Por qué FLYDE
Plataforma Cómo funciona Integraciones Seguridad ★ FLYDE Brain Core Customer 360 Market Trends Analytics
Soluciones FLYDE Brain Atribución omnicanalIncrementalidad Customer journey omnicanal Identidad B2B + B2C Modelos predictivos Ver todas las soluciones Retail Automoción ONGs Banca Restauración EnergíaFitness
Recursos Blog FLYDE Talks FLYDE Masterclass Whitepapers y ebooks Herramientas Glosario
Login
Inicio / Blog / Lead Scoring con IA: Las nuevas reglas del juego

Lead scoring con IA: qué es, cómo funciona y cómo aplicarlo en tu empresa

Por Katherine Gortz · 21 de mayo de 2025 · Actualizado el 7 de noviembre de 2026 · Lectura: 10 minutos

El lead scoring es el método para ordenar tus leads según su probabilidad de convertirse en clientes, de modo que ventas llame primero a quien más cerca está de comprar. Durante años se ha hecho con puntos asignados a mano: +10 por el cargo, +5 por abrir un email, +20 por visitar la página de precios. El lead scoring con IA sustituye esa tabla de puntos por un modelo que aprende de tus conversiones pasadas y calcula, para cada lead, una probabilidad real de compra que cambia a medida que el lead se mueve.

En este artículo verás por qué el modelo de puntos deja de funcionar en cuanto crece el volumen, cómo trabaja un modelo predictivo, qué datos necesita y cómo ponerlo en marcha sin un equipo de data science.

Qué es el lead scoring

Un lead es cualquier persona o empresa que ha mostrado interés y de la que tienes un dato de contacto: ha rellenado un formulario, se ha suscrito, ha pedido información, ha comprado una vez. El lead scoring asigna a cada uno un valor que resume cuánto merece la pena dedicarle tiempo ahora.

El objetivo no es la puntuación en sí, sino la decisión que permite tomar: a quién llama hoy el equipo comercial, a quién se le envía una oferta, a quién se deja madurar y a quién no se vuelve a contactar. Un buen lead scoring reduce el tiempo que ventas pierde con contactos que no van a comprar y evita que un lead caliente se enfríe esperando turno.

Tipos de lead scoring

Todos los modelos de lead scoring combinan dos preguntas: si el lead encaja con tu cliente ideal y si está mostrando intención de compra. Según cómo se responden, hay cuatro tipos:

Tipo Qué mide Ejemplo de señal
Explícito (de perfil o fit) Si el lead se parece a tu cliente ideal Sector, tamaño de empresa, cargo, país
Implícito (de comportamiento) Cuánto interés está mostrando Visitas a precios, descargas, webinars, respuestas a emails
Negativo Señales que restan Email personal en B2B, estudiantes, competidores, bajas de la newsletter
Predictivo (con IA) La probabilidad real de conversión, aprendida de tu histórico Todas las anteriores combinadas por un modelo

Los tres primeros son la base del modelo de puntos. El cuarto es el que explica esta guía: en lugar de que el equipo decida cuánto vale cada señal, lo decide el modelo a partir de lo que pasó con tus leads anteriores.

Ejemplo de modelo de lead scoring por puntos

Si todavía no tienes histórico suficiente para un modelo predictivo, un modelo de puntos bien hecho es un buen punto de partida. Esta es una plantilla típica para B2B:

Señal Puntos
Cargo de dirección o responsable del área +15
Empresa del tamaño o sector objetivo +15
Visita a la página de precios +10
Descarga de un whitepaper o ebook +10
Asistencia a un webinar +15
Solicitud de demo +30
Sin actividad en 30 días −10
Email personal o empresa fuera de mercado −20

El umbral habitual para pasar el lead a ventas está entre 50 y 70 puntos. El problema, como verás en la sección siguiente, es que esos pesos los decide alguien a ojo y casi nunca se revisan.

Lead scoring tradicional: por qué el modelo de puntos se queda corto

El lead scoring clásico combina dos tipos de criterios: el perfil (cargo, sector, tamaño de empresa, zona) y la actividad (aperturas, clics, visitas, descargas). Cada criterio suma o resta puntos y, a partir de un umbral, el lead pasa a ventas.

Funciona mientras el volumen es pequeño y el equipo conoce a sus clientes. Deja de funcionar por cuatro razones:

  • Los pesos son opiniones. Nadie sabe si abrir tres emails vale más o menos que visitar la página de precios; se decide en una reunión y no se vuelve a tocar.
  • No aprende. Si el mercado cambia o entra un nuevo canal, la tabla sigue puntuando como el primer día.
  • Premia el perfil ideal y pierde al comprador real. Un junior que investiga para su director puntúa bajo y se descarta; el director nunca llegó a entrar en la web.
  • Es ciego antes del formulario. Toda la navegación anónima previa a identificarse no cuenta, y suele ser donde está la intención.

El resultado habitual: una lista de «leads calientes» que ventas aprende a ignorar porque no convierten mejor que el resto.

