Lead scoring: qué es, cómo funciona y cómo crear un modelo efectivo

En Marketing Digital y análisis de datos, en muchas ocasiones es necesario priorizar los contactos que tienen más posibilidades de realizar una acción como puede ser la compra. Te contamos cómo puede ayudarte el Lead Scoring y cómo aplicarlo paso a paso para que puedas lograr los objetivos planteados en tu negocio.

Qué es el lead scoring y para qué sirve

El lead Scoring es una técnica en la que se asigna una puntuación numérica a cada contacto (lead) que recibe un sitio web. Esta puntuación se determina atendiendo a cómo encaja con el cliente ideal previamente definido y al interés que este muestra en tu producto o servicio. De esta forma, se obtiene una puntuación o lead score que te permitirá saber a quién debes priorizar. De esta forma el equipo de Marketing puede conocer cuáles son los contactos más preparados para poder pasarlos a ventas.
Gracias a esta metodología es posible priorizar el trabajo del equipo comercial, reducir el tiempo que se emplea en contactos poco cualificados, personalizar la comunicación atendiendo al punto en el que se encuentra cada persona y mejorar la relación entre los equipos de ventas y marketing para acordar de manera conjunta qué se considera un lead de calidad. Todo ello se traduce en mayor automatización de tareas y en trabajo con datos que ayudará a los equipos a ser más eficientes.

Cómo funciona el lead scoring

Para entender el funcionamiento de lead scoring es necesario partir de dos grandes bloques de información. Uno de ellos es determinar quién es el lead y qué es lo que hace. Una vez identificado se suman o se restan puntos atendiendo a diferentes criterios hasta que se obtiene un valor final. Si la cifra obtenida supera el umbral prefijado, el contacto pasa a considerarse listo para la siguiente fase del embudo de conversión.

Perfil o adecuación del lead

Es importante definir quién es el lead, es decir medir cuánto se parecen los contactos a tu cliente ideal. Para ello será necesario apoyarse de dos tipos de datos:

• – Datos demográficos: información de la persona, como su cargo, su departamento o su ubicación.
  – Datos firmográficos: información de la empresa, como el sector, el tamaño o los ingresos. Son especialmente importantes en entornos B2B.

Comportamiento e intención de compra

Cuando hablamos de comportamiento nos referimos a cómo actúa ese lead en relación al sitio web, por lo que entran en juego las visitas, las veces que abre los emails que le envías, los clics, los registros que realiza o las descargas de contenidos. Pero no todas las acciones que realiza tienen el mismo peso. Por ejemplo, leer una entrada de blog suele catalogarse como un interés bajo, pero visitar la página en la que aparecen los precios o solicitar una demostración denota una intención de compra más clara.
Por otro lado, hay que fijarse también en los denominados datos de intención o intent data, que son las señales de terceros que indican cuándo una empresa está investigando de manera activa para obtener soluciones que encajen con lo que puedes ofrecerles, por lo que aportan un gran valor a la hora de afinar el modelo.

Puntuación positiva, negativa y pérdida de puntos

Como ya hemos indicado, la puntuación final dependerá de la suma o resta de distintas puntuaciones por lo que se puede obtener un scoring positivo o negativo. Así cuando las acciones o atributos indican una baja probabilidad de compra, se restarán puntos del scoring. Por ejemplo, alguien que visita solo la página de empleo probablemente busca trabajo, no un producto, y un email de un dominio personal puede restar en un contexto B2B. Por otro lado, también es conveniente que te fijes la pérdida de puntos por inactividad, es decir, si el contacto lleva semanas sin volver a visitar la web o abrir los emails que recibe, es muy probable que su interés se haya enfriado, por lo que su puntuación deberá bajar de manera proporcional.

Qué tipos de lead scoring existen

El lead scoring se puede aplicar de distintas formas ya que no todos los modelos tienen la misma complejidad, no obstante, existen algunos enfoques que pueden resultarte muy útiles a la hora de aplicarlos.

