Lead scoring: como construir

Por que a maioria dos modelos nasce ruim

A pontuação de contatos é uma daquelas operações em que o passo inicial sai quase sempre errado — e nem por isso a equipe se dá conta. A configuração padrão da plataforma é aceita sem questionamento; pesos são chutados ("cargo C-level vale 20 pontos, baixar ebook vale 10"); o limite de contato qualificado é definido por intuição; e o modelo segue rodando por meses sem nenhuma validação contra dado real. O número exibe-se no CRM com aparência de precisão, mas é apenas opinião travestida de algoritmo.

O problema fica visível quando vendas começa a desconfiar. Contato com pontuação 85 que pede para sair da lista de qualificados; contato com pontuação 40 que assina contrato em duas semanas. A pontuação não está prevendo nada — está apenas refletindo o que a equipe achou que predizia, quando montou o modelo no primeiro mês.

Este artigo defende um caminho de construção realista: começar com modelo simples baseado em encaixe com perfil ideal de cliente, validar com taxa de fechamento real por faixa de pontuação, refinar pesos com base nessa evidência e — apenas quando volume justificar — considerar modelo preditivo. Saltar etapas é a forma mais comum de gastar muito tempo construindo número que ninguém usa.

As duas dimensões do modelo

Toda arquitetura de pontuação combina dois eixos, e a clareza sobre cada um é o ponto inicial.

Firmográfica. Dados estruturais sobre a empresa e a pessoa: porte, faturamento, vertical, geografia, tempo de mercado, cargo do contato, área funcional, nível de senioridade. São dados que mudam pouco e respondem à pergunta "esta é a empresa e a pessoa certas para nosso produto?" — ou seja, o encaixe com o perfil ideal de cliente.

Comportamental. Dados de interação com a marca: aberturas e cliques de email, páginas visitadas, conteúdo baixado por estágio de funil, participação em evento, pedido de demonstração ou avaliação, retorno a páginas-chave, tempo de sessão, retornos múltiplos. São dados que variam no tempo e respondem à pergunta "esta pessoa está demonstrando intenção agora?".

Operações maduras mantêm as duas dimensões separadas no CRM — uma pontuação de encaixe (firmográfica) e uma pontuação de intenção (comportamental), cada uma em escala 0-100 — e o limite de contato qualificado combina ambas (por exemplo: encaixe acima de 60 e intenção acima de 50). Manter unificado num número só esconde informação útil: contato com encaixe alto e intenção baixa pede nutrição; contato com encaixe baixo e intenção alta pede descarte ou validação adicional; só quando ambas são altas o contato é candidato a vendas.

O modelo de regras: arquitetura simples e auditável

Modelo de regras é a versão manual em que a equipe define critérios, atribui pontos a cada um e soma. É a arquitetura adequada para a maioria das operações brasileiras — transparente, configurável em qualquer plataforma de automação e ajustável conforme se aprende.

Exemplo numérico de modelo de regras com 10 critérios:

Firmográfica (encaixe):

Porte da empresa entre 50 e 500 funcionários (perfil ideal): +20 pontos

Setor dentro de lista alvo: +15 pontos

Cargo de diretoria ou C-level: +20 pontos

Cargo gerencial ou de coordenação: +10 pontos

Geografia dentro da área atendida: +10 pontos

Comportamental (intenção):

Baixou material de fundo de funil (comparativo, planilha pronta): +15 pontos

Baixou material de meio de funil (guia prático): +10 pontos

Visitou página de preço: +15 pontos

Abriu três ou mais emails da campanha: +5 pontos

Solicitou demonstração: +30 pontos

Pesos negativos:

Domínio de email de empresa concorrente: -50 pontos

Cargo de estudante ou estagiário: -20 pontos

Empresa abaixo de 10 funcionários (fora do perfil): -15 pontos

Geografia fora da área atendida: -10 pontos

Sem engajamento (abertura, clique, visita) por 30 dias: -5 pontos

Os números acima são ilustrativos, não receita pronta — cada operação precisa calibrar conforme o próprio contexto. O ponto importante é a estrutura: pesos positivos por sinal de interesse, pesos negativos por sinal contrário, decaimento por inatividade, soma por contato.

