Fit vs. Intent Scoring: Qual Sinal Realmente Prevê um Deal Ganho

Você tem dois leads na fila.

Lead A: VP de Operações em uma empresa de software com 200 pessoas. Corresponde ao seu ICP em todas as dimensões: setor, tamanho, tech stack, função. Está na sua lista de e-mail há 8 meses. Nunca visitou a página de preços. Nenhuma página de produto. Abriu dois e-mails no último trimestre.

Lead B: Marketing Manager em uma empresa de serviços com 40 pessoas, menor que o seu ideal. Não está no seu setor principal. Mas solicitou uma demo ontem. Visitou a página de preços três vezes esta semana. Pesquisou sua categoria no G2 e clicou no seu perfil.

Seu modelo de scoring diz que o Lead A tem 78 pontos. O Lead B tem 61 pontos.

Qual você liga primeiro?

Se o seu instinto diz Lead B — porque ele está em uma janela de compra ativa agora —, você provavelmente está certo. E se o seu modelo de scoring classifica o Lead A mais alto, você tem um problema de calibração que está prejudicando silenciosamente o seu pipeline.

Esta é a questão de fit vs. intent. E errar em qualquer direção custa receita. É também a tensão central em qualquer conversa de lead scoring conjunto — os pesos que você atribui a sinais de fit vs. intent são onde o alinhamento se sustenta ou quebra.

Dados: Performance dos Sinais de Fit e Intent

• Leads com sinais de alta intent convertem para oportunidades a uma taxa 3–5x maior do que leads com apenas pontuações de alto fit, segundo pesquisas da Bombora e SiriusDecisions sobre adoção de intent data.
• 70% da jornada de compra B2B acontece antes de um comprador entrar em contato com um fornecedor, o que significa que os sinais de intent frequentemente aparecem antes de os leads entrarem no CRM, segundo pesquisa de comportamento de compra da Forrester.
• Empresas que usam intent data de terceiros junto com dados de fit de primeira parte registram um aumento de 23% nas taxas de conversão de lead para oportunidade, segundo pesquisa do Aberdeen Group sobre análise preditiva.
• Leads de alto fit que carecem de sinais de intent levam em média 6–9 meses a mais para fechar do que leads de alto fit/alta intent, com base em pesquisas da CEB (agora Gartner) sobre duração do ciclo de compra B2B.
• O excesso de peso de comportamento de engajamento no lead scoring (aberturas de e-mail, visualizações de páginas) infla as contagens de MQL em média 40% sem melhorar a qualidade do pipeline, segundo dados do Demand Gen Report sobre precisão de scoring.

Definindo Fit Scoring

Fit score mede se um lead pertence ao tipo de empresa para qual você vende e ocupa o tipo de função que compra de você.

O que fit captura:

• Tamanho da empresa (funcionários, receita)
• Setor ou vertical
• Geografia (se você atende mercados específicos)
• Tech stack (ferramentas que usam e que se integram com ou são substituídas pelo seu produto)
• Cargo, função e senioridade
• Estágio do negócio (startup vs. crescimento vs. enterprise)

O que fit não captura:

• Se estão ativamente procurando uma solução agora
• Se têm orçamento disponível neste trimestre
• Se há um projeto ativo ou ciclo de compras em andamento

Fit é em grande parte estático. O tamanho de uma empresa não muda mês a mês. O setor não muda. Os cargos dos contatos mudam lentamente, se é que mudam. Essa estabilidade é tanto uma força quanto uma limitação.

Força: Fit scores não decaem rapidamente. Um lead de alto fit de seis meses atrás ainda é um lead de alto fit hoje.

Limitação: Fit não diz quando. Uma empresa pode ser um fit perfeito e ter zero urgência pelos próximos 18 meses.

De onde vêm os dados de fit:

• Campos de formulário (tamanho de empresa, cargo, setor — auto-relatados)
• Ferramentas de enriquecimento de CRM (Clearbit, ZoomInfo, Apollo)
• Bancos de dados firmográficos de terceiros
• Dados do LinkedIn (para cargo e senioridade)

Dados de formulário são auto-relatados e frequentemente imprecisos (pessoas subestimam o tamanho da empresa, inflam cargos). Dados de enriquecimento são mais confiáveis, mas têm lacunas de cobertura para empresas menores. Para alvos SMB especialmente, planeje para que uma porcentagem de leads tenha dados de fit incompletos ou imprecisos. O framework compartilhado de ICP é onde os critérios de fit vivem — os pesos do scoring devem refletir o que as duas equipes concordaram lá. Veja o glossário de alinhamento de marketing e vendas para como ICP é definido no contexto do seu acordo de alinhamento.

