Lead scoring que funciona: como sair da ficção científica

O problema que ninguém admite sobre lead scoring

Seu time de marketing envia 400 MQLs por mês para vendas. O diretor comercial reclama que "os leads são ruins". A gerente de marketing mostra o relatório de lead scoring e diz que "todos passaram pelo threshold de 80 pontos". O VP de receita olha os números e percebe que a taxa de conversão de MQL para oportunidade é de 6%. Seis por cento.

Alguém aqui está errado? Na verdade, todo mundo está certo — e é exatamente aí que mora o problema. O marketing está gerando volume, o scoring está funcionando conforme configurado, e vendas está recebendo lixo qualificado. O modelo de lead scoring virou um exercício de ficção científica: bonito no papel, desconectado da realidade.

Se isso soa familiar, você não está sozinho. A esmagadora maioria das empresas B2B que implementam lead scoring enfrenta exatamente esse cenário. O modelo foi criado numa reunião de alinhamento, alguém atribuiu pontos arbitrários ("abriu e-mail = 5 pontos, visitou a página de preços = 20 pontos, é C-level = 30 pontos"), e depois disso ninguém mais tocou no assunto. O resultado? Um sistema que gera uma ilusão de qualificação enquanto sua equipe de vendas perde tempo com leads que nunca vão comprar.

Lead scoring não é um projeto de configuração. É um sistema vivo que precisa de dados reais, feedback constante e coragem para jogar fora o que não funciona.

O que o mercado diz — e o que os dados realmente mostram

Os números em favor do lead scoring são sedutores. Segundo a Gartner, empresas que implementam lead scoring efetivo aumentam as taxas de conversão de leads em até 20%. A Forrester Research estima que empresas com modelos maduros de scoring geram 50% mais leads prontos para vendas a um custo 33% menor. A HubSpot reporta que organizações usando scoring conseguem alinhar marketing e vendas de forma mensurável.

Mas aqui está o detalhe que ninguém coloca no slide de apresentação: a palavra-chave é "efetivo". E a maioria dos modelos não é efetiva. Um estudo da SiriusDecisions (agora Forrester) revelou que aproximadamente 65% dos modelos de lead scoring falham em prever com precisão quais leads se tornarão clientes. Dois terços. Isso significa que a maioria das empresas que orgulhosamente dizem "nós temos lead scoring" está operando com um modelo que não funciona melhor do que um chute educado.

A Nucleus Research estima que CRMs bem implementados retornam entre U$5,60 e U$8,71 para cada dólar investido. Mas — como discutimos em detalhe no artigo sobre problemas de adoção de CRM — essa estatística esconde a realidade de que 30 a 50% das implementações de CRM falham em atingir seus objetivos. Lead scoring, sendo um dos recursos mais complexos de um CRM, sofre ainda mais com essa taxa de falha.

No cenário global, a adoção de predictive lead scoring (modelos baseados em machine learning) está crescendo. A Salesforce, a HubSpot e a Marketo oferecem versões nativas. Mas de acordo com dados da Demand Gen Report, apenas 21% dos profissionais de marketing B2B dizem que seus modelos de scoring são "muito eficazes". A maioria classifica os seus como "moderadamente eficazes" — que é um eufemismo corporativo para "não sei se funciona, mas não quero admitir".

Por que a maioria dos modelos de lead scoring vira ficção científica

Se a tecnologia existe, os dados estão no CRM e o conceito faz sentido lógico, por que a maioria dos modelos falha? Depois de analisar dezenas de implementações, os padrões de falha são surpreendentemente consistentes.

1. Pontuações baseadas em opinião, não em dados

O cenário clássico: uma sala de reunião com marketing, vendas e talvez alguém de operações. Alguém abre uma planilha e pergunta: "quanto vale um download de e-book?". O gerente de marketing diz 10 pontos. O SDR diz 2. O VP de vendas diz zero. Negociam e chegam em 5. Nenhum desses números tem qualquer relação com a realidade.

