09. Lead Scoring Predictivo con IA

El 79% de los leads de marketing nunca se convierten en ventas. No porque sean malos leads, sino porque los equipos de ventas no saben cuáles priorizar. El lead scoring tradicional basado en reglas falla porque no captura la complejidad del comportamiento del comprador moderno. La solución: lead scoring predictivo con IA.

El Problema del Lead Scoring Tradicional

Cómo Funciona el Lead Scoring Manual

Un sistema tradicional asigna puntos basados en criterios estáticos:

Criterios Demográficos:

• CEO/VP = 20 puntos
• Director = 15 puntos
• Manager = 10 puntos
• Empresa 500+ empleados = 20 puntos
• Empresa 100-500 empleados = 10 puntos
• Empresa <100 empleados = 5 puntos

Criterios de Comportamiento:

• Visitó pricing page = 15 puntos
• Descargó whitepaper = 10 puntos
• Abrió email = 5 puntos
• Asistió webinar = 20 puntos

Problema: Estas reglas son arbitrarias

¿Por qué 15 puntos para pricing y no 12 o 18? Porque alguien lo decidió en una reunión hace 2 años.

Limitaciones Críticas

1. No Captura Interacciones Complejas

Ejemplo real:

• Lead A: 10 visits a homepage (50 puntos)
• Lead B: 1 visit a pricing + 1 a case study (30 puntos)

Sistema tradicional dice Lead A es mejor. Realidad: Lead B tiene intención más alta.

2. No Aprende de Resultados

Si descubres que leads que leen "artículo X" cierran 3x más, tienes que actualizar el modelo manualmente. Para cuando lo haces, el patrón ya cambió.

3. Ignora Timing y Secuencia

• Lead que visita pricing → caso de estudio → pricing otra vez (alta intención)
• Lead que visita pricing hace 90 días (intención expirada)

Sistemas tradicionales dan mismo puntaje. La IA entiende la diferencia.

4. Trata Todos los Segmentos Igual

Comportamiento de compra en Healthcare ≠ Comportamiento en Tech ≠ Comportamiento en Retail.

Modelo único falla. IA puede crear microsegmentos automáticamente.

Lead Scoring Predictivo: Cómo Funciona

Algoritmos de Machine Learning

Los sistemas de lead scoring con IA usan principalmente:

1. Regresión Logística

• Predice probabilidad de conversión (0-100%)
• Entrena con conversiones históricas
• Identifica qué factores impactan más
• Fácil de interpretar

2. Random Forest

• Combina múltiples árboles de decisión
• Captura interacciones complejas entre variables
• Más preciso que regresión logística
• Menos interpretable

3. Gradient Boosting (XGBoost)

• Algoritmo de elección para competencias de ML
• Precisión superior en datasets complejos
• Usado por Salesforce Einstein y otras plataformas enterprise
• Requiere tuning experto

4. Redes Neuronales

• Para datasets masivos (1M+ leads)
• Captura patrones muy complejos
• Requiere más datos para entrenar
• Usado por gigantes como LinkedIn, HubSpot

Variables que Analiza la IA

Datos Firmográficos (Who):

• Tamaño de empresa (revenue, empleados)
• Industria y sub-industria
• Crecimiento de la empresa (hiring trends)
• Tecnologías que usan (technographics)
• Ubicación geográfica

Datos de Comportamiento (What):

• Páginas visitadas y secuencia
• Tiempo en sitio y en cada página
• Contenido descargado
• Emails abiertos y clicked
• Webinars attended
• Búsquedas realizadas en sitio
• Interacciones con chatbot

Datos de Engagement (How Much):

• Frecuencia de visitas
• Recency (última interacción)
• Profundidad de engagement
• Emails bounced/unsubscribed
• Respuestas a outreach

Datos Temporales (When):

• Día de la semana de interacciones
• Hora del día
• Tiempo desde primer touch
• Tiempo entre interacciones
• Estacionalidad

Señales Externas:

• Funding recibido (Crunchbase)
• Cambios de liderazgo (LinkedIn)
• Job postings (señal de crecimiento)
• Web traffic trends (SimilarWeb)
• Tecnologías adoptadas recientemente

El Proceso de Entrenamiento

Fase 1: Recolección de Datos Históricos

Necesitas mínimo:

