Lead Scoring Conjunto: Como Construir um Modelo de Score que Marketing e Vendas Realmente Usam

O marketing passou três meses construindo o modelo de scoring. Entrevistou vendas, analisou dados de closed-won, configurou as regras no MAP. Depois lançou.

Vendas olhou para o primeiro lote de leads com score alto, ligou para alguns e voltou a trabalhar sua própria lista. O score, disseram, não correspondia ao que realmente viam na conta.

É assim que a maioria dos projetos de lead scoring termina. Não com um modelo ruim. Com um modelo em que ninguém confia.

O problema geralmente não é a matemática. É o processo. Quando o marketing constrói um modelo de scoring e entrega para vendas, vendas não tem propriedade sobre o resultado. Não decidiu quais sinais importam. Não validou os pesos. Quando o modelo produz um lead que eles não teriam ligado, não há motivo para deferir a ele.

Um modelo construído conjuntamente — no qual ambas as equipes contribuíram com os pesos, testaram o modelo contra dados reais de closed-won e aprovaram os thresholds — é o único tipo que sobrevive ao contato com a equipe de vendas. Antes de construir o modelo, ambas as equipes devem ter concordado com o framework de ICP compartilhado — os pesos de scoring só são tão bons quanto a definição subjacente de cliente ideal.

Dados Relevantes: Eficácia do Lead Scoring

• Empresas que usam lead scoring registram um aumento de 77% no ROI de geração de leads em comparação com empresas que não usam, segundo pesquisa da MarketingSherpa sobre práticas de qualificação B2B.
• Apenas 44% das empresas relatam que suas equipes de marketing e vendas concordam formalmente com os critérios de lead scoring, segundo levantamento do Demand Gen Report.
• Empresas com práticas maduras de gestão e scoring de leads geram 50% mais leads prontos para vendas a um custo 33% menor por lead, segundo a Forrester Research.
• Equipes de vendas que participaram do design do modelo de lead scoring têm 3x mais probabilidade de usar os scores de leads na priorização, segundo estudo da SiriusDecisions sobre alinhamento cross-funcional.
• Modelos de lead scoring que incluem regras de decay superam modelos estáticos em 28% na taxa de conversão de SQL-to-opportunity, com base em análise do Aberdeen Group.

O Modelo de Scoring que Ninguém Usa

Antes de entrar no que construir, vale ser honesto sobre por que a maioria dos modelos de scoring falha. A visão geral da Forrester sobre individual interest scoring enquadra bem o desafio central: um score só é útil quando as equipes que ele serve confiam nas entradas.

Problema 1: O marketing define o modelo unilateralmente. Vendas não estava na sala quando os pesos foram definidos. Não tem contexto para entender por que uma visita à página de preços vale 25 pontos mas uma participação em webinar vale 15. Quando o modelo produz resultados contraintuitivos, não confiam o suficiente nele para sobrepor a própria intuição.

Problema 2: O modelo sobrepondera engajamento em detrimento do fit. Aberturas de e-mail, visitas ao blog, cliques em redes sociais: esses inflam scores de pessoas interessadas em conteúdo mas que jamais vão comprar. Um gerente de marketing em uma empresa de 10 pessoas que lê cada e-mail que você envia pontua mais alto do que um VP de Operações em uma empresa de 300 pessoas dentro do seu target que visitou sua página de preços uma vez. O de score mais alto não é o lead melhor.

Problema 3: Sem regras de decay. Um lead que baixou um guia há 14 meses ainda tem aquele score atribuído. Sinais de engajamento antigos não refletem intenção atual. Sem decay, scores antigos e altos lotam o topo da fila de prioridade.

Problema 4: O modelo nunca é recalibrado. Os mercados mudam. O seu ICP se transforma. Novos canais geram leads de qualidades diferentes. Um modelo de scoring construído com dados de closed-won do ano passado pode estar ativamente errado depois de 18 meses em operação.

Propriedade conjunta resolve o Problema 1 estruturalmente, porque vendas está envolvida na construção do modelo e tem contexto para os pesos. Os outros problemas exigem decisões de design específicas, que são o que o restante deste artigo aborda. Se você não tem certeza se sua empresa precisa de scoring formal, o artigo quando você não precisa de lead scoring cobre os casos em que uma qualificação mais simples supera um sistema de scoring.

