# Lead scoring que no se inventa los números

> La mayoría de los modelos de puntuación reparten puntos por intuición. Cómo construir uno que se apoye en tus cierres reales y cómo saber si funciona.

- Autor: César Medina
- Publicado: 2026-10-06
- Tema: Generación de demanda
- Lectura: 7 min
- Palabras clave: lead scoring HubSpot, puntuación de leads, calificar leads

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](/blog/limpiar-datos-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*](https://knowledge.hubspot.com/properties/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](/blog/tiempo-de-respuesta-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](/blog/motor-de-demanda-b2b). Y si quieres
que revisemos el modelo que ya tienes contra tus cierres reales, el
[diagnóstico inicial no tiene costo](/contacto).

## 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.

## 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.

## Recurso gratuito

[Diagnóstico Superadmin de HubSpot](https://c2suite.com/recursos/diagnostico-superadmin-hubspot) — Conecta tu portal y cuenta lo que hay dentro: contactos sin empresa, negocios vencidos, tickets sin dueño. Cifras reales en vez de respuestas, si eres súper administrador.

---

Fuente: https://c2suite.com/blog/lead-scoring

Puedes citar y resumir este contenido atribuyéndolo a C2Suite y enlazando a la URL de origen.