• 500 conversiones cerradas (won opportunities)
• 5,000 leads totales (para balance entre won/lost)
• 12 meses de historial (capturar estacionalidad)

Fase 2: Feature Engineering

IA crea nuevas variables combinando existentes:

Ejemplo:

• Variable original: "Visitó pricing page" (sí/no)
• Features derivados:
  • Número de veces visitó pricing
  • Días desde primera visita a pricing
  • Visitó pricing antes o después de case studies
  • Ratio pricing views / total page views

Fase 3: Entrenamiento del Modelo

1. Split de datos: 70% training, 30% testing
2. Algoritmo aprende patrones de 70% training
3. Valida precisión con 30% testing
4. Itera hasta alcanzar precisión objetivo (típicamente 75-85%)

Fase 4: Calibración

Ajusta para que probabilidades sean precisas:

• Si modelo dice 80% de probabilidad de cierre, esperamos que 80 de cada 100 cierren

Fase 5: Deployment y Reentrenamiento

• Deploy a producción
• Actualiza scores diariamente
• Reentrena modelo mensualmente con nuevos datos
• Monitorea drift (precisión que baja con tiempo)

Caso de Estudio: InsideSales (ahora XANT)

InsideSales fue pionero en lead scoring predictivo con su producto Playbooks Predictive (ahora parte de XANT).

El Problema que Resolvieron

Cliente: Empresa de Software B2B

• 15,000 leads/mes
• 12 SDRs (Sales Development Reps)
• Cada SDR podía contactar máximo 50 leads/día
• Total capacidad: 600 leads/día = 12,000 leads/mes
• Gap: 3,000 leads sin contactar

Pregunta crítica: ¿Cuáles 12,000 priorizar?

Sistema tradicional fallaba:

• 40% de leads contactados nunca respondían
• 35% respondían pero no calificaban (budget, timing, fit)
• 20% calificaban pero no compraban
• 5% cerraban

Resultado: 95% de esfuerzo desperdiciado

La Solución con IA

InsideSales implementó lead scoring predictivo que predecía:

1. Probabilidad de contacto (¿contestará el teléfono/email?)
2. Probabilidad de calificación (¿cumple criterios de ICP?)
3. Probabilidad de cierre (¿convertirá en customer?)

Modelo entrenado con:

• 50,000 leads históricos
• 2,500 deals cerrados (won + lost)
• 100+ variables de comportamiento y firmográficas
• Algoritmo: Gradient Boosting

Variables Más Predictivas Descubiertas

Sorpresas vs lead scoring tradicional:

Alta Correlación con Cierre:

1. Visitas a página de integraciones (3.5x más probabilidad)

   • Tradicional: 5 puntos
   • IA discovery: Predictor #1

2. Tiempo en página de seguridad/compliance (2.8x)

   • Tradicional: No trackeado
   • IA discovery: Señal fuerte en enterprise

3. Visitas desde LinkedIn (2.3x)

   • Tradicional: 5 puntos genéricos
   • IA: Diferencia LinkedIn vs otras sociales

4. Empresa con 5-10 años de antigüedad (2.1x)

   • Tradicional: Solo miraban tamaño
   • IA: Stage de empresa importa más que tamaño

Baja Correlación (Sobrevalorados):

1. Descargas de whitepapers (0.9x - negativo)

   • Tradicional: 15 puntos
   • IA: Coleccionistas de contenido que no compran

2. Asistencia a webinar genérico (1.1x - casi neutro)

   • Tradicional: 20 puntos
   • IA: Solo webinars de producto específicos predicen

3. Job title "VP" (1.2x - sobrevalorado)

   • Tradicional: 20 puntos
   • IA: En empresas <100, VP no es decision maker real

Implementación y Resultados

Mes 1-2: Setup y Entrenamiento

• Integración con Salesforce
• Ingesta de datos históricos
• Entrenamiento inicial del modelo
• Testing con 10% de leads

Mes 3: Piloto Completo

• SDRs reciben leads ordenados por score predictivo
• Top 20% de leads contactados primero
• Seguimiento semanal de conversión

Resultados a 6 Meses:

Eficiencia de SDRs:

• Contactos conectados: 60% → 78% (+30%)
• Tasa de calificación: 25% → 42% (+68%)
• Meetings agendados: 300/mes → 520/mes (+73%)

Pipeline y Revenue:

• SQLs (Sales Qualified Leads): 75/mes → 168/mes (+124%)
• Oportunidades creadas: 45/mes → 89/mes (+98%)
• Deals cerrados: 9/mes → 19/mes (+111%)
• Revenue: $450k/mes → $950k/mes (+111%)

ROI:

• Inversión: $60k/año (plataforma) + 80h setup
• Retorno: +$500k/mes = $6M/año
• ROI: 9,900%

Insights Accionables

1. Timing Importa Más que Pensabas

IA descubrió que leads que regresan al sitio 3-5 días después de primera visita tienen 4.2x más probabilidad de cerrar que los que regresan inmediatamente.

