Lead scoring predictivo con IA: de la promesa a los números reales
Cómo un sistema de scoring bien construido puede reducir el CAC un 34% y multiplicar por 3 el ratio de conversión a matrícula.
Mariano De Vitto · Febrero 2026
El lead scoring tradicional funciona así: si un lead abre 3 emails, suma 10 puntos. Si visita la página de precios, suma 20. Si trabaja en una empresa de más de 200 empleados, suma 15. Al llegar a 80 puntos, pasa al equipo de ventas. Es un sistema de reglas manual que cualquier analista puede construir en Excel en una tarde. Y eso es exactamente su limitación.
Por qué el scoring basado en reglas falla
El scoring por reglas tiene tres problemas estructurales. Primero, es estático: las reglas las fijó alguien en el pasado basándose en intuiciones o en datos históricos, y no se actualizan solas. Segundo, es lineal: trata todas las señales de la misma forma sin entender la interacción entre ellas. Tercero, es retrospectivo: analiza lo que ya pasó, no predice qué va a pasar.
Un lead que visita la página de precios tres veces en 48 horas tiene una intención de compra muy distinta a uno que la visita una vez en 3 semanas. El scoring por reglas les asigna el mismo puntaje. Un modelo predictivo detecta esa diferencia y la pondera en consecuencia.
Cómo funciona el scoring predictivo
El modelo predictivo entrena sobre datos históricos de leads que sí convirtieron y leads que no convirtieron, identificando qué combinación de señales predice mejor la conversión futura. Las señales pueden ser: comportamiento web (páginas vistas, tiempo en sesión, secuencia de navegación), engagement con emails (no solo si abre, sino cuándo y en qué dispositivo), datos firmográficos y demográficos, e histórico de interacciones con ventas.
Lo que hace la IA que ningún humano puede hacer: procesar la interacción entre todas esas señales simultáneamente. No es que visitar la página de precios valga 20 puntos: es que visitarla tres veces en 48 horas + haber abierto el email de comparativa + tener seniority de director = una probabilidad de conversión del 78% en los próximos 14 días. Eso es lo que el modelo ve.
Los datos mínimos para empezar
Para construir un modelo que funcione necesitas: al menos 12 meses de histórico de leads (idealmente 18-24), una tasa de conversión de al menos 5-10% (con tasas menores hay muy pocos positivos para entrenar), datos de comportamiento web trazados correctamente (Google Analytics 4 o equivalente), e integración con CRM donde estén las conversiones confirmadas.
Si no tienes todos estos datos, no saltes a un modelo predictivo. Primero construye la infraestructura de datos. Un modelo entrenado con datos malos predice mal, y predecir mal con confianza es peor que no predecir.
Los números reales
En la implementación del sistema de lead scoring para EAE Business School, el modelo predictivo identificó que el 23% de los leads generaba el 67% de las matrículas. Concentrar el esfuerzo comercial en ese segmento redujo el CAC un 34% y multiplicó por 3 el ratio de conversión. El equipo de ventas cerró el mismo volumen de matrículas con un 40% menos de esfuerzo en leads de baja probabilidad.
La señal clave: El lead scoring predictivo no es una mejora incremental del proceso comercial: es un cambio de paradigma. Cuando sabes cuáles leads tienen una probabilidad del 70%+ de convertir, la pregunta deja de ser "cómo generamos más leads" y se convierte en "cómo no arruinamos estos".
The Signal Brief · Mariano De Vitto — Head of Marketing, Barcelona