O Modelo das Três Dimensões

O Triângulo de Scoring Fit + Intent + Behavior

O Triângulo de Scoring Fit + Intent + Behavior é um modelo de lead scoring em três dimensões no qual cada eixo mede uma qualidade distinta de um lead — pontuável de forma independente, reportável de forma independente e calibrável de forma independente.

• Fit (quem a pessoa é): Sinais firmográficos e de função estáticos. Correspondência com o ICP, senioridade do cargo, tech stack, tamanho da empresa. Não decai rapidamente.
• Intent (o que está pesquisando agora): Sinais de janela de compra ativa. Solicitações de Demo, visitas à página de preços, pesquisa de categoria no G2, surtos de tópicos no Bombora. Decai em dias a semanas.
• Behavior (o quanto está engajado com você): Sinais de profundidade de engajamento. Participação em webinar, downloads de conteúdo, uso em Trial. Decai em 30 a 90 dias.

Um lead precisa cruzar thresholds mínimos em pelo menos duas dimensões antes de atingir o status de MQL. Alto comportamento sozinho não qualifica um lead. Alto fit sozinho não qualifica um lead. O triângulo precisa de pelo menos duas pernas para se sustentar.

Um modelo de scoring construído em três dimensões separadas (fit, intenção e comportamento) é mais transparente e manutenível do que um único score composto, porque cada dimensão é compreensível por si só.

Score de fit: Quem é a empresa e a pessoa. Sinais estáticos ou de mudança lenta que refletem se essa conta está no seu mercado-alvo.

Score de intenção: O que estão pesquisando ativamente. Sinais que indicam que uma janela de compra está aberta ou se aproximando.

Score de comportamento: O que fizeram com seu conteúdo e produto. Sinais de engajamento que indicam profundidade de interesse.

Cada dimensão pode ser pontuada separadamente, reportada separadamente e calibrada separadamente. Quando um lead tem alto fit mas baixa intenção, esse é um sinal útil que se perde em um único número composto.

O artigo sobre fit vs. intent scoring aprofunda os trade-offs entre essas duas dimensões. Este artigo foca em como construir as três juntas.

Score de Fit: O que Incluir

Os sinais de fit respondem: "Esse é o tipo de empresa e pessoa para quem deveríamos estar vendendo?"

Sinais firmográficos (nível de empresa):

Sinais de função/cargo (nível de pessoa):

Sinais de tech stack: Se seu produto se integra ou substitui ferramentas específicas, um contato cuja empresa usa essas ferramentas tem melhor fit do que um que não usa.

Sinais negativos de fit (desqualificadores): Esses são críticos e frequentemente ignorados.

Os sinais negativos importam tanto quanto os positivos. Um modelo de scoring sem desqualificadores produz scores altos para pessoas que jamais vão comprar.

Score de Intenção: Sinais de Primeira e Terceira Parte

Os sinais de intenção respondem: "Eles estão ativamente buscando resolver esse problema agora?"

Sinais de intenção de primeira parte vêm das suas próprias propriedades. São os mais confiáveis porque você observou diretamente o comportamento.

Sinais de intenção de terceira parte vêm de provedores de dados que rastreiam comportamento de pesquisa em múltiplos sites: G2, Bombora, TechTarget e plataformas similares. O guia da Gartner sobre lead scoring B2B com sinais de intenção mostra que empresas que usam dados de intenção junto com critérios firmográficos de fit têm duas vezes mais probabilidade de atingir uma taxa de conversão de topo de Funnel de 10% ou mais.

Dados de intenção de terceira parte são poderosos mas exigem orçamento e trabalho de integração. Se você não os tem, sinais de primeira parte sozinhos podem construir um modelo funcional. Sinais proxy também funcionam: se um contato consumiu 4 ou mais conteúdos de fundo de Funnel em 30 dias, isso é um sinal razoável de intenção mesmo sem dados externos.

Como ponderar a intenção em relação ao fit: Para a maioria dos motions de B2B liderados por inbound, a intenção deve ter mais peso do que o fit quando ambos estão presentes. Uma empresa de fit perfeito fazendo pesquisa ativa vale mais do que uma empresa de fit perfeito que baixou um post de blog. Mas intenção sem fit ainda é ruído, então pondere de acordo.