Acción: Implementaron cadencia de follow-up basada en este patrón.

2. Contenido de Competidores es Señal Fuerte

Leads que buscaban "Alternativas a [Competidor X]" en sitio tenían 5.1x más probabilidad de cerrar en 30 días.

Acción: Crearon contenido de comparación y alertas automáticas para ventas.

3. Engagement del Equipo (no solo individuo)

Si 2+ personas de misma empresa visitaban sitio, probabilidad de cierre aumentaba 6.3x.

Acción: Score cuenta-nivel, no solo lead-nivel (Account-Based approach).

Caso de Estudio: Salesforce Einstein Lead Scoring

Salesforce integró IA predictiva directamente en su CRM con Einstein Lead Scoring.

Ventaja Diferencial

A diferencia de herramientas terceras, Einstein tiene acceso a:

• Todos los datos de Salesforce (activities, emails, calls)
• Datos históricos completos de deals
• Interacciones del equipo de ventas
• No requiere integración externa

Cómo Funciona Einstein

Auto-Discovery de Patrones:

Einstein analiza automáticamente:

1. Leads que se convirtieron a oportunidades
2. Oportunidades que cerraron (won vs lost)
3. Identifica características comunes

No necesitas decirle qué variables importan. Él las descubre.

Score en Tiempo Real:

Cada lead recibe:

• Score 1-99: Probabilidad de conversión
• Top factors: 3-5 razones del score
• Insights: Recomendaciones de acción

Ejemplo de output:

Lead: Jane Smith, Acme Corp
Score: 87/99 (Very likely to convert)

Top Factors:
1. Company size (500 employees) matches ideal customer profile
2. Visited pricing page 3 times in last week
3. Similar to leads from Technology industry that converted
4. Engagement velocity increased 40% this week
5. Job title (VP Operations) common among won opportunities

Recommended Actions:
- Contact within 24 hours (high engagement window)
- Mention integration capabilities (visited integration docs)
- Share case study from similar tech company

Caso Real: SaaS de Gestión de Proyectos

Contexto:

• ARR: $15M
• Leads: 8,000/mes
• Sales team: 25 reps
• Conversión lead-to-customer: 3.2%

Antes de Einstein:

Lead scoring manual con 15 reglas:

• Title: Director+ = 15 puntos
• Company size: 100+ = 20 puntos
• Visited pricing = 10 puntos
• Downloaded trial = 25 puntos
• Opened email = 5 puntos

Problema:

• 60% de leads con high score (75+) no convertían
• 30% de deals cerrados venían de leads con low score (<50)
• Ventas no confiaban en los scores

Implementación Einstein:

Mes 1: Setup

• Activación de Einstein (incluido en Unlimited Edition)
• Definición de "conversión" (Trial → Paid en 60 días)
• Modelo entrenó con 50,000 leads históricos

Mes 2-3: Piloto

• 50% de team usa Einstein scores
• 50% continúa con scoring manual (control)
• Tracking de conversión por grupo

Resultados a 6 Meses:

Grupo Einstein:

• Lead-to-opportunity: 3.2% → 5.8% (+81%)
• Opportunity-to-customer: 22% → 31% (+41%)
• Ciclo de venta promedio: 47 días → 38 días (-19%)
• Deal size promedio: $8,500 → $9,200 (+8%)

Grupo Control (manual):

• Lead-to-opportunity: 3.2% → 3.4% (+6%)
• Sin cambios significativos en otras métricas

ROI Financiero:

• Inversión: $0 adicional (incluido en Salesforce)
• Nuevos customers: +35/mes
• Revenue incremental: +$322k/mes
• ARR impact: +$3.86M/año

Descubrimientos del Modelo

Einstein reveló insights counter-intuitivos:

1. Free Trial Paradox

Leads que activaban free trial ANTES de hablar con ventas tenían 40% MENOS probabilidad de cerrar que los que hablaban primero.

