Puntuación conjunta de Leads: construir un modelo de puntuación que sirva tanto a Marketing como a Ventas

Marketing pasó tres meses construyendo el modelo de puntuación. Entrevistó a Ventas, analizó datos de acuerdos cerrados-ganados y configuró las reglas en el MAP. Luego lo lanzó.

Ventas revisó el primer lote de Leads con alta puntuación, llamó a algunos y volvió a trabajar con su propia lista. El puntaje, dijeron, no coincidía con lo que realmente veían en la cuenta.

Así es como terminan la mayoría de los proyectos de puntuación de Leads. No con un mal modelo. Con un modelo en el que nadie confía.

El problema generalmente no es la matemática. Es el proceso. Cuando Marketing construye un modelo de puntuación y se lo entrega a Ventas, Ventas no tiene propiedad sobre el resultado. No decidió qué señales importan. No validó los pesos. Cuando el modelo produce un Lead que no habrían llamado, no tienen razón para deferirle.

Un modelo construido conjuntamente — uno en el que ambos equipos contribuyeron a los pesos, lo probaron contra datos reales de acuerdos cerrados-ganados y aprobaron los umbrales — es el único tipo que sobrevive el contacto con el equipo de Ventas. Antes de construir el modelo, ambos equipos deben haber acordado el marco de ICP compartido — los pesos de puntuación son tan buenos como la definición subyacente del cliente ideal.

Datos clave: Efectividad de la puntuación de Leads

• Las empresas que usan puntuación de Leads ven un aumento del 77% en el ROI de generación de Leads frente a las empresas que no lo hacen, según investigación de MarketingSherpa sobre prácticas de calificación B2B.
• Solo el 44% de las empresas reportan que sus equipos de Marketing y Ventas acuerdan formalmente los criterios de puntuación de Leads, según una encuesta de Demand Gen Report.
• Las empresas con prácticas maduras de gestión y puntuación de Leads generan un 50% más de Leads listos para ventas a un 33% menor costo por Lead, según Forrester Research.
• Los equipos de Ventas que participaron en el diseño del modelo de puntuación de Leads tienen 3 veces más probabilidades de usar los puntajes de Leads en la priorización, según un estudio de SiriusDecisions sobre alineación entre funciones.
• Los modelos de puntuación de Leads que incluyen reglas de decaimiento superan a los modelos estáticos en un 28% en la tasa de conversión de SQL a oportunidad, según análisis de Aberdeen Group.

El modelo de puntuación que nadie usa

Antes de llegar a qué construir, vale la pena ser honestos sobre por qué la mayoría de los modelos de puntuación fracasan. La descripción general de Forrester sobre la puntuación de interés individual enmarca bien el desafío central: un puntaje solo es útil cuando los equipos a los que está destinado confían en los insumos.

Problema 1: Marketing define el modelo de forma unilateral. Ventas no estaba en la sala cuando se establecieron los pesos. No tienen contexto para entender por qué una visita a la página de precios vale 25 puntos pero asistir a un webinar vale 15. Cuando el modelo produce resultados contraintuitivos, no confían suficientemente en él para anular su intuición.

Problema 2: El modelo sobrepondera el compromiso sobre el fit. Aperturas de correos, visitas al blog, clics en redes sociales: estos inflan los puntajes de personas interesadas en contenido que nunca comprarán. Un gerente de Marketing en una empresa de 10 personas que lee cada correo que envían puede puntuar más alto que un VP de Operaciones en una empresa de 300 personas en su mercado objetivo que visitó la página de precios una vez. El que puntúa más alto no es un mejor Lead.

Problema 3: Sin reglas de decaimiento. Un Lead que descargó una guía hace 14 meses aún tiene ese puntaje adjunto. Las señales de compromiso antiguas no reflejan la intención actual. Sin decaimiento, los puntajes altos antiguos saturan la parte superior de la cola de prioridad.

Problema 4: El modelo nunca se recalibra. Los mercados cambian. El ICP evoluciona. Los nuevos canales generan Leads de diferente calidad. Un modelo de puntuación construido sobre datos de acuerdos cerrados del año pasado puede estar activamente equivocado una vez que ha estado funcionando por 18 meses.

La propiedad conjunta soluciona el Problema 1 de forma estructural, porque Ventas participa en la construcción del modelo y tiene contexto para los pesos. Los otros problemas requieren decisiones de diseño específicas, que es lo que cubre el resto de este artículo. Si no está seguro de si su empresa necesita puntuación formal en absoluto, el artículo sobre cuándo no se necesita puntuación de Leads cubre los casos donde una calificación más simple supera a un sistema de puntuación.

