Vuestro modelo de lead scoring solo funciona con quien ya os ha encontrado

Lo único que podéis observar de un lead frío

Todo lo puntuable de un lead de outbound está fuera de vuestros sistemas: datos firmográficos, estructura organizativa, contrataciones, stack tecnológico, financiación, cambios en la dirección. Nada de eso es comportamiento. Todo es situación.

La pregunta útil no es "cuánto se implica este lead", porque la respuesta siempre es cero. Es esta: ¿hasta qué punto estoy seguro de que esta cuenta tiene el problema que resuelvo, ahora mismo, y de que hay una persona alcanzable que es su responsable?

Ese cambio de enfoque es todo el modelo. Lo aplicamos en tres niveles, y no significan lo que la mayoría de presentaciones de scoring entienden por niveles.

Nivel 3: solo encaje

Encaje firmográfico y nada más. En nuestra propia lista eso significa tecnología B2B, sede en Reino Unido o Estados Unidos con la mayor parte de la plantilla y de quienes deciden en ese mismo mercado, de 20 a 150 empleados, un equipo comercial de 1 a 10 personas y ninguna función de RevOps.

El nivel 3 es una base, no una prioridad. Dice que una cuenta podría comprar, y nada sobre si aceptará la llamada. La mayoría de modelos se quedan aquí, lo llaman score sobre 100 y se preguntan por qué el ranking no predice nada.

Nivel 2: encaje más una señal de negocio

Algo observable que aumenta la probabilidad sin demostrar la necesidad. Un nuevo responsable de ingresos en los últimos seis meses. Contratación de SDR o BDR sin ningún puesto de RevOps publicado a la vez. Una empresa PLG que añade un equipo comercial. Una migración de CRM reciente. Un stack caótico de varias herramientas sin nadie responsable de las integraciones. Son las cuentas que "están a punto de notarlo": vale la pena trabajarlas, pero no merecen vuestra mejor hora.

Nivel 1: una señal de intención independiente

Una señal que por sí sola os da la seguridad de que el problema está vivo. A nosotros nos funcionan tres:

1. Ofertas de empleo. Una empresa que publica un puesto de RevOps, Sales Ops, sistemas de GTM o responsable del CRM es un comprador declarando abiertamente la necesidad. No hace falta inferir nada, y sale gratis con el stack que ya usamos.
2. Datos propios de "nos conoce". Asistió a un evento, se suscribió, vio el perfil, descargó algo, apareció en la identificación de visitantes. Es el único sitio donde existe comportamiento real en una lista fría, así que capturadlo a propósito en lugar de dejar que muera dentro de una herramienta de marketing.
3. Condición estructural. Exactamente una persona en la función, ni más ni menos. Alguien que lleva la función en solitario va desbordado por pura estructura.

El nivel 1 no es "score alto". Es una categoría de evidencia.

Los niveles son caminos independientes, no puntos apilados

Aquí es donde se rompen la mayoría de modelos, y es un problema de matemáticas, no de filosofía. El instinto con los puntos es apilar: encaje más señal más intención, sumar, umbral. Lo que significa que una cuenta de nivel 1 con una oferta de empleo activa pero datos firmográficos normales queda por debajo de una cuenta de nivel 3 con datos firmográficos perfectos y ninguna evidencia de nada. Acabáis de quitarle prioridad a la única cuenta que os dijo que tiene el problema.

Una señal de nivel 1 no necesita una señal de negocio apilada debajo. Exigir ambas encoge vuestro mercado direccionable y entierra vuestra mejor evidencia. Llevad los niveles como caminos separados hacia la misma capa de enrutado. El encaje cualifica, la señal prioriza, y siguen siendo dos números. Es la misma disciplina que la separación entre ICP_score y outreach_intent_score que instalamos en HubSpot: el encaje es estable y cambia despacio, la intención es volátil y cambia deprisa, y mezclarlos deja que una lectura fuerte en un eje tape un cero en el otro.

La señal que parece buenísima y no lo es

La escucha social es lo primero que busca todo el mundo. Compráis una herramienta de intención, vigiláis LinkedIn, pilláis a gente quejándose del problema que resolvéis y los llamáis. Construimos el argumento a favor, luego lo descartamos, y el razonamiento sirve en general.

Nadie publica su propio desastre. Con un problema de moda, la gente publica. Con uno vergonzoso, no. "Nuestro CRM es un desastre y nadie se encarga de él" es una confesión, no algo de lo que presumir, así que en los problemas operativos la señal de dolor escrita por el propio comprador apenas existe.

Quien interactúa es vuestra propia profesión. Sacamos las listas de reacciones de dos publicaciones grandes sobre RevOps, unas 730 y 560 reacciones. En ambas había sobre todo profesionales del sector, GTM engineers, consultores de CRM y agencias competidoras. Automatizar esa señal habría sido automatizar la detección de nuestro propio sector, con suscripción incluida.

El comprador que buscáis está hundido en el desastre, no interactuando con contenido sobre él. Sacad la lista de reacciones antes de comprar la herramienta de intención.

Cuatro reglas para que el modelo no fabrique falsos positivos

Un modelo de scoring de outbound no falla de forma ruidosa. Falla promocionando con total seguridad cuentas que no cualifican, y os enteráis en la llamada.

Coincidencia exacta de cargos, nunca aproximada. Una vez la coincidencia aproximada devolvió una cuenta con "17 personas de RevOps". Eran cuatro personas de sales ops y muchos casi aciertos. Definid el conjunto de cargos fuertes de forma explícita (Revenue Operations, RevOps, Sales Operations, GTM Operations, más Manager, Analyst, Specialist) y tratad los cargos ambiguos como ambiguos. GTM Engineer es el caso más claro: de moda, mal definido, y la mitad de las ofertas son trabajo de campañas de outbound y no de sistemas. Solo cuenta si la descripción del puesto habla de arquitectura de CRM, higiene de datos, lifecycle, integraciones, forecasting o atribución.

