentaje de los contactos de tramo alto acabó en venta y qué porcentaje de las ventas venía de tramo bajo. La segunda cifra es la interesante: si vendéis mucho a gente que el sistema puntuaba bajo, la tabla está equivocada.
• Cada trimestre: revisad los criterios uno a uno y quitad los que no separan. Un criterio que tienen casi todos no aporta información.
• Siempre que entre un canal nuevo: dadle tiempo antes de puntuarlo alto. Un origen sin histórico no merece confianza todavía.
• Cuando cambie el umbral: anotad la fecha. Si no, dentro de tres meses nadie sabrá por qué las cifras cambiaron.

Y guardad el score con su fecha y sus componentes, no solo el número final. Cuando queráis entender por qué un contacto puntuó lo que puntuó, lo agradeceréis.

Errores comunes con el lead scoring

• Empezar por la tabla. Sin origen conservado ni resultados registrados, la tabla es una opinión con decimales.
• Puntuar aperturas de correo como si fueran intención.
• Un único score para productos muy distintos.
• Nunca envejecer la parte de comportamiento, así que la cola se llena de interés caducado.
• Un score que nadie mira. Si el comercial llama por orden de llegada, no hay sistema.
• Delegar el umbral al modelo. La decisión tiene que ser explícita y revisable.
• Demasiados criterios. Nadie los mantiene y nadie los entiende.
• Calcularlo solo al entrar el lead y no recalcularlo cuando pasa algo nuevo.
• Sin responsable. Nadie revisa si sigue acertando cuando cambia el producto.

Checklist antes de montar un lead scoring

• El origen del lead llega íntegro al CRM y no se pierde por el camino.
• Los estados del CRM tienen un significado acordado por escrito.
• Los resultados de venta están registrados y son consultables.
• Está definido por escrito qué es un lead válido para vuestro negocio.
• Los criterios salen de mirar vuestros cierres, no de una plantilla genérica.
• Hay menos de diez criterios y un comercial puede explicarlos.
• Los criterios negativos descartan de verdad lo que no encaja.
• La parte de comportamiento pierde peso con el tiempo.
• Cada tramo tiene una acción, un responsable y un plazo.
• El reparto entre comerciales es una regla aparte del score.
• El score se recalcula cuando el contacto hace algo nuevo.
• Se guarda el score con su fecha y sus componentes.
• Hay una revisión periódica con una métrica clara.
• Hay una persona responsable del sistema.

¿Por dónde empezar?

Si todavía no tenéis nada, empezad por la versión aburrida: tres o cuatro criterios, dos tramos y una regla de reparto. Funcionando en el CRM, con los resultados registrados. En dos meses tendréis datos para afinar, que es exactamente lo que hoy no tenéis.

Si ya tenéis un scoring y no os fiáis de él, el diagnóstico casi siempre está antes de la tabla: origen que se pierde, estados ambiguos o resultados sin registrar. Eso es trabajo de automatización de procesos y de datos, tracking y analítica, y solo cuando está resuelto tiene sentido plantear la capa de IA aplicada.

Si tenéis más leads de los que podéis atender y no sabéis por dónde cortar, cuéntame qué proceso os está frenando y te digo si lo vuestro es un scoring o es otra cosa.