El modelo de tres dimensiones

El Triángulo de Puntuación Fit + Intención + Comportamiento

El Triángulo de Puntuación Fit + Intención + Comportamiento es un modelo de puntuación de Leads de tres dimensiones en el que cada eje mide una cualidad distinta de un Lead — puntuable de forma independiente, reportable de forma independiente y calibrable de forma independiente.

• Fit (quiénes son): Señales firmográficas y de rol estáticas. Coincidencia con el ICP, nivel del cargo, tech stack, tamaño de empresa. No decae rápidamente.
• Intención (qué están investigando ahora): Señales activas de ventana de compra. Solicitudes de Demo, visitas a precios, investigación en la categoría de G2, picos de temas en Bombora. Decae en días a semanas.
• Comportamiento (qué tan comprometidos están con usted): Señales de profundidad de compromiso. Asistencia a webinars, descargas de contenido, uso del Trial. Decae en 30-90 días.

Un Lead necesita superar umbrales mínimos en al menos dos dimensiones antes de alcanzar el estatus de MQL. El comportamiento alto por sí solo no califica a un Lead. El fit alto por sí solo no califica a un Lead. El triángulo requiere al menos dos lados para sostenerse.

Un modelo de puntuación construido sobre tres dimensiones separadas (fit, intención y comportamiento) es más transparente y mantenible que un puntaje compuesto único porque cada dimensión es comprensible por sí sola.

Puntaje de fit: Quiénes son la empresa y la persona. Señales estáticas o de movimiento lento que reflejan si esta cuenta está en su mercado objetivo.

Puntaje de intención: Qué están investigando activamente. Señales que indican que una ventana de compra está abierta o se acerca.

Puntaje de comportamiento: Qué han hecho con su contenido y producto. Señales de compromiso que indican profundidad de interés.

Cada dimensión puede puntuarse por separado, reportarse por separado y calibrarse por separado. Cuando un Lead tiene un fit alto pero una intención baja, esa es una señal útil que se pierde en un número compuesto único.

El artículo sobre puntuación de fit vs. intención profundiza en los compromisos entre estas dos dimensiones. Este artículo se centra en cómo construir las tres juntas.

Puntuación de fit: qué incluir

Las señales de fit responden: "¿Es este el tipo de empresa y persona a la que debemos vender?"

Señales firmográficas (a nivel de empresa):

Señales de rol/cargo (a nivel de persona):

Señales del tech stack: Si su producto se integra con o reemplaza herramientas específicas, un contacto cuya empresa usa esas herramientas tiene un mejor fit que uno que no.

Señales negativas de fit (descalificadores): Estas son críticas y a menudo se omiten.

Las señales negativas importan tanto como las positivas. Un modelo de puntuación sin descalificadores produce puntajes altos para personas que nunca comprarán.

Puntuación de intención: señales de terceros y de primera parte

Las señales de intención responden: "¿Están buscando activamente resolver este problema ahora mismo?"

Las señales de intención de primera parte provienen de sus propias propiedades. Son las más confiables porque usted ha observado directamente el comportamiento.

Las señales de intención de terceros provienen de proveedores de datos que rastrean el comportamiento de investigación en múltiples sitios: G2, Bombora, TechTarget y plataformas similares. La guía de Gartner sobre puntuación de Leads B2B con señales de intención muestra que las empresas que usan datos de intención junto con criterios de fit firmográfico tienen el doble de probabilidades de lograr una tasa de conversión top-of-funnel del 10% o más.

Los datos de intención de terceros son poderosos pero requieren presupuesto y trabajo de integración. Si no los tiene, las señales de primera parte por sí solas pueden construir un modelo funcional. Las señales proxy también funcionan: si un contacto ha consumido 4+ piezas de contenido de bottom-of-funnel en 30 días, esa es una señal de intención razonable incluso sin datos externos.

Cómo ponderar la intención relativa al fit: Para la mayoría de los movimientos B2B con liderazgo inbound, la intención debe tener más peso que el fit cuando ambos están presentes. Una empresa de fit perfecto que hace investigación activa es más valiosa que una empresa de fit perfecto que descargó una entrada de blog. Pero la intención sin fit sigue siendo ruido, así que ponderarla en consecuencia.

Puntuación de comportamiento: profundidad de compromiso

Las señales de comportamiento responden: "¿Qué tan comprometida está esta persona con nosotros específicamente?"

