El lead scoring es un sistema que asigna puntos a cada lead según qué tanto se parece a tu cliente ideal (fit) y qué tanto interés ha mostrado (intención), para que ventas atienda primero a los que tienen más probabilidad de comprar. El resultado práctico es una regla clara de cuándo un lead pasa de MQL a SQL.
Actualizado: noviembre de 2026.
Respuesta rápida
- Fit = quién es (industria, tamaño, puesto, ubicación). Intención = qué hace (pidió cotización, vio precios, abrió correos).
- Un modelo de puntos simple, con 8 a 12 criterios, funciona mejor que uno complejo que nadie entiende.
- Los puntos negativos (estudiante, competidor, correo personal en B2B) son tan importantes como los positivos.
- MQL es el lead que marketing considera listo; SQL es el que ventas acepta tras validarlo.
- Recalibra cada trimestre comparando el puntaje con los cierres reales.
¿Qué es el lead scoring y para qué sirve?
Es una forma de ordenar tus leads por prioridad usando datos, no corazonadas. Sirve para que ventas no pierda tiempo con contactos que nunca iban a comprar y no deje enfriar a los que sí.
Sin scoring, pasan dos cosas. O ventas llama a todos en orden de llegada y se satura, o elige a quién llamar por intuición y se le escapan oportunidades. Con scoring, el CRM ordena la lista y dispara alertas cuando un lead cruza un umbral.
Si todavía estás armando la captación, empieza por qué es la generación de leads. El scoring tiene sentido cuando ya tienes más leads de los que ventas puede atender con calidad.
¿Qué es fit y qué es intención?
Fit mide si el lead es el tipo de cliente que quieres. Intención mide si está listo para comprar ahora. Necesitas ambos: un lead perfecto sin interés no compra este mes, y uno muy interesado que no encaja puede costarte más de lo que deja.
| Dimensión | Qué mide | Ejemplos de criterios B2B | Ejemplos de criterios B2C de ticket alto |
|---|---|---|---|
| Fit (perfil) | Qué tanto se parece a tu cliente ideal | Industria, número de empleados, puesto, ciudad, uso de cierta tecnología | Rango de presupuesto, zona, forma de pago, edad del vehículo o del inmueble |
| Intención (comportamiento) | Qué tan cerca está de comprar | Solicitó demo o cotización, visitó la página de precios, respondió un correo | Pidió cita, preguntó por crédito, abrió la ficha de precios varias veces |
| Negativos | Señales de que no es comprador | Correo gmail en B2B enterprise, puesto "estudiante", empresa competidora | Fuera de zona de cobertura, presupuesto muy por debajo del mínimo |
Algunas herramientas ya separan ambas dimensiones. Por ejemplo, la herramienta de lead scoring de HubSpot maneja puntajes de engagement, de fit y combinados, y el combinado se muestra en una matriz donde la letra indica fit y el número indica engagement.
¿Qué diferencia hay entre MQL y SQL?
Un MQL (marketing qualified lead) es un lead que cumple el umbral de puntaje que marketing definió. Un SQL (sales qualified lead) es un MQL que ventas revisó y aceptó como oportunidad real.
La etapa intermedia que muchos equipos olvidan es el SAL (sales accepted lead): ventas recibió el MQL y se compromete a contactarlo en un plazo. Esa aceptación evita la pelea clásica de "marketing manda basura" contra "ventas no da seguimiento".
| Etapa | Quién decide | Criterio típico | Qué pasa después |
|---|---|---|---|
| Lead | Nadie todavía | Dejó sus datos | Se calcula su puntaje |
| MQL | Marketing (con reglas acordadas) | Puntaje ≥ umbral | Se asigna a ventas con alerta |
| SAL | Ventas | Ventas acepta revisarlo | Primer contacto en el plazo acordado |
| SQL | Ventas | Necesidad, presupuesto y plazo confirmados | Se crea oportunidad en el pipeline |
Este flujo encaja dentro de un embudo de ventas digital con métricas por etapa.
Cómo crear un modelo de lead scoring paso a paso
Empieza con datos de tus clientes ganados, no con una plantilla genérica. Este es el proceso que usamos en las cuentas que auditamos:
- Junta tus últimos cierres. Exporta del CRM los clientes ganados y perdidos de los últimos 6 a 12 meses, con sus datos de perfil y su historial de interacciones.
- Encuentra los patrones de fit. ¿Qué industrias, tamaños, puestos o zonas se repiten en los ganados? ¿Cuáles aparecen sobre todo en perdidos?
- Encuentra las señales de intención. ¿Qué acciones hicieron los que compraron antes de comprar? Ver precios, pedir demo, contestar un WhatsApp, volver al sitio varias veces.
- Asigna puntos. Más puntos a lo que más se asocia con cierres. Acciones de alta intención (pedir cotización) valen mucho más que acciones pasivas (abrir un correo).
- Agrega negativos. Resta puntos por señales de no comprador. Algunas, como "competidor", pueden descalificar directamente.
- Define el umbral MQL. Prueba con tus datos históricos: ¿qué puntaje separaba mejor a ganados de perdidos?
- Acuerda con ventas el SLA. Por ejemplo: todo MQL se contacta en menos de 2 horas hábiles, y ventas marca SAL o rechazo con motivo.
