Lead Scoring

O problema não é falta de leads — é falta de prioridade. Quando a equipe de vendas recebe 80 novos leads por mês, não tem como tratar todos com a mesma atenção. Mas sem critério claro de priorização, o que acontece na prática é que o vendedor trabalha os que chegaram mais recentemente, os que ele lembra, ou os que parecem mais fáceis — não necessariamente os que têm maior probabilidade de fechar.

Lead Scoring é o processo de atribuir pontuações a leads com base em características de perfil e comportamentos observados, para identificar quais têm maior probabilidade de conversão e devem ser priorizados na abordagem comercial. É a transformação de "acho que esse lead parece interessante" em um critério objetivo, reproduzível e escalável.

A lógica é direta: nem todo lead que entra na base tem o mesmo valor. Um lead que baixou três materiais, visitou a página de preços duas vezes e ocupa cargo de diretoria em empresa de 200 funcionários é radicalmente diferente de um lead que se cadastrou para um webinar gratuito e não abriu nenhum e-mail desde então. O lead scoring é o mecanismo que articula essa diferença em número — e que permite que o time de vendas saiba, sem subjetividade, em quem investir tempo.

O benefício mais direto não é apenas priorização — é alinhamento entre marketing e vendas. Com critérios explícitos de score para definir quando um lead está "pronto para vendas" (MQL que vira SQL), marketing e vendas param de brigar sobre qualidade de leads e passam a operar com contrato claro: marketing entrega leads com score acima de X, vendas se compromete a abordar em Y horas.

Lead scoring opera em dois eixos paralelos que somados formam o score final:

Score de perfil (fit com o ICP): avalia o quanto o lead se encaixa no perfil do cliente ideal da empresa. Exemplos de atributos com pontuação:

• Cargo: CEO/Fundador (+20), Diretor (+15), Gerente (+10), Analista (+5), Estagiário (-10)
• Tamanho da empresa: 50–500 funcionários (+20), 10–50 (+10), 1–10 (+5), multinacional (+5), estudante (-20)
• Setor: setores prioritários (+15), setores secundários (+5), setores incompatíveis (-10)
• Localização: região de atuação principal (+10), fora da área geográfica (-5)
• Domínio de e-mail: domínio corporativo (+5), Gmail/Hotmail para produto B2B (-5)

Score de comportamento (intenção de compra): avalia o que o lead fez, com peso maior para ações que indicam intenção de compra:

• Visitou a página de preços (+25)
• Visitou a página de contato sem preencher (+20)
• Assistiu a um webinar completo (+15)
• Baixou case study ou estudo de caso (+15)
• Baixou ebook informacional (+10)
• Abriu 3 ou mais e-mails na última semana (+10)
• Visitou o blog (+5)
• Não abre e-mails há 60 dias (-15)
• Descadastrou de uma lista (-30)

O threshold para MQL (Marketing Qualified Lead) — o ponto em que o lead é passado para vendas — é definido pela empresa com base nos dados históricos: qual score médio tinham os leads que converteram para cliente? Essa análise retroativa é o que calibra o modelo.

Um sistema de lead scoring completo não apenas soma pontos por ações positivas — também subtrai por sinais de desqualificação ou desengajamento.

Degradação de score ao longo do tempo (decay): ações antigas valem menos do que ações recentes. Uma visita à página de preços feita há 6 meses é muito menos relevante do que a mesma visita feita ontem. O sistema de score deve aplicar decay automático — reduzindo o peso de ações antigas — para refletir que intenção esfria com o tempo.

Score negativo por comportamento: solicitar remoção de lista, marcar como spam, comunicar que não é o tomador de decisão, informar que não tem orçamento no momento — todos esses sinais devem reduzir o score drasticamente ou remover o lead do pipeline ativo.

Score negativo por perfil incompatível: concorrentes, estudantes, candidatos a emprego, perfis que claramente não compram — devem ser identificados e pontuados negativamente para não contaminar a fila de vendas.

A combinação de score positivo e negativo é o que torna o sistema robusto — sem o score negativo, todos os leads tendem a acumular pontos progressivamente e o threshold perde significado.

O lead scoring tradicional (baseado em regras) tem uma limitação: as regras são definidas por humanos com base em intuição e hipóteses, não necessariamente nos padrões reais dos dados históricos.

