Lead scoring B2B: los errores que distorsionan tus campañas

Respuesta corta
Evaluar mal un lead no solo hace que ventas pierda tiempo: también falsea las cifras de tu campaña. Cambia el costo por lead, cambia la conversión entre etapas y cambia a quién llama tu equipo primero. Aquí repaso cinco errores frecuentes al evaluar leads B2B, cómo se ven en los números y cómo corregirlos en cualquier CRM.
En resumen
- El lead scoring es un sistema de puntos que estima qué tan probable es que un lead compre. Su valor depende de qué mide, no de cuántos puntos reparte.
- Medir actividad (aperturas, clics) en vez de intención infla los leads y esconde los que sí importan.
- Contar toda respuesta como lead mezcla interesados con rechazos y deja la conversión por etapa sin sentido.
- Sin una definición escrita de "lead listo", el costo por lead puede mejorar solo por aflojar el criterio, sin que cambie nada en las ventas.
- Un modelo de dos ejes (ajuste al cliente ideal e interés) se puede montar en cualquier CRM, sujeto a las particularidades de cada plataforma.
¿Qué estás midiendo realmente cuando evalúas un lead?
Un lead score es una estimación, no un dato. Cada punto que sumas expresa una hipótesis: "quien hace esto tiene más probabilidad de comprar". Si la hipótesis es débil, el score es ruido con apariencia de precisión.
La pregunta útil no es cuántos puntos tiene un lead, sino qué evidencia de compra hay detrás de cada punto. Los cinco errores siguientes son formas de confundir señal con ruido.
Error 1: ¿medir actividad en vez de intención?
Abrir un correo es la señal más fácil de medir y la menos confiable. Apple explica, en la página de su función Protección de la actividad de Mail (en inglés), que con ella activada Mail descarga el contenido remoto en segundo plano, haya o no interacción del usuario. Una apertura registrada puede, entonces, no corresponder a una lectura. Desde el reporte no puedo separar cuántas aperturas son de una persona.
En mis campañas de prospección en frío por correo, 34 de 41 contactados registraron al menos una apertura según Snov.io. Hubo una respuesta contabilizada. Si ese 83% de aperturas entrara a un modelo de scoring como señal de interés, casi todos los leads aparecerían como interesados.
La actividad sirve como señal secundaria. La intención es una acción que cuesta algo al lead: responder con contenido, agendar, pedir información, invitar a otra persona de su equipo.
Error 2: ¿contar toda respuesta como lead?
Un "no, gracias" también es una respuesta. Si el reporte de la campaña cuenta respuestas como leads, mezclas interesados, rechazos, derivaciones y respuestas automáticas en el mismo número.
En esas mismas campañas ningún contacto estaba clasificado por nivel de interés. Además, el sistema marcaba tres contactos con estado "respondió", pero su contador sumaba una sola respuesta. Dos cifras distintas para la misma pregunta, dentro de una misma herramienta.
No sé con certeza por qué se produce esa diferencia y la reviso caso a caso. Lo que importa para este artículo es otra cosa: si la métrica base no está bien definida, todo lo que se calcula encima (tasa de respuesta, conversión a reunión, costo por lead) hereda el error.
Clasifica cada respuesta por interés (interesado, tal vez, no interesado) antes de contarla como lead.
Error 3: ¿puntuar sin considerar el ajuste al cliente ideal?
Un lead puede estar muy activo y no ser comprador. Un estudiante, un competidor o un cargo sin poder de decisión pueden abrir, hacer clic y visitar tus páginas. Si el modelo solo premia actividad, sube a ese perfil por sobre el decisor que respondió una vez y no volvió.
Por eso conviene separar dos preguntas:
- Ajuste: ¿se parece a tu cliente ideal? Cargo, tamaño de empresa, industria, país.
- Interés: ¿qué hace que sugiera intención de compra?
Si las mezclas en un solo número, un lead de ajuste alto e interés bajo se confunde con uno de ajuste bajo e interés alto, y los dos necesitan acciones opuestas.
Error 4: ¿no definir por escrito cuándo un lead está listo?
Un MQL (Marketing Qualified Lead) es el lead que marketing considera listo para una conversación comercial. Un SQL (Sales Qualified Lead) es el que ventas acepta como oportunidad. Si el paso de MQL a SQL no tiene una regla escrita y acordada, cada persona usa su propio criterio.