- Configura en el CRM. Propiedades, reglas de puntos, alertas y vistas ordenadas por puntaje.
- Agrega decaimiento. Resta puntos de intención si el lead no hace nada en 30 o 60 días, para que un interés viejo no parezca actual.
- Recalibra cada trimestre. Compara puntaje contra cierres y ajusta.
Ejemplo de modelo de puntos
Este es un modelo de partida para una empresa B2B de servicios. Ajusta los criterios y valores con tus datos.
| Criterio | Tipo | Puntos |
|---|---|---|
| Industria dentro de tu lista objetivo | Fit | +15 |
| Empresa de 50 a 500 empleados | Fit | +10 |
| Puesto de dirección o gerencia del área compradora | Fit | +15 |
| Ubicación en tu zona de cobertura | Fit | +5 |
| Solicitó cotización o demo | Intención | +30 |
| Visitó la página de precios | Intención | +10 |
| Descargó un recurso técnico | Intención | +5 |
| Respondió un correo o WhatsApp | Intención | +10 |
| Correo personal (gmail, hotmail) en venta enterprise | Negativo | −10 |
| Puesto "estudiante" o "practicante" | Negativo | −30 |
| Sin actividad en 60 días | Decaimiento | −15 |
Ejemplo hipotético: con umbral MQL de 50 puntos, un gerente de compras (+15) de una empresa de 200 empleados (+10) en tu industria objetivo (+15) que visitó precios (+10) suma 50 y se vuelve MQL. Un estudiante (−30) que pidió cotización (+30) y visitó precios (+10) suma 10 y no pasa, aunque su comportamiento parezca de alta intención.
Con este modelo también puedes enviar a Google Ads y Meta solo los leads calificados como conversión. Así los algoritmos optimizan hacia leads que ventas quiere, no hacia cualquier formulario. Lo explicamos en acciones de conversión en Google Ads.
¿Qué herramientas sirven para hacer lead scoring?
Casi cualquier CRM moderno permite scoring, ya sea nativo o con reglas y automatizaciones. La diferencia está en qué plan lo incluye y cuántos datos de comportamiento captura.
- HubSpot: herramienta de scoring nativa; los puntajes de contacto requieren Marketing Hub, y HubSpot documenta que también puede generar puntajes con IA si tienes suficientes contactos convertidos y no convertidos.
- Kommo: según su documentación de planes, el lead scoring está en el plan Pro.
- Pipedrive, Zoho y Bitrix24: permiten construir scoring con campos personalizados y automatizaciones; revisa qué incluye cada plan.
- Hoja de cálculo: para validar el modelo con datos históricos antes de configurarlo en el CRM.
Comparamos estas herramientas en mejores CRM para pymes en México.
Errores comunes
- Diseñarlo sin ventas. Si ventas no confía en el puntaje, lo ignora. Defínelo con ellos y con datos de sus cierres.
- Dar demasiados puntos a acciones pasivas. Abrir correos o ver un blog no indica intención de compra. Muchas aperturas son automáticas por la privacidad de los clientes de correo.
- No usar negativos. Sin ellos, estudiantes, proveedores y competidores llegan a MQL.
- No aplicar decaimiento. Un lead que pidió precio hace seis meses no está igual de caliente hoy.
- Modelos con 40 reglas. Nadie puede explicar por qué un lead tiene 73 puntos. Mejor pocas reglas que todos entiendan.
- Nunca recalibrar. Tu mercado, tus campañas y tu oferta cambian; el modelo también debe hacerlo.
- Medir solo volumen de MQL. La métrica que importa es qué porcentaje de MQL se vuelve SQL y cliente.
Preguntas frecuentes
¿Cuál es un buen puntaje de lead scoring?
No hay un número universal: depende de cómo diseñes tu escala. Lo importante es que el umbral separe bien a los leads que compran de los que no. Pruébalo con tus datos históricos y ajústalo si ventas rechaza muchos MQL o si se escapan clientes con puntaje bajo.
¿El lead scoring sirve para negocios B2C?
Sí, en B2C de ticket alto y ciclo largo: inmobiliario, autos, educación, salud privada, seguros. En compras impulsivas de ecommerce tiene menos sentido; ahí funciona mejor la segmentación por comportamiento.
¿Qué es mejor, scoring manual o predictivo con IA?
El predictivo necesita volumen suficiente de leads convertidos y no convertidos para aprender. Si tienes pocos cierres al mes, un modelo manual bien hecho es más confiable y más fácil de explicar. Cuando tengas volumen, puedes comparar ambos.
¿Cada cuánto se debe actualizar el modelo?
Revísalo cada trimestre, o antes si cambias de oferta, de mercado o de canales de adquisición. Compara la tasa de conversión de MQL a cliente por rango de puntaje y ajusta los pesos.
¿Qué es BANT y cómo se relaciona con el lead scoring?
BANT (budget, authority, need, timing) es un marco para calificar en la conversación de ventas. El scoring prioriza antes de la llamada; BANT confirma durante la llamada si el lead pasa a SQL. Se complementan.
Siguiente paso
Exporta tus últimos 50 clientes ganados y busca qué tienen en común: ese es el borrador de tu modelo de fit. Si quieres que conectemos el scoring con tus campañas para optimizar hacia leads calificados, conoce nuestra agencia de generación de leads.
.svg)
.jpeg)