Lead scoring preditivo usa machine learning para identificar, nos dados históricos de leads, os padrões que mais fortemente predizem conversão. Em vez de "acreditamos que visitar a página de preços vale 25 pontos", o modelo aprende automaticamente o peso de cada variável com base em leads que de fato converteram.

Para isso funcionar, são necessários: (1) volume suficiente de dados históricos — pelo menos algumas centenas de leads com desfecho conhecido (converteu/não converteu); (2) atributos registrados de forma consistente no CRM; (3) ferramenta de ML integrada ao CRM (HubSpot Einstein, Salesforce Einstein, ou soluções independentes).

Para a maioria das PMEs, o scoring preditivo é excessivo nos estágios iniciais. O scoring por regras bem calibrado, revisado trimestralmente com base em dados reais, entrega a maior parte do benefício com muito menos complexidade.

1. Definir o ICP com precisão: sem clareza sobre quem é o cliente ideal (cargo, setor, tamanho, problema), não é possível definir score de perfil. Esse passo precede qualquer configuração técnica.

2. Mapear os comportamentos que predizem conversão: conversar com a equipe de vendas sobre quais ações os leads que fecharam tipicamente realizaram antes de avançar. Identificar os 5–10 comportamentos mais correlacionados com compra.

3. Definir os pesos: atribuir pontuação a cada atributo de perfil e comportamento. Começar com hipóteses baseadas na experiência da equipe de vendas — refinar com dados históricos.

4. Definir os thresholds: a partir de qual score o lead é MQL? A partir de qual score adicional, combinado com estágio de funil, é SQL? Esses números precisam ser definidos e acordados entre marketing e vendas.

5. Configurar na plataforma: HubSpot, RD Station e Salesforce têm funcionalidade de lead scoring nativa. ActiveCampaign permite scoring comportamental básico.

6. Calibrar com dados reais: após 2–3 meses, analisar: os leads que chegaram a vendas com score alto de fato converteram mais? Se não, quais atributos precisam de ajuste?

O maior benefício organizacional do lead scoring não é tecnológico — é o SLA (Service Level Agreement) que ele viabiliza entre marketing e vendas.

Com lead scoring definido, é possível estabelecer:

• Marketing se compromete a entregar leads com score acima de X (MQL), em volume Y por mês
• Vendas se compromete a abordar MQLs em até Z horas após a qualificação
• MQLs que não evoluem em W dias voltam para nutrição de marketing

Esse contrato explicita responsabilidades de ambos os lados e cria base para conversas produtivas sobre qualidade de leads — substituindo o ciclo improdutivo de "marketing entrega leads ruins" vs. "vendas não trabalha os leads".

Taxa de MQL para SQL: dos leads classificados como MQL pelo score, qual percentual é confirmado como oportunidade real por vendas. Se abaixo de 30%, o threshold de MQL pode estar baixo demais — leads estão sendo passados antes de estar prontos.

Taxa de conversão de MQL para cliente: dos MQLs passados para vendas, qual percentual fecha. É o indicador mais direto de precisão do modelo.

Velocidade de ciclo de vendas por faixa de score: leads com score mais alto fecham em menos tempo? Se sim, o modelo está capturando intenção real. Se não, os critérios de score podem não estar correlacionados com urgência.

Volume de MQLs: o threshold está gerando volume suficiente para a capacidade de vendas? Se marketing entrega 5 MQLs por mês para uma equipe com capacidade de trabalhar 50, o threshold está alto demais.

Lead scoring resolve um problema de alocação de atenção — e atenção de vendas é o recurso mais escasso em qualquer PME. Sem critério explícito de priorização, vendedores inevitavelmente priorizam pelo conforto (leads que parecem mais fáceis) em vez do potencial (leads com maior probabilidade de fechar).

Para implementar sem excessiva complexidade: começar com score simples de 5–7 critérios de perfil e 5–7 comportamentos, threshold inicial conservador (melhor ter menos MQLs com qualidade do que volume alto com conversão baixa), e revisão trimestral do modelo com base nos resultados reais. A sofisticação vem com os dados — não na configuração inicial.

O indicador de que o lead scoring está funcionando é simples: o tempo médio que vendas investe por oportunidade diminui enquanto a taxa de conversão aumenta. Se os dois andam juntos, o modelo está priorizando certo.