A verdade incômoda é que a maioria dos modelos de scoring é construída por consenso político, não por análise retroativa de dados. Ninguém parou para responder a pergunta que importa: "dos leads que se tornaram clientes nos últimos 12 meses, quais ações e características eles tinham em comum?"

2. Confundir engajamento com intenção de compra

Uma pessoa que baixou 7 e-books, abriu 15 e-mails e visitou 22 páginas do blog é um lead quente? Não necessariamente. Pode ser um estudante fazendo TCC. Pode ser um concorrente fazendo benchmarking. Pode ser alguém que adora seu conteúdo mas trabalha numa empresa que nunca vai comprar de você.

Engajamento com conteúdo e intenção de compra são coisas completamente diferentes. Mas a maioria dos modelos trata como se fossem a mesma coisa, empilhando pontos por cada interação sem questionar se aquela interação tem qualquer correlação com fechamento de negócio.

3. Ignorar sinais negativos

Modelos de scoring adoram somar pontos. Raramente subtraem. Mas a realidade é que existem sinais fortíssimos de que um lead NÃO vai comprar: usou e-mail pessoal, é de um segmento que você não atende, está num país onde você não opera, cancelou a inscrição em um evento, não respondeu 3 follow-ups seguidos. Esses sinais negativos são tão (ou mais) informativos quanto os positivos.

4. Ausência total de feedback loop

O modelo foi configurado em janeiro. Estamos em outubro. Ninguém revisou. Ninguém verificou se os leads com score alto realmente estão convertendo mais do que os com score baixo. Sem um ciclo de feedback — onde o resultado real (closed-won vs. closed-lost) retroalimenta o modelo — o scoring se degrada com o tempo como um carro sem manutenção. Este é, na minha visão, o erro mais grave e o mais comum.

5. Complexidade excessiva desde o dia um

Algumas empresas tentam construir o modelo perfeito logo de cara: 47 critérios, pesos decimais ("visita à página de preços entre 14h e 17h = 3,7 pontos"), integrações com 5 ferramentas diferentes. O resultado é um sistema tão complexo que ninguém entende, ninguém mantém e ninguém confia. Se você está em dúvida sobre quantas ferramentas realmente precisa para isso funcionar, recomendo a leitura sobre o stack de RevOps enxuto — a resposta pode ser mais simples do que você imagina.

O Framework Signal Stack: lead scoring que respeita a realidade

Depois de ver modelos falharem pelos mesmos motivos repetidamente, cheguei a uma conclusão: o problema não é lead scoring como conceito. O problema é que construímos modelos de scoring como se estivéssemos montando uma simulação teórica, quando deveríamos estar montando um sistema de detecção de sinais. Daí nasceu o que chamo de Signal Stack.

A ideia central é simples: em vez de tentar prever o comportamento futuro de um lead com um único número (o score), você empilha camadas de sinais com pesos diferentes e atualiza continuamente com base em resultados reais. Cada camada filtra progressivamente, como uma peneira com malhas cada vez mais finas.

Repare na distribuição de pesos. Fit sozinho representa quase metade do score. Isso é contra-intuitivo para a maioria dos times de marketing, que naturalmente querem valorizar engajamento (afinal, é o que eles controlam). Mas a análise retroativa de deals fechados em praticamente qualquer empresa B2B mostra a mesma coisa: fit é o maior preditor de conversão. Um lead perfeito em perfil que visitou 3 páginas converte mais do que um lead fora de perfil que baixou 10 e-books.

Os princípios do Signal Stack

1. Retroativo primeiro, preditivo depois — Antes de definir qualquer peso, analise seus últimos 50-100 closed-won deals. Quais eram os cargos? Os setores? Os tamanhos de empresa? Que páginas visitaram? Em quanto tempo converteram? O modelo nasce dos dados, não de opiniões.
2. Sinais negativos têm peso igual ou maior — Para cada critério positivo, defina pelo menos um negativo. E-mail pessoal: -20. Setor incompatível: -50. Sem atividade em 30 dias: decay de 25% no score.
3. Decay temporal obrigatório — Todo score de engajamento perde valor com o tempo. Um lead que visitou sua página de preços há 3 meses não está mais "quente". Configure decay automático (a HubSpot e a maioria das plataformas de marketing automation suportam isso).
4. Threshold duplo, não único — Em vez de um único número mágico ("acima de 80 é MQL"), use dois gates: o lead precisa atingir um score mínimo de Fit E um score mínimo de comportamento. Isso evita que leads fora de perfil mas muito engajados passem pelo filtro.
5. Revisão trimestral obrigatória — A cada 90 dias, compare: os leads com score alto estão convertendo mais do que os com score baixo? Se não, o modelo está quebrado e precisa ser recalibrado.