Cómo funciona el lead scoring con IA

Un modelo predictivo de lead scoring no parte de reglas, sino de tu historial: qué leads acabaron comprando y cuáles no, y qué hicieron unos y otros antes de la decisión. Con ese historial aprende qué combinaciones de señales anticipan una compra y aplica lo aprendido a cada lead nuevo.

Lead scoring por puntos Lead scoring predictivo
Quién decide los pesos El equipo, a mano El modelo, a partir de las conversiones reales
Resultado Una suma de puntos y una etiqueta (frío, templado, caliente) Una probabilidad de conversión en porcentaje
Cuándo se actualiza Cuando alguien revisa la tabla Con cada nueva interacción
Navegación anónima No la ve La incorpora cuando el usuario se identifica
Perfiles atípicos Los descarta Los detecta si su comportamiento se parece al de quienes compran
Qué puedes medir Poco: no hay predicción que contrastar Precisión del modelo frente a lo que ocurrió después

En la práctica el modelo trabaja en tres pasos:

  1. Unifica las señales. Navegación web y app (incluida la anterior a identificarse), emails, formularios, webinars, redes, llamadas y, si ya es cliente, compras y tickets. Todo sobre un mismo perfil de persona o de empresa.
  2. Calcula la probabilidad. Para cada lead, el modelo estima la probabilidad de que convierta en un plazo dado, por ejemplo en los próximos 30 días. Un lead que asiste a un webinar, descarga un whitepaper y visita precios en la misma tarde sube de inmediato; no espera a la revisión semanal.
  3. Se corrige con el resultado. Cuando los leads convierten o no, el modelo lo registra y ajusta qué señales pesan más. Con el tiempo refleja tu mercado, no una suposición de hace dos años.

Cómo se calcula el lead scoring con IA: la metodología paso a paso

  1. Define qué es una conversión y en qué plazo. Por ejemplo, «firma un contrato en los 90 días siguientes a entrar como lead». Esa es la variable que el modelo aprende a predecir.
  2. Reúne el histórico. Toma los leads de los últimos 12 a 24 meses con su resultado conocido (convirtió o no) y todas las señales que tenían antes de convertir: perfil, navegación, emails, formularios, llamadas.
  3. Prepara las variables. Convierte la actividad en datos comparables: número de visitas en los últimos 7 y 30 días, días desde la última interacción, páginas de precios vistas, cargo normalizado, sector.
  4. Entrena el modelo. Un algoritmo de clasificación (regresión logística o árboles de decisión potenciados, entre los más usados) aprende qué combinaciones de señales separan a los que compraron de los que no.
  5. Valida con datos que el modelo no ha visto. Se reserva una parte del histórico y se comprueba si el modelo ordena bien: el AUC debería superar 0,8 y el 10 % de leads con mejor puntuación debería convertir varias veces más que la media.
  6. Convierte la probabilidad en una puntuación. Cada lead recibe su probabilidad de conversión (por ejemplo, 0,42) y se expresa de 0 a 100. Después se definen tramos: más de 60 pasa a ventas, de 30 a 60 entra en nutrición, menos de 30 se queda en marketing.
  7. Recalcula y reentrena. La puntuación se actualiza con cada interacción y el modelo se reentrena cada pocos meses con las nuevas conversiones.
Lead Señales Probabilidad Acción
A Directora de marketing, retail, vio precios dos veces, webinar ayer 0,71 Llamada comercial hoy
B Analista, retail, descargó un ebook hace 40 días 0,18 Secuencia de nutrición
C Email personal, sin actividad 0,03 Fuera de la cola comercial

Ejemplo ilustrativo: las probabilidades dependen de tu histórico.

Qué datos necesitas y qué métricas pedir

Un modelo predictivo es tan bueno como el historial que lo alimenta. Necesitas tres cosas:

  • Suficientes conversiones pasadas. Varios cientos de leads con resultado conocido (compró / no compró) es un punto de partida razonable; con menos, el modelo aprende ruido.
  • Las señales unidas a la persona correcta. Si el formulario, el email y la navegación viven en tres herramientas distintas y no se cruzan, el modelo solo ve una parte de cada lead. Aquí es donde entra un Customer Data Platform: resuelve la identidad y entrega el historial completo.
  • Métricas de acierto, no promesas. Pide al proveedor cómo mide el modelo: una curva ROC o un AUC por encima de 0,8, y la comparación entre la conversión del decil con mayor puntuación y la media. Si el 10 % mejor puntuado convierte tres veces más que la media, el modelo está haciendo su trabajo.

Lead scoring en B2B y en B2C

El término viene del B2B, donde cada lead es una oportunidad trabajada por una persona. Pero la misma lógica se aplica en B2C con otro nombre: propensión de compra. Un retailer con tienda y ecommerce no puntúa «leads», puntúa a sus clientes y suscriptores para decidir quién recibe la campaña, quién la oferta y quién nada. Los modelos son los mismos; cambia el volumen y el canal de activación.