El efecto en los números es directo. Con un criterio flexible, los leads suben, el costo por lead baja y la conversión de MQL a SQL cae. Con uno estricto ocurre lo contrario. Ninguno de los dos movimientos dice nada sobre la calidad real de la campaña.
Un ejemplo hipotético, con cifras inventadas para ilustrar: contactas a 100 personas y 10 responden, de las cuales 4 muestran interés y 2 terminan en reunión.
| Definición A: toda respuesta es lead | Definición B: solo interesados | |
|---|---|---|
| Leads | 10 | 4 |
| Reuniones | 2 | 2 |
| Conversión de lead a reunión | 20% | 50% |
| Costo por lead (con el mismo gasto) | 1 | 2,5 veces mayor |
La campaña es la misma y las reuniones son las mismas. Lo que cambió es la definición. Si comparas campañas con criterios distintos, comparas definiciones, no desempeño.
Para dimensionar cuántos leads necesitas en cada etapa, revisa mi artículo sobre cuántos leads necesitas en un embudo de ventas B2B.
Lo mismo vale para las plataformas de anuncios: las conversiones que reportas a Google Ads también dependen de cómo definas un lead. Para revisar esos datos conecté Claude con Google Ads y GA4, y lo cuento en qué es un MCP y cómo lo usé con Google Ads y GA4.
Error 5: ¿evaluar al lead una sola vez y no volver a mirar?
Un score es una foto. Un lead que mostró interés hace tres meses y no volvió a hacer nada no vale lo mismo que uno activo esta semana. Sin una regla que baje el puntaje con la inactividad, la lista de "leads calientes" se llena de contactos fríos.
Y el modelo completo envejece. Cambian tu oferta, tu cliente ideal y el mercado. Si nunca contrastas los puntajes con las ventas ganadas y perdidas, no sabes si el score predice algo.
¿Cómo afectan estos errores a las ventas?
El impacto en ventas llega por tres caminos:
- Prioridad equivocada. Ventas llama primero a los leads con más puntos, no a los que más probabilidad tienen.
- Leads buenos que se enfrían. El decisor que respondió una sola vez queda debajo de un contacto muy activo, y pasan los días sin contactarlo.
- Retroalimentación contaminada. Ventas aprende que los leads de marketing "no sirven", marketing aprende que ventas "no los trabaja", y nadie revisa la definición.
La salida no es una herramienta nueva. Es acordar qué señales importan y verificarlas contra resultados.
¿Cómo se corrige? Un modelo genérico para cualquier CRM
Si todavía no tienes claro qué CRM necesitas, la lógica del montaje es la misma en HubSpot, Zoho, Odoo, Salesforce o cualquier otro CRM:
- Define la venta y el cliente ideal. Es el punto de partida de todo lo demás.
- Separa dos campos: ajuste e interés, más una categoría (por ejemplo, frío, tibio, caliente o descartado).
- Registra las señales con sus puntos, positivos y negativos, con un tope para que una sola acción no infle el puntaje.
- Clasifica las respuestas por interés antes de que cuenten como lead.
- Agrega decaimiento por inactividad y una regla de descarte para quien pide no ser contactado.
- Conecta cada categoría con una acción: una tarea, un aviso, un cambio de etapa o una secuencia de seguimiento.
- Recalibra con ventas ganadas y perdidas, a intervalos fijos.
Un ejemplo ilustrativo de señales (valores inventados con fines didácticos, no son benchmarks; calíbralos con tus datos):
| Eje | Señal | Puntos |
|---|---|---|
| Ajuste | Cargo de decisión | +20 |
| Ajuste | Empresa dentro del rango objetivo | +15 |
| Ajuste | Correo personal en vez de corporativo | −10 |
| Interés | Respondió con interés | +25 |
| Interés | Agendó una reunión | +40 |
| Interés | 30 días sin actividad | −15 |
Con los dos ejes puedes armar una matriz de decisión:
| Interés bajo | Interés alto | |
|---|---|---|
| Ajuste alto | Seguir nutriendo y prospectando | Pasar a ventas de inmediato |
| Ajuste bajo | No invertir tiempo | Revisión manual antes de decidir |
Aviso importante: este montaje está sujeto a las particularidades de tu CRM. Algunos traen herramientas propias de puntuación; en otros hay que construirla con campos numéricos y automatizaciones. También varían los límites: cómo se recalculan los puntajes, si el decaimiento se puede automatizar y qué se puede hacer en cada plan. Revisa la documentación de tu plataforma antes de diseñar las reglas.
