Lead scoring que funciona: construindo com dado, não com achismo

Lead scoring é a prática de atribuir uma nota a cada contato para indicar quão pronto ele está para ser abordado pelo comercial. Na teoria, resolve o conflito mais antigo entre marketing e vendas: o que é um lead bom.

Na prática, a maioria dos modelos de scoring é abandonada em silêncio dentro de um ano. Não porque a ideia seja ruim — porque o modelo foi construído por achismo, o comercial percebeu que as notas não correspondiam à realidade, e passou a ignorá-las.

Este artigo é sobre como construir um modelo que o comercial usa de fato: a partir de dados de negócios reais, com poucos critérios, revisado periodicamente.

Por que os modelos falham

Quatro causas explicam quase todos os abandonos.

Foi construído numa reunião

O padrão comum: marketing e vendas se reúnem por duas horas e decidem que abrir e-mail vale 3 pontos, baixar material vale 10, visitar a página de preços vale 20, e cargo de diretor vale 15.

Esses números não vieram de lugar nenhum. São a intuição do grupo transformada em aparência de precisão. Podem estar certos por acaso, e normalmente não estão — porque a intuição sobre o que prediz fechamento é notoriamente ruim.

Mede engajamento em vez de encaixe

Um modelo que pontua principalmente comportamento — abriu, clicou, baixou — vai pontuar bem o estudante curioso, o concorrente monitorando e o consultor pesquisando. Todos consomem muito conteúdo e nenhum vai comprar.

Engajamento sem encaixe é ruído. Uma pessoa de uma empresa fora do perfil pode ler quinze artigos e continuar não sendo cliente.

Trata a pessoa como unidade

Em compra B2B relevante, quem decide é um comitê. Pontuar indivíduos isoladamente perde o sinal mais forte que existe: quantas pessoas diferentes da mesma empresa estão engajadas.

Um contato com nota 80 numa empresa onde ninguém mais interagiu é mais frágil que três contatos com nota 40 na mesma conta.

Nunca é revisado

O modelo é configurado, funciona razoavelmente por alguns meses, e o mercado muda. O produto ganha funcionalidade que abre outro segmento, um concorrente sai, uma regulação cria urgência. Os pesos continuam os de antes.

Construindo a partir do que já aconteceu

O método que funciona é retrospectivo. Em vez de decidir o que deveria predizer fechamento, você descobre o que de fato predisse.

Passo 1: montar as duas listas

Extraia do CRM dois conjuntos dos últimos dois anos: as oportunidades que fecharam, e as que foram perdidas ou descartadas. Quanto maior o histórico, melhor — mas mesmo cinquenta de cada lado já revelam padrão.

Se possível, acrescente um terceiro grupo: clientes que fecharam e cancelaram cedo. Eles são os mais informativos, porque um modelo que os pontua bem está ativamente prejudicando a operação.

Passo 2: levantar os atributos disponíveis

Para cada oportunidade, colete o que você sabia no momento em que ela foi passada ao comercial — não o que se descobriu depois. Isso é essencial: usar informação que só existe depois do fechamento produz um modelo que parece brilhante nos dados históricos e não funciona na prática.

Atributos que costumam estar disponíveis:

• Da empresa: setor, porte, faturamento estimado, região, número de unidades
• Da pessoa: cargo, área, senioridade
• De comportamento: páginas visitadas, materiais consumidos, número de visitas, recorrência
• Da conta: quantos contatos distintos da mesma empresa, em quanto tempo
• De origem: canal de entrada, primeiro termo de busca, se veio por indicação

Passo 3: comparar as distribuições

Para cada atributo, compare a frequência entre ganhos e perdidos. O que você procura são diferenças grandes.

Um exemplo do tipo de coisa que aparece: entre os ganhos, 70% tinham três ou mais contatos da mesma empresa engajados no primeiro mês; entre os perdidos, 15%. Essa é uma diferença que vale ponto.

E o inverso também aparece: atributos que todo mundo assume que importam e que não distinguem nada. Cargo do primeiro contato, por exemplo, costuma ser muito menos preditivo do que se imagina — porque quem preenche o formulário frequentemente não é quem decide.

Passo 4: escolher poucos critérios

A tentação é incluir tudo que mostrou alguma diferença. Resista.

Um modelo com trinta critérios é impossível de explicar ao comercial, impossível de depurar quando dá errado, e frequentemente pior que um com cinco — porque atributos correlacionados entre si contam o mesmo sinal várias vezes.

Cinco a oito critérios é o alvo. Escolha os de maior diferença entre ganhos e perdidos, e que sejam independentes uns dos outros.

Definindo os pesos sem inventar números

Escolhidos os critérios, falta decidir quanto cada um vale. É onde o achismo costuma voltar pela porta dos fundos.

Um método simples que funciona sem estatística avançada: para cada critério, calcule a proporção de ganhos que o tinham dividida pela proporção de perdidos que o tinham. Se 70% dos ganhos tinham três ou mais contatos engajados e apenas 15% dos perdidos tinham, esse critério separa quase cinco vezes melhor que o acaso — e merece peso alto.