Compromiso con contenido:

Compromiso con el producto (si aplica):

Reglas de decaimiento (no negociables):

Las señales de comportamiento antiguas deben decaer. Un Lead que visitó su blog hace 14 meses no está actualmente comprometido. Mantener su puntaje de comportamiento antiguo envenena el modelo.

La mayoría de las plataformas MAP admiten reglas de decaimiento de forma nativa. Si la suya no lo hace, ejecute un proceso por lotes mensual que recalcule los puntajes con un factor de antigüedad aplicado.

El artículo sobre decaimiento del modelo de puntuación de Leads cubre esto con más detalle.

Combinar las tres dimensiones

Tres enfoques para combinar fit, intención y comportamiento en un puntaje utilizable:

Opción 1: Puntaje compuesto. Sumar los tres puntajes de dimensión en un solo número. Simple de reportar. Fácil de comparar. Pero pierde visibilidad a nivel de dimensión. No se puede saber si un puntaje de 85 es alto-fit/baja-intención o bajo-fit/alto-comportamiento.

Opción 2: Lógica de umbral (recomendada para la mayoría de los equipos). Definir umbrales mínimos por dimensión. Un Lead solo alcanza el estatus de MQL si supera los mínimos en al menos dos de tres dimensiones. Esto evita que un Lead muy comprometido pero con fit incorrecto puntúe hasta MQL.

Ejemplo de lógica de umbral:

• MQL requiere: Puntaje de fit ≥ 30 Y (Puntaje de intención ≥ 20 O Puntaje de comportamiento ≥ 25)
• MQL caliente: Fit ≥ 40 Y Intención ≥ 30

Opción 3: Modelo de matriz. Reportar fit e intención como ejes separados. Alto-fit/alta-intención = outreach inmediato. Alto-fit/baja-intención = nurture. Bajo-fit/alta-intención = manejar con cuidado. Bajo-fit/baja-intención = suprimir. Esto le da a Ventas el contexto más útil pero requiere soporte de UI para ser práctico.

Para los equipos con MAP y CRM que pueden mostrar múltiples campos de puntaje, la lógica de umbral con reporte de dimensión separada ofrece lo mejor de ambos enfoques.

Cita destacada: Las empresas con prácticas maduras de gestión y puntuación de Leads generan un 50% más de Leads listos para ventas a un 33% menor costo por Lead que las empresas que usan calificación ad hoc, según Forrester Research sobre generación de demanda B2B.

Cita destacada: Los equipos de Ventas que participaron en el diseño del modelo de puntuación de Leads tienen 3 veces más probabilidades de usar los puntajes de Leads en la priorización diaria que los equipos que recibieron un modelo de puntuación construido solo por Marketing, según un estudio de SiriusDecisions sobre alineación entre funciones.

Cómo conseguir la aprobación de Ventas sobre el modelo

La propiedad conjunta no es una casilla para marcar. Requiere pasos específicos.

Paso 1: Entrevistar a 3-5 representantes de ventas antes de construir. Preguntarles: "Cuando ven un nuevo Lead, ¿qué es lo primero que verifican? ¿Qué les hace decidir llamar de inmediato versus la próxima semana? ¿Cuáles han sido sus mejores Leads en los últimos 6 meses y qué tenían en común?"

Sus respuestas indican qué señales importan en la práctica. No qué señales cree Marketing que importan.

Paso 2: Compartir los pesos propuestos y solicitar desafíos. Presentar la lógica de puntuación con los pesos. Invitar el desacuerdo. "Marketing dio 35 puntos a las visitas a la página de precios. ¿Coincide eso con lo que usted ve? Cuando alguien visita precios, ¿con qué frecuencia conduce a una conversación real?"

Donde Ventas objeta, ya sea explicar los datos que respaldan el peso o ajustarlo. Ambos resultados fortalecen el modelo. Los umbrales de puntaje de MQL a SQL deben establecerse conjuntamente por la misma razón — son el resultado del modelo, y Ventas tiene que confiar en lo que esos umbrales producen.

Paso 3: Validar contra Leads conocidos buenos y malos. Seleccione 20-30 acuerdos cerrados-ganados de los últimos 12 meses. Ejecute la lógica de puntuación contra sus registros de Lead y verifique sus puntajes. Si sus mejores acuerdos habrían puntuado bajo con el modelo, tiene un problema de calibración. El mismo ejercicio con cerrados-perdidos: los principales Leads cerrados-perdidos deben puntuar más bajo que los principales Leads cerrados-ganados. Los marcos de calificación de Leads de la colección de gestión de Leads ofrecen perspectivas adicionales sobre qué señales realmente distinguen a los Leads cerrables del ruido.