Un ejemplo concreto: la documentación de HubSpot sobre puntajes (en inglés, actualizada el 14 de agosto de 2026) distingue entre puntajes de ajuste, basados en propiedades como la región o el tamaño de la empresa, y de interacción, basados en eventos como reuniones o correos. Admite puntos negativos y un decaimiento del puntaje según cuánto tiempo pasó desde el evento. Esa herramienta exige un plan Professional o Enterprise de Marketing Hub o Sales Hub, así que lo que existe en una plataforma puede no estar disponible en tu plan.
¿Cómo se ve esto en una campaña de prospección en frío?
Dejo un caso breve, con una muestra pequeña, para ver los errores en la práctica. Son mis campañas outbound en curso al 14 de octubre de 2026, con 41 contactos por canal. No son resultados generalizables ni hay ventas cerradas todavía.
| Canal | Indicador | Cifra |
|---|---|---|
| Correo | Contactados | 41 |
| Correo | Con al menos una apertura | 34 |
| Correo | Respuestas según el contador de la herramienta | 1 |
| Correo | Contactos con estado "respondió" | 3 |
| Correo | Contactos clasificados por interés | 0 |
| Invitaciones enviadas | 38 | |
| Invitaciones aceptadas | 15 | |
| Respuestas a mensajes | 2 |
La lectura es la misma de los errores 1 y 2: las aperturas no discriminan, y las respuestas no están definidas ni clasificadas. En un próximo artículo sobre cold email voy a entrar en el detalle de esta campaña.
Preguntas frecuentes
¿Qué es el lead scoring y qué debería medir?
Es un sistema que asigna puntos a un lead para estimar su probabilidad de compra. Debería medir ajuste al cliente ideal e intención real, y no solo actividad como aperturas o clics.
¿Cuántos puntos necesita un lead para ser un MQL?
No existe un número universal. El umbral se define con tus propios datos: se parte con un valor provisorio y se ajusta contrastándolo con tus ventas ganadas y perdidas.
¿Por qué mejora el costo por lead sin que mejoren las ventas?
Puede deberse a que se aflojó la definición de lead. Si se cuentan como leads más contactos con el mismo gasto, el costo por lead baja aunque la cantidad de reuniones y ventas no cambie.
¿Se puede hacer lead scoring sin HubSpot?
Sí. Lo esencial es poder guardar un puntaje por lead en un CRM y automatizar su actualización. Algunos CRM traen la función; en otros se construye con campos y automatizaciones.
¿Sirve el lead scoring con pocos leads?
Sí, en versión simple. Con pocos leads no conviene un modelo predictivo, pero sí uno de pocas reglas que separe ajuste e interés y que revises a mano con ventas.
¿Cada cuánto hay que recalibrar el modelo?
Cuando cambie tu oferta o tu cliente ideal, y como mínimo en un período fijo, comparando los puntajes con las ventas ganadas y perdidas.
Conclusión
Un lead score solo es tan confiable como lo que mide. Si la definición de lead cambia entre campañas o entre personas, las cifras comparan criterios y no resultados. Parte por escribir qué es una venta, qué es un lead listo y quién decide; el resto lo puede ejecutar cualquier CRM.
Puedes ver cómo trabajo en servicios y en los casos. Y si quieres revisar cómo se evalúan los leads en tu operación comercial, agenda una reunión y lo vemos con tus números.
Sigue leyendo
Estrategia de demandaCold email B2B en Chile y ley 21.719: cómo prospectar con prudencia
Cómo prospectar con cold email B2B en Chile con prudencia ante la ley 21.719: qué documentar, de dónde sale cada contacto y cómo ofrecer la baja.
Pablo Ramírez Olivares · 17 nov 2026 · 8 min de lectura
Estrategia de demandaEmbudo de ventas B2B: cuántos leads necesitas para cerrar un cliente
Cómo calcular cuántos leads necesitas para cerrar un cliente B2B con tu embudo de ventas (funnel): etapas, tasas de conversión y fugas.
Pablo Ramírez Olivares · 6 oct 2026 · 5 min de lectura
Automatización e IACómo conecté Claude a Google Ads y GA4 con un servidor MCP
Qué es un MCP y cómo conecté Claude con Google Ads, GA4, Search Console y Tag Manager: cómo funciona, qué reglas uso y qué cambia para el marketing B2B.
Pablo Ramírez Olivares · 6 oct 2026 · 8 min de lectura¿Quieres revisar cómo está tu sistema de generación de demanda?
Usa la calculadora gratuita o agenda una reunión inicial de diagnóstico.