Score de Comportamento: Profundidade de Engajamento

Os sinais de comportamento respondem: "O quanto essa pessoa está engajada conosco especificamente?"

Engajamento com conteúdo:

Engajamento com produto (se aplicável):

Regras de decay (não negociáveis):

Sinais antigos de comportamento devem decair. Um lead que visitou seu blog há 14 meses não está engajado atualmente. Carregar o score de comportamento antigo para frente envenena o modelo.

A maioria das plataformas MAP suporta regras de decay nativamente. Se a sua não suporta, execute um job em lote mensal que recalcula os scores com um fator de envelhecimento aplicado.

O artigo lead scoring model decay cobre isso com mais detalhes.

Combinando as Três Dimensões

Três abordagens para combinar fit, intenção e comportamento em um score utilizável:

Opção 1: Score composto. Some os scores das três dimensões em um único número. Simples de reportar. Fácil de comparar. Mas perde a visibilidade em nível de dimensão. Você não consegue saber se um score de 85 é de alto fit/baixa intenção ou de baixo fit/alto comportamento.

Opção 2: Lógica de threshold (recomendada para a maioria das equipes). Defina thresholds mínimos por dimensão. Um lead só atinge o status de MQL se atingir o mínimo em pelo menos duas das três dimensões. Isso impede que um lead muito engajado mas com fit inadequado chegue ao status de MQL.

Exemplo de lógica de threshold:

• MQL requer: Score de Fit ≥ 30 E (Score de Intent ≥ 20 OU Score de Behavior ≥ 25)
• Hot MQL: Fit ≥ 40 E Intent ≥ 30

Opção 3: Modelo matricial. Reporte fit e intenção como eixos separados. Alto fit/alta intenção = outreach imediato. Alto fit/baixa intenção = nurture. Baixo fit/alta intenção = trate com cuidado. Baixo fit/baixa intenção = suprime. Isso dá a vendas o contexto mais útil mas requer suporte de UI para ser prático.

Para equipes com MAP e CRM que podem exibir múltiplos campos de score, a lógica de threshold com report por dimensão separada oferece o melhor de ambas as abordagens.

Citável: Empresas com práticas maduras de gestão e scoring de leads geram 50% mais leads prontos para vendas a um custo 33% menor por lead do que empresas usando qualificação ad hoc, segundo a Forrester Research sobre geração de demanda B2B.

Citável: Equipes de vendas que participaram do design do modelo de lead scoring têm 3x mais probabilidade de usar scores de leads na priorização diária do que equipes que receberam um modelo construído apenas pelo marketing, segundo estudo da SiriusDecisions sobre alinhamento cross-funcional.

Conseguindo a Adesão de Vendas ao Modelo

Propriedade conjunta não é um checkbox. Requer etapas específicas.

Passo 1: Entreviste 3 a 5 reps de vendas antes de construir. Pergunte: "Quando você olha para um novo lead, qual é a primeira coisa que você verifica? O que faz você decidir ligar imediatamente versus na próxima semana? Quais foram seus melhores leads nos últimos 6 meses e o que eles tinham em comum?"

As respostas dizem quais sinais importam na prática. Não quais o marketing acha que importam.

Passo 2: Compartilhe os pesos preliminares e peça contestações. Apresente a lógica de scoring com os pesos. Convide discordâncias. "O marketing deu 35 pontos para visitas à página de preços. Isso corresponde ao que você vê? Quando alguém visita preços, com que frequência isso leva a uma conversa real?"

Quando vendas questionar, ou explique os dados que sustentam o peso ou ajuste-o. Ambos os resultados fortalecem o modelo. Os thresholds de MQL-to-SQL score precisam ser definidos conjuntamente pelo mesmo motivo — são a saída do modelo, e vendas tem de confiar no que esses thresholds produzem.