Lead scoring manual o basado en reglas

Es el método más habitual, también llamado puntuación basada en puntos (point-based scoring) en el que decides qué atributos y acciones puntúan y cuánto valen. Es fácil de entender, rápido de implementar y suficiente para la mayoría de pymes. A pesar de ello, también presenta limitaciones ya que depende de tu criterio y requiere que lo revises de manera periódica para que funcione como debe.
Los modelos manuales con criterios de metodologías de calificación de ventas como BANT (presupuesto, autoridad, necesidad y tiempo) o MEDDIC, más adecuada para procesos de venta en los que entran en juego muchos factores; sirven para definir qué señales cualitativas merece la pena puntuar.

Lead scoring predictivo

En lugar de asignar puntos a mano, la puntuación predictiva utiliza algoritmos de machine learning que analizan datos históricos para estimar la probabilidad de que un lead se convierta en cliente. Es decir, se basan en el modelado predictivo y en la regresión logística (uno de los modelos estadísticos más empleados) para clasificar los contactos según la probabilidad de conversión. De esta forma es posible descubrir patrones que de otra forma serían muy difíciles de detectar, aunque su principal inconveniente es que para que pueda funcionar bien es necesario que cuentes con un volumen de datos razonable.

Lead scoring con inteligencia artificial

Es la evolución natural del modelo predictivo y muchas de las plataformas actuales ya incorporan inteligencia artificial que se reentrena de forma continua con nuevos datos, ajusta los pesos automáticamente e incluso enriquece los perfiles con información externa. Herramientas como Leadspace, una plataforma de datos de cliente que utiliza IA para identificar perfiles ideales, ilustra hacia dónde va el sector.

Cómo crear un modelo de lead scoring paso a paso

La mejor opción siempre es que crees tu propio modelo ya que obtendrás mejores resultados, a continuación te contamos cómo puedes hacerlo siguiendo una serie de pasos.

Definir el perfil de cliente ideal

El punto de partida es la definición del ICP (Ideal Customer Profile), es decir, describe qué tipo de empresa y de persona obtiene más valor de tu producto o servicio: sector, tamaño, cargo, necesidades… Es importante que te detengas en este punto, por los atributos que definas en esta fase serán los que más puntos aporten.

Analizar los datos de clientes anteriores

Es importante que cuentes con los datos que ya tienes y que acudas a las bases de datos de estos, tanto actuales como pasados para encontrar puntos en común entre ellos. Por ejemplo para saber qué tipo de contenidos consumieron, cuánto tardaron en decidirse o qué tenían en común antes de realizar dicha compra. De esta forma podrás encontrar nexos a la hora de construir un modelo basado en certezas.

Seleccionar las señales que se van a puntuar

Elige un número acotado de señales relevantes, tanto de perfil como de comportamiento. Es preferible empezar con pocas y bien justificadas que con una lista interminable imposible de mantener.

Asignar puntos a cada acción y atributo

Da más peso a lo que más se correlaciona con la compra. Una visita a la página de precios suele valer bastante más que la apertura de un email, y una descarga de un eBook o un whitepaper indican interés en un tema concreto, por lo que también puntúa y sirve para segmentar. No olvides incluir puntuaciones negativas.

Establecer los umbrales de MQL y SQL

Define a partir de qué puntuación un contacto se considera Marketing Qualified Lead (MQL), es decir, listo para ser evaluado por ventas. Cuando el equipo comercial lo revisa y lo acepta, pasa a ser Sales Qualified Lead (SQL). Fijar bien este umbral evita saturar a ventas con leads inmaduros o dejar escapar oportunidades.

Validar el modelo con el equipo comercial

Ningún modelo está terminado sin la opinión de quienes lo van a usar. Reúnete con ventas, contrasta los leads mejor puntuados con su percepción real y ajusta lo necesario. Este acuerdo, formalizado en un SLA entre ambos equipos, es la base del smarketing.