Explicación: Self-serve users se autoconvencían de que producto era complejo. Sales-assist users recibían onboarding guiado.

Acción: Cambio de proceso: Ventas contacta ANTES de dar acceso a trial completo.

2. Email Engagement No Importa Tanto

Open rates y click rates tenían correlación débil (r=0.15) con cierre.

Pero UN email específico ("How [Customer X] saved 20 hours/week") tenía correlación fuerte (r=0.68).

Acción: Priorizaron calidad de contenido sobre volumen de touchpoints.

3. Velocidad de Respuesta > Volumen de Seguimiento

Leads contactados en <5 minutos post-signup tenían 21x más probabilidad de calificar que contactados en >30 minutos.

Pero número de follow-ups (después de primer contacto) tenía impacto mínimo.

Acción: Invirtieron en alertas en tiempo real, redujeron follow-up automatizado.

Framework de Implementación: Tu Lead Scoring Predictivo

No necesitas ser Salesforce o tener budget enterprise para implementar lead scoring con IA.

Opción 1: Plataformas con IA Built-In (Fácil)

Salesforce Einstein

• Costo: Incluido en Unlimited/Einstein tiers ($300-500/user/mes)
• Setup: 2-4 semanas
• Requisitos: 1,000+ leads con outcomes conocidos
• Precisión: 75-85%
• Mejor para: Empresas ya en Salesforce

HubSpot Predictive Lead Scoring

• Costo: Incluido en Enterprise ($3,600+/mes)
• Setup: 1-2 semanas
• Requisitos: 1,000+ contacts, 30+ properties
• Precisión: 70-80%
• Mejor para: Mid-market con stack de HubSpot

6sense

• Costo: $50k-$200k/año
• Setup: 6-8 semanas
• Requisitos: Data completo de accounts
• Precisión: 80-90%
• Mejor para: Enterprise B2B, Account-based

Madkudu

• Costo: $1,000-$5,000/mes
• Setup: 2-3 semanas
• Requisitos: 500+ conversiones
• Precisión: 75-85%
• Mejor para: SaaS y tech companies

Opción 2: Construir In-House (Control Total)

Si tienes equipo técnico, puedes construir modelo custom.

Stack Tecnológico:

Data Warehouse:

• Snowflake, BigQuery, o Redshift
• Centraliza datos de CRM, web, producto, marketing

Feature Engineering:

• dbt (data build tool) para transformaciones
• Crea variables derivadas automáticamente

ML Platform:

• Python + scikit-learn (básico)
• H2O.ai (AutoML, no-code)
• AWS SageMaker (enterprise)

Deployment:

• API que recibe lead ID, retorna score
• Integra con Salesforce, HubSpot via webhook
• Dashboard en Looker/Tableau para sales

Costo estimado:

• Infra: $500-$2,000/mes (cloud)
• Desarrollo: 200-400 horas ($20k-$80k one-time)
• Mantenimiento: 20-40h/mes ($3k-$8k/mes)

Mejor para: Empresas con modelos de negocio únicos donde soluciones off-the-shelf no aplican.

Opción 3: Híbrido con Google Sheets y Scripts (Budget Limitado)

Si no tienes presupuesto, puedes crear sistema básico con herramientas gratuitas.

Herramientas:

• Google Sheets (gratis)
• Google Apps Script (gratis, JavaScript)
• BigQuery ML (gratis hasta 10GB, $5/TB después)

Proceso:

1. Exporta datos de CRM a Google Sheets

   • Leads con outcomes (won/lost)
   • Mínimo 500 rows

2. Crea Features en Sheets

   • Columnas: Company size, Industry, Source, etc.
   • Behavior: Page views, Email opens, etc.