Definindo Intent Scoring

Intent score mede se um lead está ativamente pesquisando uma solução na sua categoria agora. O guia de intent data B2B da Gartner define sinais de intent como evidência comportamental de que uma empresa está avaliando ativamente software na sua categoria — uma definição operacional útil para decidir o que o seu modelo deve realmente medir.

O que intent captura:

• Estão em uma janela de compra?
• Estão avaliando opções na sua categoria?
• Demonstraram interesse comercial — não apenas curiosidade educacional?

Sinais de intent de primeira parte vêm das suas próprias propriedades. Esses são os sinais de intent mais fortes porque você observou diretamente o comportamento.

Sinais de intent de terceiros vêm de provedores de dados que agregam comportamento de pesquisa em múltiplos sites, plataformas de avaliação e redes de conteúdo. A análise da Forrester sobre compras self-service B2B constatou que 68% dos compradores B2B preferem pesquisar por conta própria antes de engajar um fornecedor — o que significa que sinais de intent de terceiros capturam avaliação ativa que nunca aparece nos seus próprios analytics.

Intent data de terceiros melhora significativamente a precisão do scoring, mas requer orçamento (Bombora começa em $1.500+/mês) e trabalho de integração com o MAP. Se você ainda não tem orçamento para provedores de intent data, pode construir sinais proxy apenas com dados de primeira parte.

Como Cada Um Prevê Resultados Diferentes

A Matriz de Resposta Fit/Intent

A Matriz de Resposta Fit/Intent mapeia leads em quatro quadrantes com base em dois eixos independentes — fit de ICP (quem são) e buying intent (se estão avaliando ativamente agora). Cada quadrante exige um playbook de resposta distinto. A matriz é a ferramenta de decisão; o modelo de scoring é apenas o input que coloca um lead na célula certa.

	Baixa Intent	Alta Intent
Alto Fit	Nutra para timing — estruturado, paciente, aguarde o gatilho de intent	Ligue imediatamente — melhor lead, velocidade é a variável
Baixo Fit	Suprima ou despriorize — nurture de baixo investimento apenas	Trate com cuidado — qualifique rapidamente, não roteie para AEs sênior

A matriz torna explícito o que uma pontuação composta única esconde: uma pontuação de 85 pode ser de alto fit/baixa intent (pipeline futuro) ou de baixo fit/alta intent (oportunidade frágil). A ação correta é completamente diferente.

Os quatro quadrantes da matriz de fit/intent exigem cada um uma resposta diferente.

                    ALTA INTENT
                         |
    NUTURE PARA TIMING   |   LIGUE IMEDIATAMENTE
    Alto fit, baixa int  |   Alto fit, alta intent
                         |
    ─────────────────────┼─────────────────────
                         |
    SUPRIMA/DESPRIORIZE  |   TRATE COM CUIDADO
    Baixo fit, baixa int |   Baixo fit, alta intent
                         |
                    BAIXA INTENT
         BAIXO FIT              ALTO FIT

Alto fit + alta intent: Ligue imediatamente. Este é o seu melhor lead. Eles correspondem ao ICP e estão ativamente procurando. É quem a equipe de vendas deve ligar dentro de uma hora. Todo o resto para quando esse quadrante acende.

A prioridade é velocidade. Os dados mostram consistentemente que leads de alto fit/alta intent contatados na primeira hora convertem a taxas dramaticamente mais altas do que os contatados 24 horas depois. A janela de compra está aberta agora. Seu trabalho é estar dentro dela. Um SLA de resposta de cinco minutos para solicitações de demo inbound é construído especificamente para este quadrante.

Alto fit + baixa intent: Nutra para timing. Este é um lead valioso em uma janela dormente. Eventualmente precisará do que você vende, mas provavelmente não hoje. Empurrar esse lead para vendas cria ligações desperdiçadas e corrói a confiança no modelo de scoring. Mantenha essa pessoa em nurture estruturado: conteúdo de check-in trimestral, atualizações relevantes do setor, um case study que corresponde à situação dela. Quando a pontuação de intent subir (uma visita à página de preços, uma solicitação de demo), esse é o gatilho para mover para vendas.

Este quadrante é onde a maior parte do seu banco de dados de MQL vive. Trate-o como pipeline futuro — não pipeline atual. O framework de estágios do ciclo de vida do lead mostra como esses contatos dormente-mas-com-fit devem fluir por programas de nurture antes de estarem prontos para o handoff de SQL.

