Lead Scoring Best Practices: La Guía Completa para Agencias B2B
El lead scoring separa los contactos que están listos para una conversación comercial de los que aún no lo están. Para una agencia B2B con 200-2000 leads entrantes al mes, la diferencia entre tener un sistema de scoring serio y trabajar todo el pipeline manualmente equivale a un 30-45% más de reuniones cualificadas con el mismo equipo. Esta guía cubre los fundamentos, los modelos avanzados y la implementación práctica en HubSpot, Salesforce y plataformas marca blanca.
Qué es lead scoring y por qué importa
Lead scoring es el proceso de asignar una puntuación numérica (típicamente 0-100) a cada lead en base a dos dimensiones: encaje firmográfico (¿coincide con tu Ideal Customer Profile?) y nivel de intent (¿está mostrando comportamiento de compra activo?). El score combinado prioriza qué leads contactar primero y qué leads nutrir antes de llamarlos.
Sin scoring, los SDRs trabajan los leads en orden de llegada. Con scoring, trabajan los leads en orden de probabilidad de cierre. El impacto en el revenue per rep es típicamente del 20-35% en los primeros 90 días.
Los dos tipos de scoring: explícito e implícito
El scoring explícito evalúa atributos declarados o enriquecidos del lead: tamaño de empresa, industria, cargo, geografía, ingresos anuales, tecnologías usadas. Estos datos vienen de formularios, enriquecimiento por Apollo, Cognism, ZoomInfo o consulta a bases B2B españolas como Axesor, Iberinform o eInforma.
El scoring implícito evalúa comportamiento: visitas a la web, páginas consultadas, emails abiertos, clicks en CTAs, descargas de contenido, tiempo en página de pricing, interacción con webinars o demos. Estos datos vienen de tu CMS, marketing automation y herramientas de analytics como GA4, Mixpanel o PostHog.
Un sistema serio combina ambos: encaje firmográfico (¿es tu cliente ideal?) ponderado al 50% y comportamiento (¿está activamente investigando?) al 50%.
Construir tu modelo de scoring paso a paso
- Define tu ICP cuantitativo: tamaño (50-500 empleados), industria (SaaS B2B, fintech, agencias digitales), geografía (España, LATAM, DACH), tecnologías usadas (HubSpot, Salesforce, AWS)
- Asigna puntos firmográficos: +25 puntos si el cargo es CMO/VP Sales, +15 si es Director, +5 si es Manager. +20 si tamaño ICP, -10 si fuera de ICP. +15 si geografía core, +5 si tier 2, 0 si tier 3
- Asigna puntos comportamentales: +30 visita la página de pricing, +20 ve un webinar completo, +15 descarga un caso de estudio, +10 abre 3+ emails consecutivos, +5 visita el blog, -10 si lleva 60+ días sin actividad
- Define los thresholds: 0-39 puntos = nurture (marketing), 40-69 = MQL (revisa marketing), 70-89 = SQL (sales calls), 90+ = hot lead (llama hoy)
- Calibra cada 30 días: revisa qué puntuación tenían los leads que cerraron y ajusta pesos según conversion data real
Lead scoring predictivo con machine learning
Los modelos predictivos (predictive lead scoring) usan machine learning sobre tu histórico de cierres para identificar automáticamente qué señales correlacionan con conversión. HubSpot Predictive Lead Scoring, Salesforce Einstein Lead Scoring y plataformas como MadKudu o 6sense ofrecen esta capa.
El requisito mínimo para que ML funcione: 500+ leads cerrados (won/lost) en los últimos 12 meses. Por debajo de ese volumen, el modelo no tiene suficiente señal y devuelve scores poco fiables. Para agencias jóvenes, comienza con scoring basado en reglas y migra a ML cuando tengas el histórico suficiente.
Integrar scoring con HubSpot y Salesforce
HubSpot ofrece scoring nativo con la propiedad HubSpot Score, configurable en Settings → Properties → Contact Properties. Permite hasta 25 reglas positivas y 25 negativas, lo cual es suficiente para la mayoría de modelos.
Salesforce permite scoring custom mediante fórmulas en el objeto Lead/Contact, o usando Einstein Lead Scoring (requiere Sales Cloud Einstein). La ventaja de Einstein es que el modelo se reentrena mensualmente con tu nuevo data; la desventaja es el coste adicional (~$50/usuario/mes).
Para agencias que operan con plataforma marca blanca, el scoring debe sincronizarse vía webhook al CRM del cliente final. Automatizar la lead generation para agencias B2B implica que el score se calcula en tu plataforma y se propaga al CRM del cliente sin acción manual.
Errores comunes en lead scoring
- Demasiadas reglas: 50+ reglas hace el modelo opaco y difícil de calibrar. Mantén 10-20 reglas máximo
- Ignorar el decay temporal: un lead que descargó un whitepaper hace 6 meses no tiene el mismo intent que uno que lo descargó ayer. Aplica decay del 10%/mes en señales comportamentales
- Confundir score con MQL: el score es continuo, MQL/SQL es una categoría. Define thresholds claros y comunícalos al equipo
- No calibrar: un modelo de scoring sin revisión mensual se desactualiza. Programa revisión obligatoria con marketing y sales cada 30 días
- Penalizar señales que correlacionan con compra: ejemplo, "abrió 0 emails" parece mala señal pero a veces correlaciona con clientes muy senior que prefieren otros canales
KPIs para medir tu sistema de scoring
Tres métricas clave: (1) conversion rate por bucket de score — los leads en el bucket 90+ deben convertir 3-5x más que el bucket 40-69; (2) tiempo del lead a cliente — segmentado por score inicial; (3) SQL acceptance rate — porcentaje de leads marcados como SQL que sales acepta como oportunidad real. Si esta tasa baja del 70%, tu modelo necesita ajuste. Combinado con una checklist de lead generation para agencias B2B bien estructurada, el scoring se convierte en el motor central del pipeline.