Paso 4: Ejecutar un piloto antes del lanzamiento. Puntuar un lote de nuevos Leads bajo el nuevo modelo. Ventas revisa los 20 Leads con mayor puntaje y califica si está de acuerdo con la priorización. Calibrar según los comentarios antes del lanzamiento general.

Este proceso toma 4-6 semanas. Es más lento que construir el modelo solo. Pero es la diferencia entre un modelo que se adopta y uno que se ignora.

Análisis Rework: El proceso de aprobación de cuatro pasos (entrevistar a representantes, compartir pesos propuestos, validar contra datos de acuerdos cerrados-ganados, ejecutar un piloto) típicamente toma 4-6 semanas y es la inversión de mayor apalancamiento para la adopción a largo plazo de un modelo de puntuación. Los equipos que saltan a "lancemos y ajustemos después" reportan consistentemente el mismo resultado 3-6 meses después: Ventas deja de mirar los puntajes y trabaja con su propia lista. El paso del piloto es el que más importa — puntuar 20 Leads reales con revisión de Ventas antes del lanzamiento expone errores de calibración antes de que dañen la confianza.

Gobernanza del puntaje: quién cambia los pesos

Un modelo de puntuación sin gobernanza decae. Alguien añade un punto por abrir un newsletter porque era fácil. Marketing actualiza una página de producto y el comportamiento de clics cambia pero nadie actualiza la lógica de puntuación. Los pesos que eran correctos hace seis meses son incorrectos ahora.

La gobernanza no necesita ser burocrática. Necesita ser clara. La plantilla de SLA de Marketing y Ventas es un buen lugar para documentar las reglas de gobernanza junto con los compromisos de alineación más amplios que ambos equipos firman.

Reunión de revisión trimestral: 45 minutos. Extraer datos de conversión por puntaje de dimensión. Revisar las señales que se añadieron o cambiaron. Confirmar que el modelo sigue calibrado contra los datos actuales de acuerdos cerrados-ganados. Ambos VPs asisten.

Prueba y validación del modelo

Un modelo validado contra datos de acuerdos cerrados-ganados es el estándar mínimo para confiar en él.

Análisis de correlación: Para cada señal en el modelo, calcular la correlación entre tener esa señal y eventualmente cerrar como ganado. Hacer esto por segmento (SMB vs. mid-market) si el ICP varía. Las señales con baja correlación con acuerdos cerrados-ganados deben ponderarse más bajo o eliminarse. Las señales con alta correlación deben ponderarse más alto.

Este análisis no requiere un equipo de ciencia de datos. Una hoja de cálculo con datos de cerrados-ganados vs. cerrados-perdidos y columnas de presencia/ausencia de señales mostrará las correlaciones que se necesitan.

Recalibración trimestral:

• Extraer los SQLs de los últimos 90 días
• Verificar la tasa de conversión de SQL a oportunidad por banda de puntaje (60-70, 70-80, 80-90, 90+)
• Si las tasas de conversión no correlacionan con las bandas de puntaje, el modelo necesita recalibración
• Extraer las señales añadidas en el último trimestre y verificar su correlación individual con la conversión
• El análisis de tasa de conversión del equipo de Pipeline alimenta directamente esta verificación — las bandas de puntaje que no correlacionan con la progresión de etapas son fácilmente visibles allí

Reconstrucción anual completa: Cada 12-18 meses, reconstruir el modelo desde cero usando los 12 meses más recientes de datos de acuerdos cerrados. La investigación de Gartner sobre puntuación predictiva de Leads confirma que los modelos reconstruidos con datos frescos superan consistentemente a los que permanecen estáticos — incluso pequeños cambios en el ICP o la combinación de canales pueden hacer que los pesos de 18 meses de antigüedad sean activamente engañosos. Las condiciones del mercado cambian. El ICP puede haber evolucionado. Los modelos antiguos construidos con datos obsoletos tienen un rendimiento inferior sin que nadie lo note porque el deterioro es gradual.

El marco de definición de MQL y los umbrales de puntuación deben revisarse juntos durante las reconstrucciones anuales, ya que están diseñados para estar alineados.

Conclusión

El modelo de puntuación que ambos equipos construyeron vale más que el modelo perfecto en el que solo confía Marketing.