Um critério que aparece em 40% dos ganhos e 35% dos perdidos separa quase nada, e não deveria estar no modelo por mais intuitivo que pareça.

Transforme essas razões em pesos relativos e arredonde para números redondos. A precisão decimal aqui é ilusória — você está estimando a partir de amostra limitada, e um peso de 22,7 não é mais correto que 20. Números redondos também são mais fáceis de explicar ao comercial, o que importa mais que precisão falsa.

Definindo o corte

A nota de corte — a partir de quanto o lead vai para o comercial — não é uma decisão técnica. É uma decisão de capacidade.

A pergunta correta não é "que nota indica um bom lead", e sim "quantos leads o time comercial consegue trabalhar bem por semana". Se são quarenta, o corte é a nota que produz quarenta por semana. Passar cem para um time que dá conta de quarenta garante que sessenta serão mal trabalhados — e o modelo leva a culpa.

Isso significa que o corte muda quando o time muda de tamanho, e isso é correto, não um defeito.

Duas notas, não uma

Um modelo de nota única esconde informação. Duas notas separadas comunicam melhor e são muito mais acionáveis.

Nota de encaixe — a empresa é do perfil? Baseada em atributos firmográficos: porte, setor, região, estrutura. É estável ao longo do tempo e verificável antes de qualquer interação.

Nota de interesse — há sinal de que estão avaliando agora? Baseada em comportamento recente e em profundidade de comitê. Muda semana a semana.

Cruzando as duas, você tem quatro quadrantes com ações diferentes:

O quadrante inferior esquerdo é o que mais economiza tempo comercial, e o superior direito é o que mais gera oportunidade no médio prazo — e é o mais frequentemente descartado por modelos de nota única, que somam tudo e produzem uma nota média enganosa.

Pontuar a conta, não só o contato

A adaptação mais importante para B2B, e a que a maioria das ferramentas não faz por padrão.

Além da nota individual, calcule uma nota por empresa que agregue o comportamento de todos os contatos conhecidos daquela conta. Os sinais que importam:

• Número de pessoas distintas engajadas nos últimos trinta dias
• Diversidade de cargos — três pessoas da mesma área valem menos que três de áreas diferentes, porque a segunda situação indica discussão interna
• Concentração no tempo — cinco interações numa semana significa mais que cinco espalhadas em seis meses
• Retorno após inatividade — um contato que sumiu por três meses e voltou é um evento comercial

A profundidade de comitê é consistentemente um dos sinais mais preditivos em B2B e um dos menos usados. Se você só puder acrescentar um critério ao modelo atual, acrescente esse.

Os pontos negativos

Modelos que só somam produzem inflação de nota. Alguns critérios precisam subtrair:

• E-mail pessoal em vez de corporativo, em contexto onde isso indica não ser decisor
• Cargo de estudante, estagiário ou pesquisador
• Empresa concorrente — vale manter uma lista e zerar
• Empresa fora do perfil por porte — abaixo do mínimo que você atende
• Inatividade prolongada — a nota de interesse precisa decair com o tempo, senão alguém que se engajou muito há um ano continua no topo da fila

Esse último é o mais esquecido e o que mais suja a fila. Sem decaimento, o modelo acumula contatos antigos com nota alta e o comercial deixa de confiar na ordenação.

Os dados que o modelo exige, e como conseguir

Boa parte dos modelos de scoring falha antes de existir, porque os dados necessários não estão disponíveis. Vale mapear antes de desenhar.

Atributos de empresa. Porte, setor, faturamento estimado. No Brasil, o CNPJ resolve parte — cadastro público traz CNAE, porte declarado e situação. O resto vem de enriquecimento pago, cuja cobertura varia muito por fornecedor fora dos grandes setores. Teste com uma amostra da sua base antes de contratar por ano.

Comportamento agrupado por conta. Esta é a exigência técnica que mais trava. Se o CRM organiza tudo em torno do contato, você não consegue saber que três pessoas da mesma empresa visitaram o site — o sinal mais preditivo do modelo simplesmente não existe.

A correção não é de scoring, é de modelagem de dados: a conta precisa ser o objeto central, com os contatos vinculados a ela. E a base precisa estar sem duplicidade, senão a mesma empresa cadastrada de três formas aparece como três contas com um contato cada.

Motivo de descarte estruturado. Para construir o modelo você precisa saber por que os perdidos foram perdidos. Se o campo é texto livre, o dado é inútil — "não tinha fit" não ensina nada. Uma lista fechada de cinco a oito opções transforma descarte em insumo.

Se esses três não existem hoje, a ordem correta é resolvê-los primeiro. Um modelo construído sobre dado ruim produz notas ruins com aparência de rigor, o que é pior que não ter modelo — porque o comercial confia por um tempo antes de descobrir.

