Lead scoring só funciona quando “lead bom” está definido em linguagem de receita — não em pontos arbitrários de cargo e página visitada. Qualidade de lead é o elo entre mídia, marketing e comercial: sem ela, CPL baixo vira CAC alto e o algoritmo otimiza o formulário errado. O scoring deve ser mensurável, auditável e recalibrado com outcome real.

O que é qualidade de lead de verdade?

Qualidade não é “preencheu o form com e-mail corporativo”. É a probabilidade de aquele registro avançar no funil comercial até oportunidade e receita, dentro de um custo e prazo aceitáveis. Por isso a definição precisa nascer do cruzamento marketing + vendas: ICP, critérios de MQL/SQL, motivos de desqualificação e SLA de follow-up.

Sem definição compartilhada, cada time otimiza o próprio KPI: mídia reduz CPL, inbound aumenta volume, SDR reclama de “lixo”. O scoring existe para operacionalizar o acordo — não para substituir conversa entre áreas.

Lead scoring: regras, modelo preditivo ou híbrido?

Scoring por regras (fit + engagement) é transparente e rápido de implantar: pontos por segmento, porte, cargo, páginas de pricing, webinar etc. O limite é a subjetividade dos pesos e a degradação quando o mix de canais muda. Modelos preditivos usam histórico de SQL/ganho para estimar probabilidade — mais poderosos, porém exigem volume, limpeza de CRM e governança.

O caminho pragmático na maioria das operações B2B brasileiras é híbrido: regras claras para fit mínimo (gate) + score de engajamento +, quando houver dados, probabilidade calibrada. Transparência importa: SDRs precisam entender por que um lead “esquentou”.

Abordagem	Quando usar	Vantagem	Cuidado
Regras (fit + engajamento)	CRM jovem, volume moderado	Explicável e auditável	Pesos subjetivos envelhecem
Preditivo (ML)	Histórico rico de SQL/won	Prioriza o que realmente converte	Precisa monitoramento de drift
Híbrido	Maioria mid-market B2B	Gate de fit + priorização fina	Não misturar sinais sem dono
Só volume/CPL	Nunca como estratégia	Barato de reportar	Destrói CAC e moral do comercial

Quais dados entram no score — e quais só poluem?

Sinais de fit: firmográficos, ICP, região, stack declarado, budget range (quando confiável). Sinais de intenção: páginas de alto intent, frequência recente, interação com proposta, reply de e-mail, presença em demo. Sinais de qualidade de captura: origem, campanha, completude do form, validação de e-mail/telefone.

Evite pontuar demais vanity (download genérico de e-book antigo) sem decay temporal. Um lead que baixou material há 90 dias não é “quente” porque o score acumulou. Decay e recência são mais importantes que soma eterna de pontos.

• Fit mínimo como gate (abaixo disso, não escala para SDR)
• Decay de engajamento por tempo
• Origem/campanha como feature — não só como UTM decorativo
• Feedback de desqualificação estruturado no CRM
• Separar score de pessoa e score de conta em ABM

Como ligar scoring à mídia e à conversão offline?

Se o algoritmo de ads só vê “lead enviado”, ele aprenderá a gerar o lead mais barato — frequentemente o de pior qualidade. A correção passa por enviar de volta ao Google/Meta eventos de MQL, SQL ou opportunity (conversão offline / CAPI com valor), e por reportar CPL e CPA por faixa de score ou por status comercial.

Para isso, o CRM precisa de IDs de click (gclid, gbraid, wbraid, fbclid/fbp) ou matching forte, e o pipeline de dados precisa fechar o ciclo com latência aceitável. Sem esse loop, scoring melhora o roteamento do SDR, mas a aquisição continua cega.

Como calibrar e governar o modelo de qualidade?

Calibração é rotina, não projeto único. Compare score alto vs. taxa real de SQL e won por coorte mensal. Se “hot” deixa de prever melhor que “warm”, há drift: mudança de ICP, novo canal, formulário diferente ou SDR com critério novo. Ajuste pesos, features e limiares com versão e data.

Defina donos: marketing ops (taxonomia e automação), vendas (feedback de desqualificação), dados (pipeline e monitoramento). Sem dono, o score vira campo fantasma no CRM.

SLA entre marketing e vendas

Score alto sem follow-up rápido destrói o sinal: o modelo “aprende” que hot não converte porque ninguém ligou. Qualidade de lead inclui qualidade do processo comercial — tempo até primeiro contato, tentativas e registro de motivo.

Quais KPIs acompanhar além do CPL?

Acompanhe lead→MQL, MQL→SQL, SQL→won, custo por SQL, custo por oportunidade, receita influenciada por origem e % de desqualificação por motivo. Olhe também spam/incompleto e taxa de dados inválidos: formulário “otimizado” demais pode encher o CRM de lixo.

Dashboards devem permitir corte por canal, campanha, criativo e landing. Qualidade ruim concentrada em um anúncio específico é problema de mídia/mensagem — não de scoring.

Como começar sem overengineering?

Comece com definição escrita de MQL/SQL, 5–8 regras de fit, 4–6 sinais de engajamento com decay, limiares de roteamento e um relatório semanal de taxa de SQL por faixa. Só depois invista em preditivo. A maior alavancagem costuma estar em feedback estruturado do comercial e no loop de conversão offline — não em complexidade do algoritmo.

Checklist prático

• Definição escrita e compartilhada de MQL/SQL e desqualificação
• Campos obrigatórios de origem, campanha e status no CRM
• Score com gate de fit + engajamento com decay
• SLA de follow-up para faixas quentes
• Motivos de desqualificação estruturados e usados na calibração
• Loop de conversão offline (SQL/opportunity) para ads
• Dashboard de custo por SQL / oportunidade por canal
• Rotina mensal de calibração e versionamento do score

Erros comuns

• Pontuar eternos downloads de topo de funil sem decay
• Otimizar mídia só para lead bruto com scoring ignorado
• Score opaco que o SDR não confia e contorna
• Não registrar motivo de desqualificação (impossível calibrar)
• Misturar lead scoring com account scoring sem regra clara em ABM
• Mudar formulário/canais e não recalibrar limiares
• Tratar e-mail genérico vs. corporativo como único proxy de qualidade

Perguntas frequentes