Y en empresas con los dos tipos de cliente, la puntuación necesita funcionar a dos niveles: la persona que navega y la empresa a la que pertenece. FLYDE resuelve ambas identidades sobre el mismo dato, de modo que el score de una cuenta recoge las señales de todos sus contactos.

Cómo lo hace FLYDE: Lead2Customer

Lead2Customer es el modelo de lead scoring predictivo de FLYDE. Se entrena con tu histórico de conversiones, puntúa cada lead con una probabilidad de conversión que se actualiza con cada interacción y muestra sus métricas de acierto en la propia plataforma, para que sepas cuánto fiarte de él.

Como FLYDE es un CDP, el modelo trabaja sobre el perfil unificado: la navegación anónima se incorpora cuando el usuario se identifica y la compra posterior sirve para re-entrenar. La puntuación sale a tu CRM, a tu herramienta de email y a tus campañas, y desde FLYDE Brain puedes preguntar en lenguaje natural «¿qué leads de más del 60 % no han sido contactados esta semana?» y obtener la lista.

Cómo ponerlo en marcha en cinco pasos

  1. Define la conversión. ¿Qué cuenta como éxito: una reunión, una compra, un contrato? El modelo predice exactamente lo que le enseñas.
  2. Reúne el histórico. Exporta los leads de los últimos 12–24 meses con su resultado y sus interacciones. Si están en tres herramientas, este paso es el que más tiempo lleva y el que más vale.
  3. Entrena y mide. Deja que el modelo aprenda y compara su predicción con lo que pasó en un periodo que no ha visto. Si el decil superior no convierte claramente más que la media, revisa los datos antes de seguir.
  4. Activa con umbrales. Decide qué pasa en cada tramo: más del 60 %, llamada en 24 horas; 30–60 %, secuencia de email; menos del 30 %, nutrición. Mantén los umbrales simples y revisables.
  5. Cierra el ciclo. Devuelve al modelo el resultado de cada lead contactado. Sin este paso, el modelo deja de aprender y vuelve a ser una tabla de puntos con mejor aspecto.

Errores frecuentes en lead scoring

  • Puntuar sin acordar con ventas qué es un lead cualificado. Si marketing y ventas no comparten la definición, el umbral no significa nada.
  • No restar nunca. Sin puntos negativos ni caducidad, un lead que estuvo activo hace un año sigue pareciendo caliente.
  • Medir solo con la intuición. Sin comparar la conversión por tramos de puntuación, no sabes si el modelo acierta.
  • Dejar fuera la navegación anónima. Mucha intención se muestra antes de rellenar el primer formulario; un CDP la recupera al identificar al usuario.

Preguntas frecuentes

¿Qué es un buen lead score? Depende de la escala, pero la referencia útil no es el número sino la conversión: un modelo funciona si los leads del tramo más alto convierten varias veces más que la media. En una escala de 0 a 100, lo habitual es pasar a ventas a partir de 60 o 70.

¿Cómo se calcula el lead scoring? En el modelo de puntos, sumando puntos por perfil y comportamiento y restando por señales negativas. En el modelo con IA, un algoritmo entrenado con tu histórico calcula la probabilidad de que cada lead convierta en un plazo dado y la expresa como puntuación.

¿Cuántos leads necesito para que el lead scoring con IA funcione? Como orientación, varios cientos de leads con resultado conocido. Con menos volumen, un modelo sencillo de puntos bien mantenido puede ser mejor opción hasta que acumules historial.

¿El lead scoring predictivo sustituye al CRM? No. El CRM sigue siendo donde ventas trabaja cada lead; el modelo le indica a cuál dedicarse primero y por qué. Lo habitual es que la puntuación aparezca como un campo más en la ficha del CRM.

¿Qué diferencia hay entre lead scoring y propensión de compra? Son el mismo tipo de modelo aplicado a públicos distintos: leads en B2B, clientes y suscriptores en B2C. En ambos casos el resultado es una probabilidad de conversión por persona.

Qué ganas

Ventas deja de perseguir leads que no van a comprar y llega a los que sí antes de que se enfríen. Marketing deja de discutir pesos en una hoja de cálculo y mide el modelo con un número. Y la lista de «leads calientes» vuelve a ser una lista que alguien quiere llamar.

Si quieres ver cuántos de tus leads actuales tienen alta probabilidad de convertir, pide una demo y lo calculamos sobre una muestra de tus datos. Y si no sabes si tu dato está listo para un modelo así, el autodiagnóstico te lo dice en dos minutos.

Autodiagnóstico gratuito

¿Tu empresa necesita una plataforma de datos de cliente?

Doce preguntas, dos minutos y sin registro. Obtén al instante tu nivel de madurez en datos de cliente y las tres prioridades por las que conviene empezar.

Hacer el autodiagnóstico
Sigue leyendo

Más del blog de FLYDE

Estrategias de marketing, datos propios e IA para equipos de marketing. Sin humo.

¿Empezamos?

Dedícanos 15 minutos y descubre cuánto puede descomplicar FLYDE tu día a día.

¿Hablamos?