3. Sube a BigQuery

   • Conéctalo a Google Sheets
   • Carga automática

4. Entrena Modelo con BigQuery ML

CREATE MODEL `project.dataset.lead_score_model`
OPTIONS(model_type='logistic_reg',
        input_label_cols=['converted']) AS
SELECT
  company_size,
  industry,
  page_views,
  email_opens,
  days_since_signup,
  converted
FROM `project.dataset.leads_training`;

5. Genera Scores

SELECT
  lead_id,
  predicted_converted_probs[OFFSET(1)].prob as lead_score
FROM ML.PREDICT(MODEL `project.dataset.lead_score_model`,
  (SELECT * FROM `project.dataset.new_leads`));

6. Automatiza con Apps Script
   • Script corre diariamente
   • Actualiza scores en CRM
   • Alerta a ventas de high-score leads

Precisión: 60-70% (menor que soluciones paid, pero 10x mejor que manual) Costo: $0-$50/mes Mejor para: Startups, small teams, proof of concept

Métricas para Evaluar Tu Lead Scoring

Métricas de Precisión del Modelo

1. AUC (Area Under Curve)

• Rango: 0.5 (random) a 1.0 (perfecto)
• Benchmark mínimo: 0.70
• Bueno: 0.75-0.80
• Excelente: 0.85+

Qué mide: Qué tan bien el modelo separa buenos leads de malos leads.

2. Precision@K

• Ejemplo: Precision@10% = "De top 10% de leads scored, qué % realmente convirtieron"
• Objetivo: Mínimo 3x baseline
• Excelente: 5x+ baseline

Ejemplo:

• Baseline: 3% de leads convierten
• Precision@10%: 18% de top 10% convierten
• Lift: 6x (excelente)

3. Recall

• Qué % de conversiones reales el modelo capturó en top scorers
• Objetivo: >60%
• Excelente: >80%

Métricas de Impacto en Ventas

1. Contact-to-Connect Rate

• % de leads contactados que responden
• Baseline típico: 30-40%
• Con buen scoring: 60-80%
• Objetivo: +50% vs baseline

2. Lead-to-Opportunity Conversion

• Métrica crítica de calidad de lead
• Baseline: 5-15% (varía por industria)
• Con scoring: 15-30%
• Objetivo: +100% vs baseline

3. Sales Cycle Length

• Días promedio desde lead a deal cerrado
• Buen scoring reduce 20-40%
• Leads de alta calidad toman decisión más rápido

4. Win Rate

• % de oportunidades que cierran
• Baseline: 15-25%
• Con scoring: 25-40%
• Scoring permite enfocarse en best-fit

5. Revenue per Lead

• Métrica ultimate de ROI
• Debe aumentar 50-150% con scoring
• Combina mejor conversión + deal sizes

Dashboard Recomendado

Vista Ejecutiva (Semanal):

• Total leads scored
• Distribution de scores (cuántos en cada bucket)
• Conversion rate por score bucket
• Revenue generado por bucket
• Week-over-week trends

Vista de Sales (Diaria):

• My high-score leads (>80)
• Leads con score subiendo rápido
• Recommended actions por lead
• Success rate de rep vs scores

Vista de Ops (Mensual):

• Model performance (AUC, Precision)
• Feature importance (qué variables importan más)
• Model drift (precisión bajando?)
• Retraining schedule

Errores Comunes y Cómo Evitarlos

Error 1: Entrenar con Datos Sesgados

Qué pasa: Modelo aprende sesgos de comportamiento histórico de ventas.

Ejemplo: Si históricamente solo contactaste leads de empresas 500+, modelo aprenderá que empresas pequeñas nunca convierten (aunque podrían).

Solución:

• Testea leads de diferentes segmentos (incluso los "malos" según intuición)
• Usa técnicas de balancing (SMOTE, undersampling)
• Re-entrena cada 2-3 meses con datos frescos

Error 2: No Actuar en los Scores

Qué pasa: Implementas scoring pero ventas siguen trabajando leads como siempre (FIFO: first in, first out).

Resultado: Zero impacto, desperdicio de inversión.

Solución:

• Integra scores en flujo de trabajo diario
• High scores (>80): Contact en <1 hora
• Medium scores (50-80): Contact en <24 horas
• Low scores (<50): Nurturing automático, no manual outreach
• Reportes de compliance (reps siguiendo scores?)

Error 3: Scoring Sin Contexto de Account

Qué pasa: Score lead individual ignorando que 5 personas de misma empresa están engaged.

Solución: Implementa Account-Level Scoring:

• Agrega scores de todos los contacts de una account
• Peso por seniority (CEO score = 3x Individual Contributor)
• Track buying committee assembly

Error 4: No Explicar el Score a Ventas

Qué pasa: Ventas recibe "Lead tiene score 85" sin contexto. No confía, lo ignora.