Calibragem: como saber se os pesos estão certos

Pesos arbitrários são o vício mais comum do modelo de regras. A equipe define "cargo C-level vale 20 porque é importante" — mas será que vale 20, 30 ou 10? A única forma de descobrir é olhar o histórico.

Procedimento de calibragem em três passos, executável em qualquer operação com pelo menos 50 oportunidades fechadas no histórico:

Passo 1 — segmentar contatos fechados por faixa de pontuação. Exportar os contatos que viraram cliente nos últimos 12 meses, junto com a pontuação que tinham quando viraram contato qualificado. Agrupar em faixas (0-40, 41-60, 61-80, 81-100). Calcular taxa de fechamento (clientes / contatos qualificados) por faixa.

Passo 2 — comparar com taxa esperada. A taxa de fechamento deveria ser crescente — faixa de pontuação mais alta deveria ter taxa de fechamento maior do que faixa mais baixa. Quando a relação não é monotônica (faixa intermediária convertendo mais que a faixa mais alta), há indício de problema no modelo.

Passo 3 — identificar critérios sub ou super valorizados. Para os clientes fechados, qual a distribuição de critérios atendidos? Se 70% dos fechados tinham "visitou página de preço" mas o critério vale apenas 5 pontos, ele está sub-valorizado — ajustar para 15 ou 20. Se "abriu três emails" aparece em 40% dos contatos qualificados e em apenas 35% dos fechados, está super-valorizado.

O exercício de calibragem é trabalhoso na primeira vez (4 a 8 horas), mas vira rotina trimestral de 1 a 2 horas. Sem ele, o modelo de regras vira opinião sustentada por tempo.

Decaimento (decay) por inatividade

Decaimento é a regra que reduz a pontuação ao longo do tempo sem engajamento. Sem decaimento, contato que engajou intensamente há seis meses e desapareceu continua com pontuação alta — fenômeno que distorce análises e induz vendas a contatos frios.

Configurações típicas:

Decaimento linear suave. O contato perde X pontos a cada Y dias sem engajamento. Por exemplo: -3 pontos a cada 30 dias sem abertura, clique ou visita. Modelo mais simples e o mais comum.

Decaimento por evento. O contato perde pontos quando ocorre evento específico — não abriu última campanha, não respondeu ao último email, retornou erro em endereço de email. Modelo mais granular.

Reset por inatividade prolongada. Contato sem qualquer engajamento por 180 dias tem pontuação zerada (ou marcada para descarte). Modelo agressivo, útil para limpar a base.

A escolha entre os três depende do ciclo médio de compra. Produtos B2B de venda complexa (com ciclo de 6-12 meses) toleram decaimento lento; produtos de ciclo curto (consumo B2B, B2C) pedem decaimento rápido. Em qualquer caso, decaimento configurado por padrão é mais saudável que ausente.

Modelo preditivo: quando faz sentido e quando não

Modelo preditivo substitui regras manuais por um algoritmo de aprendizado de máquina treinado sobre o histórico de oportunidades fechadas e não fechadas. O algoritmo identifica combinações de variáveis que melhor preveem fechamento — combinações que humanos não enxergam porque envolvem interações complexas (cargo X, em vertical Y, com sinal comportamental Z).

Critérios para fazer sentido:

Volume mínimo de dados para treinamento: na prática, pelo menos 1.000 oportunidades fechadas e 1.000 não fechadas nos últimos 12-24 meses. Modelos preditivos com menos dados sofrem com superajuste (em inglês, overfitting) — aprendem padrões aparentes em dado escasso que não se confirmam na operação real.

Maturidade na versão de regras: a equipe já dominou um ciclo completo de calibragem manual e entende quais sinais são relevantes. Migrar direto para preditivo sem essa base é como saltar de bicicleta para moto sem aprender a andar.

Capacidade de ciência de dados: alguém precisa entender o modelo, monitorar seu desempenho, identificar quando ele está deteriorando e ajustar a engenharia de variáveis. Em operações pequenas, isso costuma faltar — o modelo vira caixa-preta.

