Hablemos

    Analítica predictiva · Sales Intelligence

    Del lead frío al cierre,
    con probabilidad medible

    Un modelo predictivo asigna probabilidad de conversión a cada lead y un cuadrante Fit × Intent define qué hacer con él. Hoy.

    Sector · B2B SalesMuestra · 500 leadsModelo · Clasificación binaria

    Lead Scoring Predictivo

    500 leads · sin priorizar

    0%20%40%60%80%100%010203040Hot ≥ 75%0%20%40%60%80%100%0%20%40%60%80%100%HOTNURTURETIRE-KICKCOLD
    Paso 1 — El problema

    Cientos de leads, criterio comercial finito

    El equipo recibe leads de inbound, paid, eventos y outbound. Hoy se trabajan por orden de llegada o por intuición. Resultado: SDRs invierten horas en oportunidades frías mientras leads calientes esperan días sin contacto y se enfrían.

    Paso 2 — Las señales

    Cada lead deja huella antes de hablar contigo

    Industria, tamaño, rol y fuente componen el fit estático. Visitas a pricing, aperturas de email, descargas de contenido y solicitud de demo componen el intent dinámico. Diez señales que un humano no puede ponderar de forma consistente sobre 500 registros al mes.

    Paso 3 — Scoring

    Un modelo asigna probabilidad de conversión 0-1

    Un clasificador (logistic regression, gradient boosting o un transformer ligero) devuelve probabilidad de cierre por lead. La distribución típica: la mayoría caen en zona tibia (0.2-0.6), una minoría supera el umbral hot (>0.75). Esa minoría concentra el valor de pipeline accionable hoy.

    Paso 4 — Cuadrante Fit × Intent

    Cuatro estrategias, no una lista plana

    Cruzamos fit con intent en una matriz 2×2. Hot: alta probabilidad ahora, llamada inmediata. Nurture: encajan pero aún no actúan, contenido educativo. Tire-kickers: hacen ruido sin perfil, triage automático. Cold: descartar o reciclar a marketing pasivo.

    Paso 5 — Impacto por rol

    Misma predicción, tres consumos distintos

    SDR recibe lista priorizada del día con motivos del scoring. Marketing ve qué fuentes y campañas traen más Hot vs Cold. Revenue Ops recalcula forecast ponderando cada deal por su probabilidad real, no por etapa de pipeline. Decisiones más rápidas con menos sesgo.

    Sección 02 · El modelo

    Qué señales pesan en el scoring

    Un modelo entrenado sobre histórico de cierres pondera nueve familias de señales. Las dinámicas (lo que hace el lead) suelen pesar más que las estáticas (quién dice ser).

    Feature importance (ilustrativo)

    Demo solicitada22% · dinámica
    Visitas a pricing17% · dinámica
    Industria (encaje ICP)14% · estática
    Tamaño empresa11% · estática
    Descargas de contenido10% · dinámica
    Rol del contacto9% · estática
    Aperturas de email8% · dinámica
    Fuente del lead5% · estática
    Otras señales4% · dinámica

    Algoritmo

    Gradient Boosting (XGBoost/LightGBM) sobre features tabulares. Equilibra precisión, calibración e interpretabilidad. Para explicabilidad por lead, valores SHAP a nivel individual.

    Output

    conversión_prob ∈ [0, 1] + cuadrante (Hot, Nurture, Tire-kicker, Cold) + top-3 features que explican el score. Inyectado en CRM como propiedad calculada actualizada cada 24 h.

    Reentrenamiento

    Cada 4-12 semanas según drift detectado. Monitorización continua de AUC-ROC, calibración y proporción de Hot que efectivamente cierran.

    Sección 03 · Impacto por rol

    Mismo score, tres consumos distintos

    SDR / BDR

    Lista priorizada del día

    Cada mañana, los Hot ordenados por valor esperado (probabilidad × deal value). Top-3 features que explican el score, copia sugerida y siguiente paso.

    121 Hot hoy
    Marketing

    Calidad por fuente

    Qué campañas, canales y contenidos producen Hot vs Cold. Reasignación presupuestaria basada en ratio Hot/€ invertido, no en MQLs brutos.

    24% del volumen es Hot
    Revenue Ops

    Forecast ponderado

    Pipeline ponderado por probabilidad real, no por etapa. Reduce el sesgo optimista entre 15-30% y mejora la fiabilidad del comité de forecast.

    €1.281.267 pipeline ponderado

    +20–35%

    Tasa conversión Hot

    −25–40%

    Ciclo de venta

    1,5–2,5×

    Productividad SDR

    −15–30%

    Sesgo de forecast

    Rangos típicos observados en implementaciones de lead scoring predictivo en B2B.

    Sección 04 · El siguiente paso

    Tu CRM ya tiene los datos
    para predecir cierres

    Te montamos el modelo sobre tu histórico real, lo conectamos a tu CRM y entregamos a tu equipo comercial una lista priorizada cada mañana.