Ejemplo práctico de lead scoring con tabla de puntuación

Veamos un modelo sencillo para una empresa B2B que vende software de gestión:

Una vez establecida la puntuación, se decide fijar el umbral MQL en 60 puntos. Pero, ¿cómo sería el cliente ideal? Imagina por ejemplo un contacto de un director de marketing (+15) de una empresa tecnológica (+10) de 120 empleados (+10) que descarga un whitepaper (+10) y después visita la página de precios (+20). La suma total de sus puntuaciones sería 65, por lo que superaría el umbral para ser MQL. De esta forma ventas podría ponerse en contacto con él mientras su interés se encuentra en el punto más alto.
Por otro lado, podemos tener un contacto que solo ha abierto tres emails y ha visitado la sección de empleo. En este caso, la suma sería menor o incluso puede quedar por debajo de cero. Al no alcanzarse el umbral, no llega a ventas.

Cómo aplicar el lead scoring en un CRM

El CRM (Customer Relationship Management) es el lugar donde se almacenan los datos de los leads, se ejecuta la puntuación y se gestiona el traspaso entre marketing y ventas y son compatibles con el lead scoring, pero debes tener en cuenta que independientemente de las herramientas que utilices es necesario que sepas configurar las reglas y los flujos de trabajo (marketing automation) y garantizar la gestión del CRM, es decir, la calidad de los datos y la sincronización correcta entre el CRM y la plataforma de marketing. En la actualidad muchas plataformas ya integran estas funciones:

• – HubSpot incorpora el lead scoring como una función central de su plataforma de marketing y ventas.
• – Salesforce Pardot es la solución B2B de Salesforce, con un enfoque interesante en cuanto a la calificación de leads.
• – Adobe Marketo Engage ofrece capacidades avanzadas de puntuación y nurturing.
• – ActiveCampaign es una opción muy popular entre pymes.
• – Zoho CRM incluye herramientas para priorizar prospectos dentro de su ecosistema de ventas.

Cómo combinar lead scoring y lead nurturing

A pesar de que hayas realizado el proceso de manera adecuada, debes tener en cuenta que no todos los leads alcanzarán el umbral desde el primer momento, y eso es normal. Para solventarlo, deberás aplicar el lead nurturing, que consiste en un proceso automatizado de comunicación con los contactos que aún no tienen una puntuación suficiente, con el objetivo de aumentar su interés y, con ello, su score.
Se trata de una combinación en la que el lead score indica en qué momento se encuentra cada contacto y la segmentación de audiencia permite agruparlos por puntuación o atributos para enviarles contenidos adecuados. Alguien con baja puntuación recibirá contenidos educativos, mientras que quien se acerca al umbral recibirá casos de éxito o comparativas. Cada interacción suma puntos hasta que el lead está listo para hablar con ventas.

Cómo saber si el modelo de lead scoring funciona

La métrica en la que deberás fijarte es la tasa de conversión de MQL a SQL, es decir, el porcentaje de leads que marketing entrega y que ventas acepta como válidos. Si es muy baja, el umbral es demasiado bajo o los criterios no reflejan la realidad. Si es altísima pero llegan pocos leads, quizá el modelo sea demasiado exigente.
Pero, para que el modelo funcione, deberás hacer una revisión del mismo de manera trimestral, ya que los clientes pueden cambiar, al igual que el mercado y fijarte en otros indicadores que también son muy útiles:

• – Porcentaje de SQL que acaban cerrando una venta.
• – Tiempo medio que tarda un lead en convertirse en cliente.
• – Opinión cualitativa del equipo comercial sobre la calidad de los leads.

Errores habituales al implementar lead scoring

Si quieres implementar el lead scoring deberás evitar diseñar un modelo sin ventas, es decir, habla con tus compañeros, porque sin su participación el modelo no reflejará la realidad y perderá credibilidad. Por otro lado, no puntúes demasiadas señales, ya que si el modelo es muy complejo será más difícil de mantener y de interpretar.
No te centres solo en los puntos positivos ya que si no restas puntos, los contactos irrelevantes acabaran también en la lista prioritaria. En este punto también es fundamental definir bien el ICP, es decir si no sabes a quién quieres atraer no sabrás qué es lo que quieres puntuar.
Como ya hemos ido adelantando es importante que los datos sean de calidad porque si están duplicados o existen campos vacíos en el CRM se distorsiona la puntuación obtenida. Por último, aunque esté bien configurado y definido, no debes olvidarte de él, ya que el modelo debe revisarse y ajustarse de manera periódica para evitar que pierda eficacia.