Baixo fit + alta intent: Trate com cuidado. Esse lead está fazendo pesquisa ativa, mas não corresponde ao ICP. Há alguns cenários que produzem esse padrão, e eles são tratados de forma diferente:

Cenário A: Eles são uma empresa em crescimento mais rápido do que seus dados mostram. Os dados de enriquecimento podem ter 6–12 meses de atraso. Uma empresa que parecia pequena demais há seis meses pode agora ter 80 funcionários. Execute uma atualização rápida de enriquecimento antes de descartar.

Cenário B: Eles estão genuinamente fora do ICP. Precisam de uma solução, mas você não é o fit certo para eles. Direcione para uma ligação rápida de qualificação ou um SDR inbound. Não roteie para sua equipe de AEs. Esses leads ocasionalmente fecham, mas com taxas menores e frequentemente com mais churn. Não construa pipeline em um padrão que cria churn.

Cenário C: Os dados de fit estão errados. O cargo não reflete a função real (um "Coordenador" que na verdade gerencia o orçamento de um projeto importante). Pergunte diretamente na qualificação para verificar antes de descartar.

Baixo fit + baixa intent: Suprima ou despriorize. Não passe para vendas. Não invista em nurture intenso. Se esse lead está na sua lista, pode converter eventualmente, mas a uma taxa tão baixa que o custo de oportunidade de focar neles é alto. Uma sequência simples de nurture (newsletter mensal) é apropriada. Remova do scoring ativo.

Citável: Leads B2B de alto fit que carecem de sinais de intent levam em média 6–9 meses a mais para fechar do que leads de alto fit/alta intent, segundo pesquisas da CEB (agora Gartner) sobre duração do ciclo de compra B2B — o que significa que rotear leads de apenas fit para vendas não é apenas ineficiente; distorce ativamente as previsões de velocidade de pipeline.

A Armadilha do Scoring: Excesso de Peso no Comportamento

O erro de scoring mais comum é dar peso demais a sinais de engajamento comportamental que parecem intent, mas não são. A pesquisa da Forrester sobre erros de intent data lista confundir engajamento com buying intent como um dos principais erros que as equipes cometem — inflando contagens de MQL sem melhorar a qualidade do pipeline.

Aberturas de e-mail. Posts de blog lidos. Inscrições em webinars. Cliques em redes sociais. Esses sinais indicam que alguém está engajado com seu conteúdo, mas engajamento não é intent.

A persona "engajada mas que nunca compra" é real em toda biblioteca de conteúdo B2B. Consomem tudo. Abrem todos os e-mails. Participam de todos os webinars. Nunca compram. Frequentemente porque são praticantes que usam seu conteúdo para educação e geração de ideias, mas não são o detentor do orçamento, não estão em um projeto ativo ou não estão em uma empresa que seria um dia cliente.

Se o seu modelo dá 5 pontos por cada abertura de e-mail e 10 pontos por cada visita a blog, essa persona pontua extremamente alto — potencialmente mais alto do que um lead de fit perfeito que visitou a página de preços uma vez. Isso é um mau funcionamento do modelo.

Como corrigir o problema de peso de comportamento:

• Limite os pontos totais que qualquer categoria de sinal comportamental pode contribuir (por exemplo, a pontuação de comportamento limita-se a 30 pontos no total, independentemente de quantos e-mails abriram)
• Aplique decaimento agressivo a sinais de engajamento (meia-vida de 14 dias para aberturas de e-mail, 30 dias para visitas a blog) — o artigo sobre decaimento do modelo de scoring de leads cobre a mecânica
• Exija pelo menos um sinal de intent acima de um limite mínimo antes de um lead poder atingir o status de MQL, independentemente da pontuação de comportamento
• Valide verificando se os seus leads mais pontuados por "comportamento apenas" realmente convertem. A maioria não converterá.

Definindo Pesos Relativos por Movimento de Vendas

O equilíbrio certo entre fit e intent depende de como você adquire clientes.

Movimento inbound-led: Quando a maioria dos seus leads vem de conteúdo e busca inbound, você já está pré-filtrando para intent: alguém que te procurou. Fit se torna o diferenciador principal porque você quer rotear apenas leads inbound com fit de ICP para vendas. Peso: Fit 50%, Intent 35%, Comportamento 15%. Os limites de pontuação de MQL para SQL para esse movimento refletirão essa ponderação com ênfase em fit.

Movimento ABM: Quando você está direcionando proativamente contas específicas, o fit já está fixo (você escolheu as contas). Intent se torna o sinal de gatilho: quando uma conta-alvo está em uma janela de compra ativa? Peso: Fit 25% (já triado), Intent 60%, Comportamento 15%.