Construindo cada camada na prática

Camada 1: Fit (perfil demográfico e firmográfico)

Esta é a base de tudo. Antes de medir o que um lead faz, você precisa saber se ele pode ser seu cliente. Os critérios típicos incluem:

O ponto crucial aqui: esses pesos NÃO devem ser inventados. Exporte seus closed-won dos últimos 12 meses e analise a distribuição. Se 80% dos seus clientes são empresas de 50 a 500 funcionários no setor de tecnologia, é isso que seu modelo deve refletir. Se seus melhores clientes são diretores de operações, não gerentes de marketing, os pesos precisam mostrar isso.

Camada 2: Engajamento (comportamento observável)

Aqui é onde a maioria das empresas começa — e é um erro começar aqui. Engajamento só faz sentido como camada de scoring quando o Fit já está definido. Os sinais de engajamento mais relevantes:

• Páginas de alta intenção visitadas: pricing, demo, contato, case studies (+10 a +20 cada)
• Frequência de visitas: 3+ visitas em 7 dias indica interesse ativo (+10)
• Recência: atividade nos últimos 7 dias vale mais do que atividade há 30 dias (aplique decay)
• Profundidade de sessão: visitou 5+ páginas em uma sessão (+8)
• Formulários preenchidos: pediu contato (+25), baixou material (+5)
• Participação em webinars/eventos: assistiu ao vivo (+12) vs. não assistiu (-2)

Note que eu não incluo abertura de e-mail como critério positivo. Com as mudanças de privacidade da Apple (Mail Privacy Protection) e de provedores corporativos, as taxas de abertura estão cada vez menos confiáveis como indicador — como discutimos no contexto de atribuição de marketing e seus problemas de mensuração. Cliques em e-mails ainda têm algum valor, mas aberturas sozinhas são ruído.

Camada 3: Intenção (sinais de compra ativa)

Esta é a camada que separa curiosidade de intenção real. Os sinais são mais raros, mas muito mais poderosos:

• Visita à página de preços: especialmente se repetida (+20)
• Solicitação de demo/trial: o sinal mais forte de todos (+30)
• Pesquisas de marca: chegou ao site buscando seu nome no Google (+15)
• Visita a páginas de comparação: "sua empresa vs. concorrente" (+18)
• Interação com calculadoras de ROI: se você tem uma (+20)
• Engajamento com conteúdo de fundo de funil: cases, depoimentos, implementação (+12)

Ferramentas de intent data (como Bombora, G2 Buyer Intent, 6sense) podem adicionar sinais externos — quando um lead está pesquisando ativamente seu tipo de solução em sites de terceiros. Isso é poderoso, mas adiciona custo e complexidade. Para a maioria das operações, começar com intent data interno (do próprio site e CRM) já é mais do que suficiente.

Camada 4: Timing (urgência e contexto temporal)

A camada mais difícil de capturar e a mais negligenciada. Timing é o que diferencia um lead que vai comprar em 30 dias de um que vai comprar em 18 meses. Sinais típicos:

• Trigger events: empresa acabou de receber funding, trocou de CEO, anunciou expansão (+20)
• Ciclo orçamentário: se você sabe que seu ICP planeja budget em Q4, leads que se engajam em Q3 são mais valiosos (+10)
• Velocidade de engajamento: lead que completou 5 ações em 3 dias vs. 5 ações em 3 meses — o primeiro está em ciclo ativo (+15)
• Declaração explícita: em formulários, perguntar "quando pretende avaliar uma solução?" — respostas de "este trimestre" valem +20

Case study: de 430 MQLs fantasmas a 112 leads reais

Imagine uma empresa de software de gestão financeira para PMEs, faturando cerca de R$ 18 milhões por ano, com time de vendas de 8 pessoas e operação de marketing que inclui 3 profissionais mais uma agência de performance. A empresa usa a HubSpot como CRM e plataforma de marketing.

