Lead scoring é o processo de atribuir pontos a leads com base em características do perfil (fit) e comportamento (engajamento) — para que o time de vendas saiba em quais oportunidades focar e o marketing saiba quando um lead está pronto para ser transferido.

Sem lead scoring, o problema clássico se repete: vendas reclama que os leads de marketing são ruins, marketing reclama que vendas não trabalha os leads. O scoring cria critério compartilhado.

Os dois eixos do lead scoring B2B

Eixo 1 — Fit (perfil demográfico/firmográfico)

Mede o quanto o lead se parece com o ICP. Independente do comportamento, um lead pode ser muito qualificado ou completamente fora do perfil:

• Setor: +20 pontos se for setor prioritário; -10 se for setor fora do ICP
• Tamanho da empresa: +15 se for o tamanho certo; -15 se for empresa muito pequena ou grande demais
• Cargo: +25 se for decision-maker (CEO, CMO, VP); +10 se for influenciador; 0 se for júnior sem poder de compra
• Localização: +5 se for mercado prioritário; neutro ou negativo se for fora do alcance operacional

Eixo 2 — Engagement (comportamento)

Mede o interesse atual do lead. Alto engajamento sem bom fit = lead entusiasmado mas errado. Bom fit sem engajamento = prospect frio que precisa de nutrição:

• Visita à página de pricing/contato: +20 pontos (alta intenção)
• Download de conteúdo bottom-of-funnel (case, proposta): +15
• Abertura de email: +3
• Clique em email: +5
• Assistir webinar: +10
• Inatividade por 30+ dias: -10

Definindo os thresholds de MQL e SQL

O scoring só funciona se existem limites claros que definem quando um lead muda de status:

• 0-29 pontos: Lead frio — entrar em nutrição, não incomodar vendas
• 30-59 pontos: Lead morno — marketing continua nutrindo, monitorar evolução
• 60+ pontos: MQL — marketing entrega para vendas qualificar
• MQL + call de discovery positiva: SQL — vendas confirma que é oportunidade real

Os thresholds precisam ser calibrados com dados reais: analise os leads que fecharam nos últimos 12 meses e veja qual era o score médio quando foram passados para vendas. Se o threshold está muito baixo, vendas recebe lixo. Se está muito alto, a taxa de MQL cai e o pipeline resseca.

Lead scoring preditivo vs. baseado em regras

• Baseado em regras: o modelo descrito acima — humanos definem os pesos. Bom para começar, fácil de entender e ajustar
• Preditivo: machine learning analisa os dados históricos de leads que fecharam e que não fecharam e aprende quais características realmente predizem conversão. Mais preciso, mas requer volume de dados (mínimo 500-1.000 leads com desfecho conhecido)

Para a maioria das empresas B2B brasileiras, o modelo baseado em regras é suficiente e mais fácil de implementar. O preditivo vale quando há CRM bem alimentado há pelo menos 2 anos.

Implementando lead scoring na prática

• Passo 1: Definir o ICP com precisão — sem ICP claro, não é possível definir o que é "fit"
• Passo 2: Listar os comportamentos possíveis e atribuir pesos com base em correlação com fechamento
• Passo 3: Configurar no CRM ou MAP (HubSpot, RD Station, Salesforce, etc.)
• Passo 4: Definir os thresholds e o SLA de resposta para MQLs (ex: vendas tem 24h para primeiro contato com MQL)
• Passo 5: Calibrar mensalmente — revisar se os MQLs que viraram SQL realmente tinham scores altos

Lead scoring bem implementado é o que transforma geração de demanda B2B em pipeline previsível — sem ele, o volume de leads não se converte em receita porque não há critério de priorização.