Movimento PLG (product-led growth): O comportamento do produto é o seu sinal mais forte: uso do trial, adoção de features, volume de uso. Fit importa, mas o engajamento com o produto frequentemente prevê conversão melhor do que intent ou fit tradicionais. Peso: Fit 25%, Intent 25%, Comportamento de produto 50%.

Movimento outbound-assistido: Vendas está conduzindo contato com contas independentemente de sinais inbound. Fit determina o targeting. Sinais de intent dizem quais contas priorizar na sequência. Peso: Fit 60%, Intent 40%, Comportamento 0% (comportamento é mínimo porque você está fazendo contato a frio).

Implementação Prática Sem Ferramentas Caras

Provedores de intent data de terceiros melhoram significativamente a precisão do scoring. Mas você não precisa deles para construir um modelo de fit/intent funcional.

Sinais proxy para intent quando você não tem fornecedores de intent data:

Os proxies mais fracos são campos de formulário, porque as pessoas mentem, pulam ou dão respostas aspiracionais. Os proxies mais fortes são sinais comportamentais reais das suas próprias propriedades: visitas à página de preços, visitas à página de comparação, preenchimentos de calculadora de ROI.

Mesmo sem dados de terceiros, um modelo que separa fit de intent e exige ambos antes de atingir o status de MQL supera um modelo de uma única dimensão.

Citável: Dar peso demais a sinais de engajamento comportamental no lead scoring — aberturas de e-mail, visualizações de páginas, cliques em newsletters — infla as contagens de MQL em média 40% sem melhorar a qualidade do pipeline, segundo dados do Demand Gen Report sobre precisão de scoring em equipes de marketing B2B.

Análise Rework: A Matriz de Resposta Fit/Intent esclarece o erro de scoring mais caro que as equipes cometem: rotear leads de alta intent/baixo fit para AEs sênior. Esses leads convertem ocasionalmente, mas fecham mais lentamente, fazem mais churn e consomem tempo desproporcional de vendas. A matriz força uma decisão explícita de roteamento por quadrante — não apenas um limite de pontuação. Construa a lógica de quadrante na visualização do CRM para que os reps vejam em qual célula um lead se enquadra, não apenas um número composto.

Calibrando Pesos com Dados de Deals Fechados-Ganhos

A melhor maneira de definir pesos é olhar para trás e ver o que realmente previu um deal ganho. Aqui a visão da equipe de pipeline se torna inestimável — os dados de pipeline vs. previsão mostram quais características de lead produziram consistentemente deals que fecharam vs. leads que travaram.

A análise:

1. Puxe seus últimos 90–180 dias de oportunidades fechadas-ganhas
2. Para cada uma, verifique o registro de lead: Qual era a pontuação de fit no momento do SQL? Qual era a pontuação de intent?
3. Construa o mesmo conjunto de dados para fechadas-perdidas
4. Compare a distribuição de pontuações de fit e intent entre ganhas e perdidas

Se os deals fechados-ganhos se agrupam em alto fit E alta intent, seu modelo está aproximadamente certo. Se os deals fechados-ganhos se agrupam em alto fit, mas intent médio, você está dando peso demais ao intent. Se você vê um agrupamento de leads de baixo fit/alta intent no seu conjunto de fechadas-ganhas, pode ter um ICP mais amplo do que seu modelo assume.

Essa análise não requer um cientista de dados. Uma planilha com duas colunas (pontuação de fit e pontuação de intent no momento do SQL) para seus últimos 50 deals ganhos e 50 perdidos mostrará o padrão.

Execute essa calibração a cada seis meses. Os mercados mudam. O comportamento do comprador muda. Um modelo que era preciso há 18 meses pode estar desajustado agora sem que ninguém tenha percebido.

Quando os Sinais de Intent Decaem

Intent é sensível ao tempo de uma forma que fit não é. Uma empresa que estava pesquisando sua categoria há três meses pode ter comprado de um concorrente, pausado o projeto ou desprioritizado completamente. Uma pontuação de intent alta do trimestre passado não é o mesmo que uma pontuação de intent alta hoje.

Estimativas de meia-vida de sinal:

Sinais de intent de alta urgência, como solicitações de demo, devem acionar roteamento imediato para vendas — não processamento em lote. A pontuação de intent será inútil se você a revisar em um lote semanal quando o sinal disparou na terça. As regras de roteamento de leads precisam levar isso em conta — sinais de intent quentes devem ter um caminho rápido dedicado, separado do lote semanal normal de MQL.

Para sinais com meia-vida de 2–4 semanas, construa decaimento na automação do MAP para que as pontuações se recalculem automaticamente. Um lead que visitou a página de preços três vezes há dois meses e não voltou não está atualmente em uma janela de compra.