Ferramentas adequadas: HubSpot Marketing Hub Enterprise, Marketo Engage com pontuação preditiva, Salesforce Einstein, Pardot Einstein e plataformas como 6sense oferecem pontuação preditiva nativa, escondendo parte da complexidade técnica.

Para a grande maioria das operações brasileiras médias, o modelo de regras bem calibrado tem custo-benefício superior ao preditivo. Migrar para preditivo é decisão de empresas grandes com volume contínuo de centenas a milhares de fechamentos por ano e maturidade operacional consolidada.

Ferramentas de pontuação no mercado brasileiro

RD Station Marketing. Plataforma brasileira líder no segmento de PME e empresa média. Pontuação por regras nativa, decaimento configurável, segmentação por encaixe e intenção. Modelo preditivo limitado.

HubSpot Marketing Hub. Plataforma com cobertura ampla, desde tier gratuito até Enterprise. Pontuação por regras em todos os planos; pontuação preditiva no plano Enterprise. Forte integração com CRM nativo.

Marketo Engage (Adobe). Plataforma enterprise com pontuação por regras sofisticada e pontuação preditiva treinada. Indicada para operações grandes com volume contínuo.

Pardot (Salesforce Marketing Cloud Account Engagement). Integrada nativamente ao Salesforce. Pontuação por regras e por categoria, pontuação preditiva via Einstein.

ActiveCampaign. Boa para operações médias com foco em automação. Pontuação por regras nativa, sem preditivo.

A escolha da ferramenta segue o tamanho da operação e o investimento disponível. Para PMEs brasileiras, RD Station Marketing e HubSpot tier gratuito/Starter são os pontos de partida mais comuns. Para empresa média e grande, HubSpot Pro/Enterprise, Marketo e Pardot dominam.

Erros comuns na construção do modelo

Pesos arbitrários sem validação. Equipe define pontos por intuição e nunca confronta com taxa real de fechamento. Solução: calibragem trimestral contra histórico.

Sem decaimento. Contatos antigos acumulam pontuação e poluem o painel. Solução: configurar decaimento padrão (-3 a -5 pontos a cada 30 dias sem engajamento).

Sem pesos negativos. Modelo só soma. Concorrentes, estudantes e contatos fora do perfil ficam com pontuação razoável. Solução: definir pontuação negativa explícita.

Limite fixo sem revisão. O limite definido inicialmente permanece o mesmo por anos. Solução: revisar a cada trimestre com base em taxa de aceitação por vendas e taxa de conversão.

Modelo opaco. Pesos e regras não estão documentados em local acessível à operação. Vendedores não confiam no número. Solução: documentar o modelo em uma página, acessível ao time.

Migração precoce para preditivo. Volume insuficiente, equipe sem maturidade, e o modelo preditivo é configurado por moda. Vira caixa-preta. Solução: dominar regras por pelo menos um ano antes de considerar preditivo.

Único modelo para produtos muito diferentes. Uma empresa com portfólio variado força um modelo único, que se torna média ruim para todos. Solução: modelos separados quando o produto, ciclo e perfil de comprador divergem significativamente.

LGPD e a base legal da coleta comportamental

A coleta de dados comportamentais que alimentam a pontuação (rastreadores no site, pixels, registros de abertura de email) envolve dados pessoais sob a Lei Geral de Proteção de Dados. Três pontos exigem governança.

Base legal para rastreamento comportamental. Em geral, exige consentimento do titular dos dados — em formato explícito (banner de cookies com escolha ativa). Não vale presumir consentimento por permanência no site.

Base legal para dados profissionais declarados. Dados fornecidos pelo contato em formulário (nome, email, cargo, empresa) costumam estar amparados em legítimo interesse para fins de relacionamento comercial, declarado em política de privacidade.

Modelo preditivo e Artigo 20. O Artigo 20 da Lei Geral de Proteção de Dados prevê o direito do titular de solicitar revisão humana de decisões tomadas exclusivamente com base em tratamento automatizado de dados pessoais. Quando a empresa usa modelo preditivo, vale declarar em política de privacidade e manter processo formal para atender solicitações de revisão — particularmente em decisões que impactem o cliente (recusa, classificação, oferta).