Lead scoring: qué es, cómo puntuar y cuántos datos hace falta de verdad

En cualquier equipo comercial hay una lista de contactos y un número limitado de horas. El lead scoring es el intento de ordenar la primera con la segunda en la mano: puntuar cada contacto para que el comercial llame primero a quien tiene más probabilidades de comprar.

Suena a problema resuelto, y por eso casi todas las herramientas lo ofrecen. Lo que casi ninguna explica en su página comercial —pero sí en su documentación— es cuántos datos hace falta tener para que la puntuación signifique algo. Ahí es donde se cae la mayoría de las implantaciones.

Qué se puntúa, exactamente

Un modelo de lead scoring combina dos cosas que conviene no mezclar, porque se corrigen de forma distinta:

• Encaje (fit): quién es el contacto. Sector, tamaño de empresa, cargo, país. Responde a «¿es del tipo de cliente que nos compra?».
• Interés (engagement): qué ha hecho. Páginas vistas, correos abiertos, formularios, demos pedidas. Responde a «¿está ahora en el momento?».

Un director general de una empresa que encaja perfecto pero no ha abierto un correo en seis meses tiene encaje alto e interés cero. Un becario que se ha descargado todo tiene lo contrario. Puntuarlos con un solo número los deja en el mismo sitio, y esa es la primera causa de que un comercial deje de fiarse del sistema.

Dos formas de puntuar, y solo una necesita datos históricos

Manual, por reglas

Se asignan puntos a mano: +10 por descargar el catálogo, +15 por ser de una empresa de más de cincuenta empleados, −20 por usar un correo gratuito. Es transparente, se explica en una reunión y funciona desde el primer día.

Su límite es que refleja lo que el equipo cree que predice una venta, no lo que la predice de verdad. Vale la pena empezar aquí igualmente: obliga a escribir el criterio, y un criterio escrito ya es mejor que el instinto de cada comercial.

Predictivo, con un modelo

El sistema mira quién compró antes y busca qué tenían en común. Es más preciso cuando funciona, y tiene un requisito de entrada que nadie menciona en las demos.

El mínimo de datos, en la documentación oficial

Consultado el 6 de septiembre de 2026 en la ayuda de las propias plataformas.

HubSpot es explícito. Según su documentación, para generar una puntuación con IA hace falta «un tamaño de muestra mínimo de 50 contactos, que contenga 25 convertidos y 25 no convertidos». Y añade el requisito comercial: la puntuación con IA exige una suscripción Marketing Hub Enterprise.

Cincuenta contactos suena poco, y ese es justo el problema: es el mínimo para que el sistema genere un número, no para que ese número sea fiable. Con 25 conversiones, cualquier casualidad del histórico entra en el modelo como si fuera una regla.

Salesforce también publica un requisito de volumen para Einstein Lead Scoring, bastante más alto, pero las fuentes que lo citan no coinciden en la ventana temporal —unas hablan de seis meses y otras de 200 días— y la propia herramienta cambia esos umbrales entre versiones. Así que aquí no damos una cifra: lo que hay que mirar es el informe de preparación de su propia organización, que dice si tiene datos suficientes con los datos que usted tiene, no con los de un artículo.

El tramo «Muy alta» siempre contiene el 25% de sus contactos

Esta es la parte que conviene entender antes de enseñarle el panel a nadie. En la puntuación predictiva de HubSpot, los contactos se reparten en tramos y «cada tramo contiene el 25% de sus contactos»: el 25% con mejor puntuación queda como Very High y el 25% peor como Low.

Son grupos relativos, no absolutos. Tres consecuencias que no son obvias:

• Siempre habrá un tramo «muy alta», aunque la calidad de toda su base haya empeorado. El tramo mide posición dentro de su lista, no probabilidad real.
• La misma puntuación puede caer en un tramo distinto en dos meses distintos. La documentación lo dice: «el rango de puntuaciones de cada tramo puede desplazarse con el tiempo».
• Comparar el porcentaje de leads «muy altos» entre trimestres no significa nada: por construcción siempre es el 25%.

Cómo montarlo sin equivocarse en lo caro

• Empiece por el encaje, no por el interés. Es más estable y evita gastar comerciales en contactos entusiastas que nunca podrían comprar.
• Defina qué es «convertido» antes de puntuar. Si marketing llama conversión a una descarga y ventas a una reunión, el modelo aprende la definición equivocada.
• Ponga puntuación negativa. Un correo personal, un país fuera de mercado o un competidor deberían restar. Casi ningún modelo casero lo hace y por eso todo el mundo acaba con puntuación alta.
• Revise el umbral con ventas cada trimestre. El número a partir del cual se pasa un contacto a comercial es una decisión de negocio, no un ajuste técnico.
• Mida el modelo por lo que cierra, no por lo que puntúa. Si los contactos de puntuación alta no cierran más que los de puntuación media, el modelo no vale.

Y conviene tener claro a quién se está puntuando: en B2B, el que rellena el formulario casi nunca es el que firma. Lo desarrollamos en los tres tipos de comprador B2B.

Cuándo NO merece la pena

El lead scoring resuelve un problema de exceso: demasiados contactos para el tiempo disponible. Si su equipo puede llamar a todos los contactos del mes, no tiene ese problema y montar un modelo solo añade una capa que mantener.

Tampoco funciona bien con ciclos de venta muy largos y pocas operaciones al año: no hay suficientes casos cerrados de los que aprender, y las reglas manuales envejecen antes de poder validarlas. Ahí es más rentable trabajar la lista a mano, como en la captación de clientes B2B.

Preguntas frecuentes

¿Cuántos puntos debe tener un lead para pasarlo a ventas?

No hay un número universal: depende de su escala. La forma correcta de fijarlo es mirar hacia atrás qué puntuación tenían los contactos que sí cerraron y poner el umbral ahí, revisándolo con el equipo comercial cada trimestre.

¿Sirve el lead scoring en B2C?

Sí, aunque cambia el peso: en B2C el encaje demográfico dice menos y el comportamiento reciente dice mucho más. En productos de compra impulsiva casi todo el valor está en la actividad de los últimos días.

¿Se puede hacer sin herramienta de pago?

La puntuación por reglas sí: es una fórmula sobre campos que ya tiene en el CRM. Lo que exige plan de pago es la puntuación predictiva —en HubSpot, Marketing Hub Enterprise—.

¿Cada cuánto hay que revisar el modelo?

Cada trimestre, y siempre que cambie la oferta o el mercado. Un modelo entrenado con clientes de otro producto puntúa bien a los clientes de aquel producto, no a los de este. Si vende en España, conviene contrastarlo además con cómo se comporta el ciclo aquí: lo vemos en claves y ejemplos prácticos de ventas B2B en el mercado español.

¿Qué hago si todos mis leads puntúan alto?

Casi siempre significa que faltan reglas negativas o que el modelo se entrenó con muy pocos casos. Antes de subir el umbral, revise si hay algo que reste puntos: correos gratuitos, países fuera de mercado, cargos sin capacidad de decisión.

Portada: «Call Center Agent», de Tim Reckmann (Flickr), con licencia CC BY 2.0.