O cenário inicial era familiar: o marketing gerava em média 430 MQLs por mês. O lead scoring era simples — pontuava downloads de e-book, aberturas de e-mail, cargo e tamanho de empresa. O threshold era 70 pontos. Todo lead acima disso virava MQL e era distribuído para o time de SDRs.

Os números reais pintavam um quadro desanimador:

• 430 MQLs/mês entregues ao time de vendas
• Taxa de conexão (SDR conseguiu falar): 22% (95 leads)
• Taxa de qualificação (virou oportunidade): 8% dos MQLs (34 oportunidades)
• Taxa de fechamento: 29% das oportunidades (10 deals/mês)
• Ticket médio: R$ 2.800/mês (R$ 33.600/ano)
• Tempo médio do SDR gasto em leads ruins: estimado em 60% do dia

O diretor comercial estava frustrado. Os SDRs estavam desmotivados. A gerente de marketing sentia que o trabalho dela não era valorizado. O custo de aquisição (CAC) estava em R$ 4.200 — insustentável para o ticket médio da empresa.

A intervenção: implementando o Signal Stack

Mês 1 — Análise retroativa. O primeiro passo foi exportar todos os 127 deals closed-won dos últimos 12 meses e mapear os padrões. Os resultados foram reveladores:

• 89% dos clientes eram empresas com 20-200 funcionários
• 76% estavam nos setores de serviços, comércio atacadista ou indústria leve
• O cargo mais comum na jornada de compra era diretor financeiro ou controller (68%)
• 91% dos clientes haviam visitado a página de preços pelo menos uma vez antes de pedir contato
• A mediana de tempo entre primeiro contato e closed-won era 47 dias
• Apenas 12% dos clientes haviam baixado mais de 2 e-books — desmistificando a ideia de que consumo de conteúdo era preditor de compra

Mês 2 — Redesenho do modelo. Com base nos dados retroativos, o novo modelo ficou assim:

O threshold duplo foi definido: Fit mínimo de 45 pontos E score comportamental mínimo de 35 pontos. Ambos precisavam ser atingidos para que o lead fosse classificado como MQL.

Mês 3 — Go-live e choque de realidade. No primeiro mês com o novo modelo, o número de MQLs caiu de 430 para 112. Uma queda de 74%. A reação inicial do time de marketing foi de pânico. O CEO perguntou se o marketing tinha "parado de funcionar". Foi preciso coragem para manter o modelo e explicar que 112 leads reais valem mais do que 430 fantasmas.

Meses 4-6 — Os resultados. Após 90 dias com o novo modelo:

• MQLs/mês: 112 (vs. 430 anterior)
• Taxa de conexão: 48% (vs. 22%) — SDRs conectavam com quase metade
• Taxa de qualificação (MQL→Opp): 31% (vs. 8%) — 35 oportunidades/mês
• Taxa de fechamento: 33% (vs. 29%) — 11,5 deals/mês
• Ticket médio: R$ 3.100/mês — 10% maior porque os leads tinham perfil mais adequado
• CAC: R$ 2.900 (vs. R$ 4.200) — redução de 31%

O resultado líquido: mais deals fechados (11,5 vs. 10), com ticket maior e CAC menor, usando menos tempo do time de vendas. Os SDRs, que antes passavam 60% do tempo em leads ruins, agora tinham conversas produtivas com potenciais clientes reais. A moral do time melhorou visivelmente.