Eso no significa que deba construir un mal modelo para conseguir la aprobación. Significa que el proceso de involucrar a Ventas en la construcción del modelo (las entrevistas, los desafíos a los pesos, la validación piloto) mejora el modelo además de aumentar su adopción.

Ventas sabe cosas sobre qué hace bueno a un Lead que Marketing no puede ver en los datos de comportamiento. Marketing sabe cosas sobre qué genera señales de intención que Ventas no observa. Un modelo construido conjuntamente combina ambas.

Constrúyalo juntos. Valídelo contra datos reales. Govérnelo explícitamente. Recalibre trimestralmente.

El objetivo no es un puntaje. Es un lenguaje compartido para la priorización, uno que ambos equipos usan porque ambos confían en él.

Preguntas frecuentes

¿Qué es la puntuación conjunta de Leads?

La puntuación conjunta de Leads es un modelo de puntuación construido de forma colaborativa por Marketing y Ventas, donde ambos equipos contribuyeron a los pesos de las señales, validaron el modelo contra datos de acuerdos cerrados-ganados y aprobaron los umbrales de MQL/SQL. El elemento "conjunto" no es ceremonial — significa que Ventas tiene propiedad sobre el resultado, lo que es la única manera en que un modelo de puntuación sobrevive el contacto con un equipo de Ventas real.

¿Cuáles son las tres dimensiones de la puntuación de Leads?

Las tres dimensiones son fit (quiénes son la empresa y la persona — señales firmográficas y de rol), intención (si están investigando activamente una solución ahora mismo — visitas a precios, solicitudes de Demo, picos de intención de terceros) y comportamiento (qué tan comprometidos están con su contenido y producto). Cada dimensión decae a una tasa diferente: el fit es casi estático, la intención decae en días y el comportamiento decae en 30-90 días.

¿Por qué fracasan la mayoría de los modelos de puntuación de Leads?

La mayoría de los modelos de puntuación fracasan porque Marketing los construyó de forma unilateral (por lo que Ventas no confía en ellos ni los usa), sobrepondera las señales de compromiso sobre el fit (por lo que el perfil "comprometido pero que nunca compra" puntúa demasiado alto), no tiene reglas de decaimiento (por lo que las señales antiguas contaminan los puntajes actuales) y nunca se recalibran contra datos actuales de acuerdos cerrados-ganados. La propiedad conjunta aborda el primer problema; los otros tres requieren decisiones de diseño deliberadas.

¿Cómo deben ponderarse el fit y la intención entre sí?

Depende de su movimiento de ventas. Movimientos con liderazgo inbound: Fit 50%, Intención 35%, Comportamiento 15% — el fit es el diferenciador ya que el inbound ya filtra previamente por alguna intención. Movimientos ABM: Fit 25%, Intención 60%, Comportamiento 15% — ha preseleccionado cuentas por fit, por lo que la intención es el disparador. Movimientos PLG: Fit 25%, Intención 25%, Comportamiento de producto 50% — el uso del Trial predice la conversión mejor que cualquier señal tradicional.

¿Qué son las reglas de decaimiento en la puntuación de Leads y por qué importan?

Las reglas de decaimiento reducen automáticamente el puntaje de un Lead a medida que las señales conductuales envejecen. Un Lead que visitó la página de precios hace 14 meses no está actualmente en una ventana de compra, pero sin decaimiento, esa señal antigua sigue contribuyendo a su puntaje y puede empujarlo a la cima de la cola de prioridad. Decaimiento estándar: señales al valor completo durante 0-30 días, reduciéndose al 75% entre 31-60 días, al 50% entre 61-90 días, al 25% entre 91-180 días y al 0% después de 180 días.

¿Cómo validamos que nuestro modelo de puntuación está funcionando?

Extraiga los SQLs de los últimos 90 días. Verifique la conversión de SQL a oportunidad por banda de puntaje (60-70, 70-80, 80-90, 90+). Si las bandas de puntaje más altas no convierten a tasas significativamente más altas, el modelo necesita recalibración. También ejecute el análisis de cerrados-ganados vs. cerrados-perdidos: sus 50 mejores acuerdos ganados deben haber puntuado materialmente más alto que sus 50 mejores Leads perdidos. Si no es así, el modelo no está prediciendo resultados.

Aprenda más

• Puntuación de fit vs. intención
• Umbrales de puntaje de MQL a SQL
• Decaimiento del modelo de puntuación de Leads
• Marco de ICP compartido
• Marco de definición de MQL
• Marcos de calificación de Leads
• Análisis de tasa de conversión
• Glosario de alineación Marketing y Ventas