    01
    Auditoría de datosCalidad del histórico, features disponibles y baseline
    02
    Modelo entrenadoScoring + cuadrante Fit × Intent calibrado
    03
    Activación en CRMWorkflows, vistas y dashboards listos para SDR
    Agenda tu auditoría de leadsVer CRM & RevOps →
    Consultoría gratuita·30 minutos·Sin compromiso·Respuesta en < 24 h

    Preguntas frecuentes

    Lead scoring predictivo, modelo, datos e impacto

    ¿Qué es el lead scoring predictivo y en qué se diferencia del scoring tradicional?
    El lead scoring predictivo asigna a cada lead una probabilidad de conversión entre 0 y 1 calculada por un modelo de machine learning entrenado sobre conversiones históricas. A diferencia del scoring tradicional basado en reglas (puntos por abrir email, visitar pricing, etc.), no requiere mantenimiento manual de pesos: el modelo aprende qué señales realmente predicen cierre en tu negocio y se reentrena periódicamente con datos nuevos.
    ¿Qué datos necesito para entrenar un modelo de lead scoring?
    Necesitas un histórico mínimo de 500-1.000 leads con resultado conocido (ganados o perdidos), features estáticas (industria, tamaño empresa, rol, fuente) y features de comportamiento (visitas web, aperturas de email, descargas, solicitudes de demo). La información se extrae de tu CRM (HubSpot, Salesforce, Pipedrive) y de tus herramientas de marketing automation y analítica web.
    ¿Cómo se construye el cuadrante Fit × Intent?
    Fit mide el encaje del lead con tu Ideal Customer Profile usando features estáticas (industria, tamaño, rol, geografía) — describe quién es. Intent mide su comportamiento usando señales dinámicas (visitas a pricing, demos, descargas, frecuencia de interacción) — describe qué hace. Cruzados en una matriz 2×2 generan cuatro segmentos: Hot, Nurture, Tire-kickers y Cold, cada uno con una estrategia comercial distinta.
    ¿Qué algoritmos son los más usados en lead scoring predictivo?
    Los algoritmos más utilizados son la regresión logística (interpretable y rápida), gradient boosting como XGBoost o LightGBM (mayor precisión sobre datos tabulares) y random forest. En proyectos con muchas señales no estructuradas (texto de emails, transcripciones de llamadas) se incorporan embeddings de modelos de lenguaje. La elección depende de la cantidad de datos, la necesidad de explicabilidad y el coste de inferencia.
    ¿Cómo se priorizan los leads una vez asignada la probabilidad?
    La priorización se hace por valor esperado: probabilidad de conversión × valor del deal estimado. Los leads se ordenan de mayor a menor valor esperado y se asignan a SDRs según capacidad diaria. Los Hot (probabilidad >0.75) entran en cadencia de llamada inmediata; los Nurture en secuencia educativa; los Tire-kickers en triage automático; los Cold se mantienen en base sin SDR asignado. Esta lógica se puede orquestar desde HubSpot Workflows, Salesforce Flow o herramientas como Outreach y Salesloft.
    ¿Cuánto tarda en implementarse un sistema de lead scoring predictivo?
    Una implementación inicial tarda entre 4 y 8 semanas. Las primeras 2 semanas se dedican a unificar fuentes (CRM + marketing automation + analítica web) y construir el dataset histórico. Las semanas 3-4 al modelado, validación cruzada y selección de features. Las semanas 5-6 a integrar el scoring en el CRM como propiedad calculada y al diseño de las cadencias por segmento. Las últimas 2 semanas a entrenamiento del equipo comercial y monitorización del modelo en producción.
    ¿Qué métricas validan que el modelo de lead scoring funciona?
    Las métricas técnicas son AUC-ROC (idealmente >0.80), precisión y recall en el segmento Hot, y calibración (que un score de 0.8 corresponda realmente a un 80% de conversión). Las métricas de negocio son tasa de conversión por segmento, tiempo medio hasta cierre, valor medio de deal por segmento y pipeline ponderado vs pipeline real. El modelo se reentrena cada 4-12 semanas según drift detectado.
    ¿Qué impacto típico tiene en pipeline y ciclo de venta?
    Equipos comerciales que adoptan lead scoring predictivo reportan mejoras de 20-35% en tasa de conversión sobre leads Hot, reducción de 25-40% en tiempo de ciclo de venta y aumento de 1,5-2,5x en productividad por SDR (más reuniones cualificadas por hora invertida). El forecast ponderado por probabilidad reduce el sesgo optimista del pipeline tradicional entre un 15% y un 30%.
    ¿Cómo se integra el lead scoring con HubSpot, Salesforce u otras plataformas?
    El score se inyecta en el CRM como una propiedad numérica calculada (ej. lead_score_ml entre 0 y 1) que se actualiza vía API o via batch nocturno. A partir de esa propiedad se construyen vistas filtradas (Hot Today), workflows automáticos (asignación, cadencias, alertas) y dashboards de RevOps. Plataformas como HubSpot Operations Hub, Salesforce Einstein, Pipedrive y Zoho permiten esta inyección sin desarrollo personalizado en la mayoría de casos.