Os 7 erros que sabotam lead scoring antes de começar

Além dos problemas estruturais que já discutimos, existem erros táticos que matam modelos de scoring na prática. Se você está montando ou revisando seu modelo, verifique se não está caindo em nenhum deles:

1. Tratar todos os formulários como iguais. Um lead que preencheu "solicitar demo" e um que preencheu "baixar infográfico sobre tendências" não devem receber a mesma pontuação. O primeiro está sinalizando intenção de compra; o segundo está sinalizando curiosidade. A diferença em pontuação deveria ser de pelo menos 4x a 5x.
2. Não considerar a jornada completa da conta. Em vendas B2B, raramente uma pessoa decide sozinha. Se três pessoas da mesma empresa estão engajando com seu conteúdo, isso é um sinal muito mais forte do que uma pessoa com engajamento alto. Se sua plataforma permite (a HubSpot permite via target accounts), considere scoring por conta, não apenas por contato.
3. Pontuar ações que o marketing forçou. Se seu time manda 4 e-mails por semana, cliques nesses e-mails são parcialmente resultado do volume, não do interesse genuíno do lead. Ajuste os pesos considerando a frequência de comunicação. Um clique quando você manda 1 e-mail por semana vale mais do que um clique quando você manda 20.
4. Esquecer que dados podem estar sujos. Se 30% dos seus contatos têm cargo preenchido como "outro" ou em branco, seu score de Fit será impreciso para quase um terço da base. Antes de implementar scoring, garanta que seus dados demográficos e firmográficos têm qualidade mínima. Isso remete diretamente ao problema que analisamos sobre adoção de CRM e qualidade de dados.
5. Definir o threshold sem testar. O número mágico (80 pontos, 100 pontos, etc.) não deve ser escolhido arbitrariamente. Faça um backtesting: aplique o modelo retroativamente aos últimos 6 meses e veja onde o threshold captura o maior número de clientes reais com o menor número de falsos positivos.
6. Não ter uma política de "score zero" ou desqualificação. Alguns leads devem ser automaticamente desqualificados independente do score: concorrentes, estudantes, empresas em segmentos que você não atende. Defina regras de exclusão que superam qualquer pontuação positiva.
7. Usar IA preditiva sem entender o modelo base. Plataformas como a HubSpot oferecem predictive lead scoring baseado em machine learning. É poderoso, mas é uma caixa-preta. Se você não entende por que um lead recebeu determinado score, não consegue diagnosticar quando o modelo falha. Comece com scoring manual, entenda os padrões, e só depois considere complementar com IA preditiva — como discutimos no artigo sobre IA em RevOps e a diferença entre o que funciona e o que é hype.

E se der errado? Cenários adversos e como reagir

Nenhum framework sobrevive ao contato com a realidade sem ajustes. Vamos abordar os cenários adversos mais prováveis:

"O volume de MQLs caiu drasticamente e o time de vendas está ocioso"

Isso vai acontecer nos primeiros 30-60 dias. É esperado e temporário. Se o time de vendas fica ocioso porque está recebendo menos leads ruins, o problema anterior era que vendas estava ocupado, não produtivo. Há uma diferença enorme. Use o tempo liberado para: prospecção outbound direcionada ao ICP, follow-up de oportunidades estagnadas no pipeline, upsell/cross-sell na base de clientes existentes.

"O CEO/board só olha para o número de MQLs e vai questionar a queda"

Este é um problema de métricas e comunicação, não de modelo. A solução é mudar a métrica de report: em vez de "MQLs gerados", reporte "MQLs que viraram oportunidades" e "receita gerada por MQL". Se possível, antecipe essa mudança antes de implementar o novo modelo. Apresente ao board o conceito de que MQL é uma métrica de vaidade se desconectada de pipeline e receita.

"Não temos dados históricos suficientes para análise retroativa"

Se sua empresa tem menos de 50 closed-won deals nos últimos 12 meses, a análise retroativa estatisticamente significativa é difícil. Alternativas: converse com os vendedores — pergunte quais características os melhores clientes têm em comum. Use os dados que existem, mesmo que poucos. Comece com um modelo mais simples (menos variáveis, pesos mais grosseiros) e refine conforme acumula dados. Um modelo imperfeito baseado em algum dado real é melhor do que um modelo sofisticado baseado em opiniões.