Filtrad por cobertura de datos. Desconocido no es no. Las cifras de plantilla y de cargos salen de índices de terceros con cobertura desigual. Una empresa mal indexada devuelve cero, y ese cero se lee como "aquí no hay función", que es vuestra señal de más valor. Un cero falso fabrica vuestro mejor nivel a partir de un hueco en los datos. Si la empresa no está bien indexada, bajadla a la base en lugar de adivinar. Es el mismo principio que nuestra salvaguarda de enrichment: marcad una señal de propensión como "sí" solo con una fuente pública verificable; si no, "desconocido", nunca "no". Un no adivinado borra en silencio compradores reales.

Exigid una persona alcanzable antes de dar el nivel por bueno. Una señal perfecta en una cuenta donde no podéis llegar a quien decide es investigación, no pipeline. En uno de nuestros propios lotes obtuvimos 23 cuentas cualificadas por señal y enviamos 18, porque cinco no tenían ningún responsable alcanzable. Fueron a un archivo en espera en lugar de meterlas de relleno para llegar a una cifra.

No apiléis indicadores indirectos como filtros duros. Ritmo de crecimiento, financiación, dispersión del stack y tamaño del equipo comercial son notas de priorización en la fila. Convertidlos en filtros y el volumen se desploma mientras todavía estáis comprobando si la señal principal funciona.

Esas reglas cuestan volumen, y esa es la idea. En una tanda, una señal estructural dio 7 cuentas cualificadas de 101 candidatas bien indexadas, y 3 superaron el requisito de persona. Más o menos un 3 por ciento. Parece un fracaso hasta que ponéis precio a la alternativa: de 500 a 550 llamadas por reunión agendada.

Una última regla que parece trivial y no lo es: una vez definida la etiqueta de un nivel, no la redefináis nunca. Añadid las nuevas subseñales con etiquetas nuevas. Si el nivel 1 significa algo distinto en marzo que en junio, nunca podréis saber qué señal consigue reuniones.

Conectadlo al CRM o es una hoja de cálculo

Una lista ordenada es una foto fija. Tres meses después, la mitad no se ha tocado nunca y nadie sabe decir si el orden sigue siendo válido. El scoring se convierte en un sistema solo cuando decide las asignaciones:

• Intención registrada a partir del único comportamiento real que produce un lead frío: la respuesta. High 10 para una petición de demo o reunión, Medium 5 para una acción de precios o de lead magnet, Low 1 para una respuesta irrelevante. Normalizadla para que el enrutado sea determinista: una respuesta positiva dentro de la ventana va al AE o al SDR, una negativa se suprime, y mucha exposición sin respuesta se pausa y se recicla.
• El nivel visible en el registro como Hot, Warm, Consider o Ignore, para que el rep vea una decisión y no un número que no sabe explicar.
• El nivel viajando como propiedad antes del enrichment, para que enriquezcáis por nivel y dejéis de pagar por enriquecer cuentas que nunca ibais a trabajar. La cualificación es la columna más barata y el enrichment la más cara. Ponedlas en ese orden.
• Nada se escribe en el CRM sin un email verificado. Ese filtro protege la reputación de envío y el propio score.
• SLA impuesto por automatización, no por la vigilancia del rep. Lo que queda sin tocar dentro de la ventana genera una alerta y se reenruta, lo que no tiene actividad en 24 horas se escala, y cada asignación lleva fecha y hora, así que "ese no lo vi" pasa a ser un evento medible en lugar de un encogimiento de hombros.
• Fecha, canal y nombre de campaña del primer y último contacto sincronizados en directo desde las herramientas de outbound y verificados con un contacto de prueba. Sin esa capa de captura podéis puntuar y enrutar a la perfección y no saber nunca qué señal generó ingresos.

Cómo es hacerlo bien

Dos comprobaciones, y son las únicas por las que vale la pena discutir.

El backtest: vuestro 10 por ciento de leads mejor puntuados debería corresponder al menos al 80 por ciento del closed-won. Puntuad el lead tal como era cuando era un lead, no como se ve hoy el registro después de cerrar el deal y enriquecerlo todo. Entrenad con el registro posterior al cierre y construiréis un modelo que predice el pasado a la perfección y el futuro en absoluto.

El control de calidad: el 100 por ciento de los leads nuevos puntuados y enrutados dentro del SLA, un registro de seguimiento de 30 días y una auditoría manual del top 50. Si una persona no puede explicar por qué el top 50 es el top 50, los reps no se fiarán del número, y un score en el que nadie confía es peor que no tener score, porque sigue costando dinero mantenerlo.

Hemos construido versiones de esto dentro de reconstrucciones de outbound como la de Device Solutions y de proyectos de enrutado como el de Elesa+Ganter. El patrón se repite en los dos casos: el scoring es la parte fácil. Decidir qué cuenta como evidencia, y negarse a adivinar cuando faltan datos, es el trabajo de verdad.

Si vuestra lista de outbound se trabaja en el orden de exportación porque el modelo de scoring no tenía nada que decir sobre ella, es un problema de conexión, que se arregla en semanas y no en trimestres. Eso es lo que instala nuestro módulo Lead Scoring & Routing Engine. Si antes queréis saber cuánto os está costando el orden actual, empezad por la GTM Maturity and Revenue Leak Assessment de 30 minutos.