Validar antes de acionar

Antes de o modelo passar a definir quem o comercial liga, teste-o contra o histórico.

Aplique os critérios aos negócios dos últimos doze meses e verifique: os que fecharam teriam recebido nota alta? Os perdidos teriam recebido nota baixa?

Se o modelo não separa bem no passado, ele não vai separar no futuro. E ajustar agora custa uma tarde; ajustar depois de o comercial perder a confiança custa o projeto inteiro.

Um cuidado no teste: separe uma parte do histórico que você não usou para construir o modelo, e valide nela. Se você validar nos mesmos dados que usou para escolher os critérios, o resultado vai parecer ótimo por construção.

Fazendo o comercial usar

Um modelo tecnicamente correto que ninguém usa vale zero. Três coisas determinam a adoção:

O vendedor precisa entender por que a nota é aquela. Se o CRM mostra "82" sem explicação, é caixa-preta. Se mostra "82 — três contatos engajados, visitou preços, porte dentro do perfil", vira informação. Exibir os dois ou três fatores que mais pesaram muda completamente a percepção.

O vendedor precisa poder discordar. Um botão para marcar "essa nota está errada" com um motivo. Isso serve para duas coisas: dá ao comercial a sensação de que o modelo é dele também, e gera o dado que alimenta a revisão.

A nota precisa mudar a fila, não só existir. Se o vendedor continua trabalhando por ordem de chegada, o modelo é decorativo. A nota tem que ser o critério de ordenação padrão da lista de trabalho.

Onde a IA ajuda, e onde atrapalha

Modelos preditivos entraram na conversa de scoring e vale separar o que funciona do que é promessa.

Ajuda genuinamente em encontrar padrões que ninguém procuraria. Rodar os dados históricos atrás de combinações de atributos que predizem fechamento pode revelar coisas contraintuitivas — que a combinação de um setor específico com um porte específico tem taxa muito acima da média, por exemplo. Isso é análise de dados aplicada a um conjunto que você já tem.

Ajuda também em enriquecer os atributos: extrair de transcrições de call sinais que não estão em campo estruturado, ou classificar empresas por características que o CRM não registra.

Atrapalha em duas situações específicas. A primeira é volume insuficiente: um modelo estatístico treinado em cinquenta negócios aprende o ruído daquela amostra e não generaliza. A segunda é opacidade: se o vendedor não consegue entender por que a nota é aquela, a adoção cai — e um modelo mais preciso que ninguém usa perde para um modelo mais simples que orienta a fila todo dia.

A recomendação prática: comece com regras explícitas construídas do histórico. Elas são explicáveis, depuráveis e suficientes na maioria dos casos. Considere modelos preditivos quando você tiver alguns milhares de negócios no histórico e o modelo simples estiver claramente deixando valor na mesa.

Um sinal de que a nota está sendo usada de verdade: o comercial reclama dela. Quando um vendedor diz "essa conta com nota 30 é a melhor que peguei este mês", isso é adoção — ele olhou, discordou e tem opinião. Silêncio total sobre o modelo é o pior desfecho possível, porque significa que ninguém está prestando atenção.

Revisão, que é o que mantém vivo

Um modelo de scoring é uma aposta em correlações que valiam quando foi construído. Elas envelhecem.

A cadência que funciona:

Mensal, trinta minutos. Olhar as discordâncias registradas pelos vendedores. Se um padrão aparece — "sempre marcam nota errada em contas do setor X" —, é sinal de que falta um critério.

Trimestral, meio dia. Refazer a comparação entre ganhos e perdidos com os dados do trimestre. Verificar se os critérios ainda separam.

Anual, dois dias. Reconstruir do zero, sem olhar o modelo anterior. Comparar o resultado com o que está em uso. Se forem muito diferentes, o mercado mudou mais do que se percebia.

Um sinal de alerta específico: quando a proporção de leads que atingem a nota de corte cresce mês a mês sem que nada tenha melhorado, o modelo está inflacionando. Normalmente porque os critérios de comportamento ficaram fáceis demais de acumular.

Quando não vale ter scoring

Vale dizer, porque scoring virou item obrigatório de checklist e nem sempre resolve.

Se o volume é baixo. Com trinta leads por mês, o vendedor consegue olhar todos. Um modelo aqui adiciona complexidade sem economizar nada — e a decisão de priorização é melhor feita lendo os trinta.

Se não há histórico suficiente. Construir a partir de vinte negócios fechados produz um modelo que descreve o acaso. Nesse caso, use critérios simples de encaixe — porte e setor — e espere acumular dado.

Se marketing e vendas não concordam sobre o perfil de cliente. Scoring é a formalização de uma definição compartilhada. Se a definição não existe, o modelo vai formalizar o desacordo em vez de resolvê-lo.

Esse último é o caso mais comum, e a ordem correta é inversa à intuitiva: escrever o perfil de cliente ideal e o acordo entre as áreas primeiro; scoring depois, como a implementação técnica do que já foi combinado.