"O modelo funcionou no início mas depois parou de funcionar"

Isso é natural e esperado. O mercado muda, seu ICP pode evoluir, novos concorrentes aparecem, a sazonalidade afeta o comportamento dos leads. É por isso que revisão trimestral é obrigatória, não opcional. A cada 90 dias, recalcule as correlações e ajuste os pesos. Lead scoring não é "configure e esqueça" — é um sistema vivo.

"Marketing e vendas discordam sobre a qualidade dos leads"

Implemente um processo formal de feedback. O SDR que recebe o lead deve marcar em até 48 horas se o lead era "qualificado", "parcialmente qualificado" ou "desqualificado", com motivo. Esse feedback retroalimenta o modelo. Sem esse mecanismo, marketing e vendas vão continuar discordando eternamente — com opiniões em vez de dados.

Quando lead scoring NÃO é a resposta certa

Talvez a parte mais honesta deste artigo: existem situações em que implementar lead scoring é um desperdício de tempo e recursos.

Você gera menos de 100 leads por mês. Se o volume é baixo, um SDR atento pode avaliar cada lead manualmente com mais nuance do que qualquer modelo automatizado. Lead scoring brilha em escala — quando o volume torna inviável a avaliação humana individual.

Seu ciclo de vendas é puramente enterprise/outbound. Se 90% dos seus deals vêm de prospecção ativa, ABM e networking, o inbound lead scoring vai qualificar uma parcela irrelevante do seu pipeline. Nesses casos, invista em account scoring e intent data por conta, não por lead individual.

Você não tem dados históricos e não tem paciência para construir. Se a empresa foi fundada há 6 meses, tem 15 clientes e quer um modelo preditivo perfeito, a resposta honesta é: você ainda não tem massa de dados para isso. Foque em entender qualitativamente seu ICP, documente os padrões que emergem, e implemente scoring quando tiver pelo menos 50-100 deals para analisar retroativamente.

Seu problema real é outro. Muitas empresas implementam lead scoring como band-aid para problemas mais profundos: messaging fraco, ICP indefinido, produto com fit ruim ao mercado, time de vendas sem treinamento. Score nenhum vai salvar um lead que nunca deveria ter chegado até você em primeiro lugar. Se quiser entender quais competências são necessárias para diagnosticar esse tipo de problema, vale a leitura sobre o que um profissional de RevOps precisa saber.

A verdade final: scoring é um processo, não um projeto

A maioria das empresas trata lead scoring como um projeto: tem início, meio e fim. Alguém configura, marca como "feito" no Jira, e segue para a próxima iniciativa. Esse mindset é a raiz da maioria das falhas.

Lead scoring é um processo contínuo. É um sistema de detecção de sinais que precisa ser calibrado, mantido e questionado permanentemente. Os pesos de hoje não serão os pesos certos em 6 meses. O ICP de hoje pode não ser o ICP de amanhã. O comportamento dos compradores muda, os canais evoluem, o mercado se transforma.

Se você tirar apenas três coisas deste artigo, que sejam estas:

1. Comece pelos dados, não pelas opiniões. Seus closed-won deals dos últimos 12 meses contêm mais inteligência sobre o que funciona do que qualquer brainstorm de equipe. Use-os.
2. Fit é mais importante que engajamento. Um lead perfeito em perfil que visitou 3 páginas é mais valioso do que um curioso desqualificado que baixou 10 materiais. Seu modelo precisa refletir isso com pesos reais.
3. O feedback loop é tudo. Um modelo bom sem revisão se torna um modelo ruim em 90 dias. Crie o ciclo de feedback entre vendas e marketing antes mesmo de ir ao ar com o scoring.

O objetivo do lead scoring não é criar MQLs. É criar conversas de vendas produtivas que se transformam em receita. Quando você mede pelo resultado final — receita — e não pelo intermediário — volume de MQLs — o modelo inteiro muda.

Pare de tratar lead scoring como ficção científica. Trate como ciência aplicada: hipótese, teste, medição, ajuste, repetição. Não é glamouroso. Não cabe num slide bonito. Mas funciona.