O artigo sobre decaimento do modelo de scoring de leads cobre a implementação técnica de regras de decaimento em detalhes.

Conclusão

Fit sem intent é paciência. Você tem o tipo certo de empresa, mas eles não estão prontos para comprar. Mantenha-os em nurture, deixe o modelo disparar quando o intent subir.

Intent sem fit é ruído. Alguém está pesquisando ativamente sua categoria, mas não é uma empresa que você pode ganhar. Trate com cuidado: qualifique rapidamente, não roteie para AEs sênior, seja honesto sobre a probabilidade de conversão.

Os dois juntos é pipeline. Alto fit + alta intent é o seu melhor lead, e a velocidade de resposta para esses leads importa mais do que quase qualquer outra variável operacional.

O modelo que acerta esse equilíbrio — e permanece calibrado com dados reais de deals fechados-ganhos — é o que separa equipes de receita que confiam no lead score daquelas em que vendas ignora o número e trabalha sua própria lista.

Construa para precisão primeiro. Co-propriedade em segundo. E valide contra o que realmente fechou.

Perguntas Frequentes

Qual é a diferença entre fit scoring e intent scoring?

Fit scoring mede se um lead pertence ao tipo de empresa para qual você vende e ocupa o tipo de função que compra de você — é baseado em sinais firmográficos e de função que são em grande parte estáticos. Intent scoring mede se um lead está ativamente pesquisando uma solução na sua categoria agora — é baseado em sinais comportamentais (visitas à página de preços, solicitações de demo, pesquisa de categoria no G2) que são sensíveis ao tempo e decaem em dias a semanas.

O que importa mais: fit ou intent?

Depende do seu movimento de vendas, mas quando ambos estão presentes, um lead de alta intent/alto fit é quase sempre a sua melhor oportunidade. Se forçado a priorizar um: para movimentos inbound-led, fit diferencia porque inbound já pré-filtra para alguma intent; para movimentos ABM, intent dispara porque você pré-triou por fit. Nenhum sinal é confiável sozinho — intent sem fit é ruído e fit sem intent é paciência.

Quando fit importa mais?

Fit importa mais em movimentos ABM e outbound-assistidos onde você está direcionando contas proativamente. Nesses movimentos, fit é pré-triado (você escolheu as contas), então é o portão, não o gatilho. Fit também importa mais em escala — quando você tem alto volume inbound, fit é o filtro mais rápido para separar leads de ICP de leads fora do ICP antes de investir em análise de intent.

O que acontece com sinais de intent mas sem match de fit?

Leads de baixo fit/alta intent devem ser tratados com cuidado — não roteados para AEs sênior. Esses leads estão fazendo pesquisa ativa, mas não correspondem ao ICP — podem ser do tamanho errado, setor errado ou função errada. Direcione para uma ligação rápida de qualificação ou um SDR inbound. Não invista recursos pesados de vendas. Esses leads ocasionalmente fecham, mas tipicamente com taxas menores e mais churn.

Por quanto tempo um sinal de intent permanece válido?

Sinais de intent são sensíveis ao tempo e decaem rapidamente. Solicitações de demo: 48–72 horas. Visitas à página de preços (3+): 7–10 dias. Visualizações de perfil G2: 2–3 semanas. Visitas de comparação com concorrente: 3–4 semanas. Surtos de tópico Bombora: 3–4 semanas. Uma pontuação de intent alta do mês passado não é o mesmo que uma pontuação de intent alta hoje. Construa automação de MAP para recalcular pontuações com decaimento aplicado — não apenas em intervalos de processamento em lote.

Qual é o erro de lead scoring mais comum?

Dar peso demais a sinais de engajamento comportamental (aberturas de e-mail, visitas a blog, inscrições em webinars) como se indicassem buying intent. Não indicam — indicam interesse em conteúdo. A persona "engajada mas que nunca compra" pontua extremamente alto em comportamento e raramente converte. Correção: limite a contribuição comportamental total à pontuação composta de um lead, aplique decaimento agressivo a sinais de engajamento e exija pelo menos um sinal genuíno de intent antes de um lead poder atingir o status de MQL, independentemente da pontuação de comportamento.

Saiba Mais

• Lead Scoring Conjunto: Fit, Intent, Comportamento
• Decaimento do Modelo de Scoring de Leads
• Limites de Pontuação de MQL para SQL
• Framework Compartilhado de ICP
• Regras de Roteamento de Leads
• Pipeline vs. Previsão
• Sistemas de Lead Scoring
• Glossário de Alinhamento de Marketing e Vendas