Passo 3: Valide contra leads bons e ruins conhecidos. Colete 20 a 30 deals closed-won dos últimos 12 meses. Execute a lógica de scoring contra seus registros de lead e verifique seus scores. Se seus melhores deals teriam pontuado baixo sob o modelo, você tem um problema de calibração. Mesmo exercício com closed-lost: os top closed-lost leads devem pontuar mais baixo do que os top closed-won. Os frameworks de qualificação de leads na coleção de gestão de leads oferecem perspectivas adicionais sobre quais sinais realmente distinguem leads fecháveis de ruído.

Passo 4: Faça um piloto antes de ir ao vivo. Score um lote de novos leads com o novo modelo. Vendas revisa os 20 leads com mais score e avalia se concorda com a priorização. Calibre com base no feedback antes de lançar amplamente.

Esse processo leva 4 a 6 semanas. É mais lento do que construir o modelo sozinho. Mas é a diferença entre um modelo que é adotado e um que é ignorado.

Análise Rework: O processo de adesão em quatro etapas (entrevistar reps, compartilhar pesos preliminares, validar contra dados de closed-won, fazer um piloto) tipicamente leva 4 a 6 semanas e é o investimento de maior alavancagem para a adoção do modelo a longo prazo. Equipes que pulam para "vamos lançar e ajustar depois" consistentemente relatam o mesmo resultado 3 a 6 meses depois: vendas para de olhar para os scores e trabalha sua própria lista. A etapa de piloto é a mais importante — fazer o score de 20 leads reais com revisão de vendas antes do go-live expõe erros de calibração antes que danifiquem a confiança.

Governança do Score: Quem Muda os Pesos

Um modelo de scoring sem governança decai. Alguém adiciona um ponto por abertura de newsletter porque era fácil. O marketing atualiza uma página de produto e o comportamento de cliques muda mas ninguém atualiza a lógica de scoring. Pesos que estavam corretos há seis meses agora estão errados.

A governança não precisa ser burocrática. Precisa ser clara. O template de SLA de marketing-vendas é um bom lugar para documentar as regras de governança ao lado dos compromissos mais amplos de alinhamento que ambas as equipes assinam.

Reunião de revisão trimestral: 45 minutos. Colete dados de conversão por score de dimensão. Revise quaisquer sinais que foram adicionados ou alterados. Confirme que o modelo ainda está calibrado contra dados atuais de closed-won. Ambos os VPs participam.

Testando e Validando o Modelo

Um modelo validado contra dados de closed-won é o padrão mínimo para confiar nele.

Análise de correlação: Para cada sinal no modelo, calcule a correlação entre ter aquele sinal e eventualmente fechar como ganho. Faça isso por segmento (SMB vs. mid-market) se o seu ICP variar. Sinais com baixa correlação com closed-won devem ser ponderados mais baixo ou removidos. Sinais com alta correlação devem ser ponderados mais alto.

Essa análise não requer uma equipe de data science. Uma planilha com dados de closed-won vs. closed-lost e colunas de presença/ausência de sinal vai expor as correlações que você precisa.

Recalibração trimestral:

• Colete os últimos 90 dias de SQLs
• Verifique a taxa de conversão de SQL-to-opportunity por faixa de score (60-70, 70-80, 80-90, 90+)
• Se as taxas de conversão não se correlacionam com as faixas de score, o modelo precisa de recalibração
• Colete quaisquer sinais adicionados no último trimestre e verifique sua correlação individual com conversão
• A análise de taxa de conversão da equipe de Pipeline alimenta diretamente essa verificação — faixas de score que não se correlacionam com progressão de estágio aparecem claramente lá

Reconstrução anual completa: A cada 12 a 18 meses, reconstrua o modelo do zero usando os 12 meses mais recentes de dados fechados. Pesquisa da Gartner sobre lead scoring preditivo confirma que modelos reconstruídos com dados frescos superam consistentemente os deixados estáticos — mesmo pequenas mudanças no seu ICP ou mix de canais podem tornar pesos de 18 meses ativamente enganosos. As condições de mercado mudam. Seu ICP pode ter se transformado. Modelos antigos construídos com dados obsoletos têm desempenho inferior sem que ninguém perceba, porque a degradação é gradual.

O framework de definição de MQL e os thresholds de scoring devem ser revisados juntos durante as reconstruções anuais, pois foram projetados para estar alinhados.

Conclusão

O modelo de scoring construído por ambas as equipes vale mais do que o modelo perfeito que só o marketing confia.

