Lead scoring que no se inventa los números

Se construye al revés de como suele hacerse: primero se miran los negocios que ya se cerraron, se busca qué tenían en común antes de cerrarse, y solo entonces se reparten los puntos. Un modelo que empieza en una junta repartiendo puntos por intuición produce una lista ordenada que nadie usa.

Puntos clave

• Los puntos salen de consultar tus cierres del último año, no de estimar en una reunión.
• La puntuación predictiva de HubSpot estima la probabilidad de cerrar dentro de 90 días, no si el lead es bueno en general.
• HubSpot no publica ningún mínimo de datos para que el modelo predictivo funcione. En bases pequeñas, trátalo como hipótesis.
• Si la puntuación de los ganados y la de los perdidos se parecen, el modelo no separa nada.

¿Por qué la mayoría de los modelos no se usan?

Porque no separan. Y un modelo que no separa produce una lista donde los primeros veinte leads son tan buenos como los siguientes veinte, así que el vendedor deja de mirarla y vuelve a su criterio.

Eso pasa casi siempre por la misma razón: los puntos se repartieron en una reunión. Alguien propuso que abrir tres correos vale diez puntos y visitar la página de precios vale veinte, todos asintieron porque suena razonable, y nadie comprobó si los que compran hicieron esas cosas.

El problema no es que las estimaciones estén mal. Es que nadie sabe si están bien, y por lo tanto nadie puede arreglarlas cuando el modelo falla.

¿De dónde salen los puntos entonces?

De una consulta sobre tus propios cierres.

El ejercicio cabe en una tarde si los datos están razonablemente limpios. Se toman los negocios ganados del último año y los perdidos del mismo periodo, y por cada señal candidata se cuenta qué proporción de cada grupo la tenía.

Señal	Ganados que la tenían	Perdidos que la tenían
Visitó la página de precios	62%	44%
Descargó un documento	51%	49%
Empresa de más de 50 empleados	71%	38%
Vino de referencia	34%	9%

Los números de esa tabla son un ejemplo de cómo se ve el ejercicio, no datos de nadie. Lo que importa es leerla: una señal que aparece igual en los dos grupos, como la descarga del documento, no separa nada y no debería puntuar. Una que aparece cuatro veces más en los ganados, como la referencia, vale mucho más que lo que la intuición le habría dado.

Esa lectura es todo el método. No hace falta estadística formal para descartar lo que no discrimina, y descartar es la mitad del valor: un modelo con cuatro señales que separan funciona mejor que uno con quince donde once son ruido.

¿Y si mis datos no dan para eso?

Entonces la puntuación es provisional y conviene decirlo en voz alta.

Con menos de cien negocios cerrados en el periodo, las proporciones se mueven demasiado con cada caso. Ahí el modelo se arma igual, pero se trata como una hipótesis que se revisa cada trimestre en lugar de como una verdad que se configura y se olvida.

Lo que no funciona es esperar a tener datos suficientes sin hacer nada. Un modelo provisional puesto hoy empieza a generar la información que necesitas para mejorarlo; esperar seis meses no genera nada.

Y hay un requisito previo del que depende todo esto: si los registros están duplicados o a medio llenar, cualquier proporción que calcules es falsa. La limpieza va antes, y el orden está en cómo limpiar los datos de tu CRM.

¿Y la puntuación predictiva de HubSpot?

Sirve, pero predice algo más concreto de lo que la gente supone.

Su documentación lo define como «the probability that your open contacts will close as customers within 90 days». No dice que el lead sea bueno: dice que probablemente cierra este trimestre. Un lead excelente con un ciclo de compra de ocho meses puntúa bajo, y eso es correcto según lo que la propiedad mide, aunque sea justo lo contrario de lo que el vendedor entiende al verlo.

Dos cosas más antes de apoyarse en ella. La primera es que está solo en Marketing Hub Enterprise y Sales Hub Enterprise, así que en muchos portales no es una opción y la conversación termina ahí.

La segunda es que HubSpot no publica ningún mínimo de datos para que el modelo produzca una puntuación con base. Busqué esa cifra en su documentación y no está. Eso no significa que el modelo no funcione: significa que no hay forma de auditar si el tuyo tiene material suficiente. En una base pequeña, la salida conviene contrastarla contra los cierres reales antes de dejar que ordene el día de nadie.

Fuente: HubSpot, Determine likelihood to close with predictive lead scoring, consultada el 31 de agosto de 2026.

¿Cómo sé si el modelo funciona?

Comparando dos distribuciones cada trimestre.

Se toman los negocios cerrados del trimestre, se mira qué puntuación tenían cuando eran leads, y se hace lo mismo con los perdidos. Si las dos nubes de puntos se solapan casi por completo, el modelo no está separando y hay que rehacerlo, lleve el tiempo que lleve funcionando.

Si separan, el segundo número que interesa es dónde poner el corte. No hay un umbral universal: depende de cuántos leads puede atender tu equipo. El corte correcto es el que produce una cola de trabajo que el equipo pueda agotar en un día, porque una lista que nunca se termina se deja de mirar igual que una que no separa.

Y una advertencia sobre la velocidad, que es la otra mitad de este tema. Una puntuación excelente no sirve de nada si el lead con noventa puntos espera cuatro horas a que alguien lo vea. Cuánto tarda la mayoría de las empresas y cómo medir lo tuyo está en cuánto tarda tu equipo en contactar un lead.

Cómo se ve uno que sí se usa

Pocas señales, todas justificables con una consulta, un corte que produce una lista que se acaba, y una revisión trimestral que a veces termina en «esto ya no separa, hay que cambiarlo».

Ese último punto es el que distingue un modelo vivo de uno decorativo. Los modelos de puntuación caducan porque el mercado cambia y porque tu propia oferta cambia. Uno que lleva tres años sin tocarse casi siempre está midiendo la empresa que fuiste.

El recorrido completo, desde el formulario hasta la conversación, está en cómo se arma un motor de demanda B2B. Y si quieres que revisemos el modelo que ya tienes contra tus cierres reales, el diagnóstico inicial no tiene costo.

Preguntas frecuentes

¿Cuántos puntos le pongo a cada acción? Los que salgan de mirar tus cierres del último año, no los que parezcan razonables. El método es contar qué proporción de los que hicieron cada acción acabó comprando y repartir el peso según eso. Si el número sale de una junta y no de una consulta, es una opinión con decimales.

¿Qué predice la puntuación predictiva de HubSpot? La probabilidad de que un contacto abierto cierre como cliente dentro de los próximos 90 días. No dice si el lead es bueno en abstracto: dice si probablemente cierra este trimestre. Son cosas distintas y se usan distinto.

¿Cuántos datos hacen falta para la puntuación predictiva? HubSpot no publica ningún mínimo, y esa ausencia importa. Sin un umbral declarado no hay forma de saber si tu modelo tiene base suficiente, así que en bases pequeñas conviene tratar la puntuación como una hipótesis y contrastarla contra los cierres reales antes de dejarla decidir.

¿Cada cuánto se revisa el modelo? Una vez por trimestre, comparando la puntuación que tenían los negocios cerrados contra la que tenían los perdidos. Si las dos distribuciones se parecen, el modelo no está separando nada y hay que rehacerlo aunque lleve dos años funcionando.