Isso não significa que você deve construir um modelo ruim para conseguir adesão. Significa que o processo de envolver vendas na construção do modelo (as entrevistas, as contestações dos pesos, a validação em piloto) torna o modelo melhor além de mais adotado.

Vendas sabe coisas sobre o que faz um lead ser bom que o marketing não consegue ver nos dados de engajamento. O marketing sabe coisas sobre o que gera sinais de intenção que vendas não observa. Um modelo construído conjuntamente combina ambos.

Construa juntos. Valide contra dados reais. Governe explicitamente. Recalibre trimestralmente.

O objetivo não é um score. É uma linguagem compartilhada de priorização — uma que ambas as equipes usam porque ambas confiam nela.

Perguntas Frequentes

O que é lead scoring conjunto?

Lead scoring conjunto é um modelo de scoring construído colaborativamente por marketing e vendas, onde ambas as equipes contribuíram para os pesos dos sinais, validaram o modelo contra dados de closed-won e aprovaram os thresholds de MQL/SQL. O elemento "conjunto" não é cerimonial — significa que vendas tem propriedade sobre o resultado, que é a única forma de um modelo de scoring sobreviver ao contato com uma equipe de vendas real.

Quais são as três dimensões do lead scoring?

As três dimensões são fit (quem são a empresa e a pessoa — sinais firmográficos e de função), intenção (se estão ativamente pesquisando uma solução agora — visitas a preços, solicitações de Demo, surtos de intenção de terceira parte) e comportamento (o quanto estão engajados com seu conteúdo e produto). Cada dimensão decai a uma taxa diferente: fit é quase estático, intenção decai em dias, comportamento decai em 30 a 90 dias.

Por que a maioria dos modelos de lead scoring falha?

A maioria dos modelos falha porque o marketing os construiu unilateralmente (então vendas não confia ou usa), eles sobreponderam sinais de engajamento em detrimento do fit (então a persona "engajada mas que nunca compra" pontua muito alto), não têm regras de decay (então sinais antigos poluem scores atuais) e nunca são recalibrados contra dados atuais de closed-won. Propriedade conjunta resolve o primeiro problema; os outros três requerem decisões deliberadas de design.

Como fit e intenção devem ser ponderados entre si?

Depende do seu motion de vendas. Motions liderados por inbound: Fit 50%, Intent 35%, Behavior 15% — fit é o diferenciador pois inbound já filtra alguma intenção. Motions de ABM: Fit 25%, Intent 60%, Behavior 15% — você pré-selecionou contas no fit, então intenção é o gatilho. Motions PLG: Fit 25%, Intent 25%, Product behavior 50% — uso em Trial prediz conversão melhor do que qualquer dos sinais tradicionais.

O que são regras de decay em lead scoring e por que importam?

Regras de decay reduzem automaticamente o score de um lead conforme os sinais comportamentais envelhecem. Um lead que visitou sua página de preços há 14 meses não está atualmente em uma janela de compra, mas sem decay, aquele sinal antigo ainda contribui para o score e pode empurrá-lo para o topo da fila de prioridade. Decay padrão: sinais com valor total de 0 a 30 dias, caindo para 75% de 31 a 60 dias, 50% de 61 a 90 dias, 25% de 91 a 180 dias, e 0% após 180 dias.

Como validamos que nosso modelo de scoring está funcionando?

Colete seus últimos 90 dias de SQLs. Verifique a conversão de SQL-to-opportunity por faixa de score (60-70, 70-80, 80-90, 90+). Se faixas de score mais altas não convertem a taxas significativamente mais altas, o modelo precisa de recalibração. Também execute a análise de closed-won vs. closed-lost: seus top 50 deals ganhos devem ter pontuado materialmente mais alto do que seus top 50 deals perdidos. Se não pontuaram, o modelo não está prevendo resultados.

Saiba Mais

• Fit vs. Intent Scoring
• Thresholds de Score MQL-to-SQL
• Lead Scoring Model Decay
• Framework de ICP Compartilhado
• Framework de Definição de MQL
• Frameworks de Qualificação de Leads
• Análise de Taxa de Conversão
• Glossário de Alinhamento entre Marketing e Vendas