Solución:

• Muestra top 3-5 factores del score
• Insights accionables: "Lead visitó pricing 3x esta semana - alta intención"
• Training a equipo de ventas sobre cómo interpretar

Error 5: Set and Forget

Qué pasa: Implementas modelo, nunca lo actualizas. Precisión baja con tiempo.

Causas de drift:

• Cambios en producto/offering
• Cambios en mercado
• Nuevos competidores
• Cambios en sales process

Solución:

• Monitorea AUC mensualmente
• Si baja >5%, re-entrena
• Incorpora feedback de ventas ("Este lead no debió ser high score")
• Scheduled retraining: Trimestral mínimo

Plan de Implementación: 60 Días a Lead Scoring Predictivo

Semanas 1-2: Preparación de Datos

Día 1-3: Data Audit

• Exporta últimos 12 meses de leads con outcomes
• Verifica calidad: % de leads con outcome conocido (objetivo: >70%)
• Identifica gaps en data (campos vacíos, inconsistencias)

Día 4-7: Data Cleaning

• Estandariza campos (industries, company sizes)
• Remove duplicates
• Fill gaps críticos (company size via enrichment)
• Label outcomes (Won/Lost/Open)

Día 8-14: Feature Engineering

• Crea variables derivadas (time_on_site, pages_per_visit)
• Behavioral scores (engagement recency, frequency)
• Firmographic aggregations
• Documento de data dictionary (qué significa cada variable)

Semanas 3-4: Modelo y Testing

Día 15-18: Selección de Herramienta

• Define presupuesto y requisitos técnicos
• Compara 3 opciones (built-in CRM, third-party, custom)
• Decision y kick-off con proveedor/equipo

Día 19-25: Entrenamiento Inicial

• Split data: 70% train, 30% test
• Train modelo con algoritmo seleccionado
• Evalúa métricas (AUC, Precision@10%)
• Itera hasta alcanzar AUC >0.70

Día 26-28: Validation con Sales

• Exporta top 100 leads según modelo
• Sales manualmente revisa: ¿son realmente buenos?
• Incorpora feedback y ajusta

Semanas 5-6: Piloto y Escalamiento

Día 29-35: Piloto 20%

• Integra scores en CRM para 20% de team
• Training a sales reps participantes
• Daily stand-ups para feedback
• Track conversión piloto vs control

Día 36-42: Análisis Intermedio

• Compara métricas: contact rate, conversion, cycle time
• Ajusta basado en feedback
• Documenta best practices

Día 43-50: Escalamiento a 100%

• Rollout a todo el equipo
• Training company-wide
• Implementa dashboards
• Define SLAs (high score leads contactados en X tiempo)

Día 51-60: Optimización

• Análisis de primeros deals cerrados con scoring
• Identificar falsos positivos (high score que no convirtieron)
• Re-entrena modelo con nuevos datos
• Plan de mantenimiento ongoing

Próximos Pasos

Has aprendido cómo InsideSales y Salesforce usan lead scoring predictivo para priorizar oportunidades y aumentar conversión. Ahora aplícalo:

Esta Semana:

1. Audita calidad de tus datos de leads (último año)
2. Calcula tu baseline: lead-to-opp conversion actual
3. Define qué plataforma explorar (Salesforce Einstein, HubSpot, MadKudu, custom)

Este Mes:

1. Limpia y prepara datos históricos
2. Entrena primer modelo (aunque sea simple)
3. Valida con sales team: ¿top 50 leads tienen sentido?

Próximos 90 Días:

1. Implementa scoring en producción
2. Entrena a equipo de ventas
3. Mide lift en conversión
4. Establece proceso de retraining

Recursos Adicionales:

• "Predictive Analytics for Dummies" (libro recomendado)
• Salesforce Trailhead: "Einstein Lead Scoring" (curso gratuito)
• Kaggle: "Lead Scoring Dataset" (practica con datos reales)

En la próxima lección exploraremos Predicción y Prevención de Churn, descubriendo cómo Spotify y Grammarly identifican clientes en riesgo antes de que cancelen.

---

Puntos Clave para Recordar:

• Lead scoring tradicional con reglas falla en 60%+ de casos
• IA identifica patrones que humanos no pueden ver
• InsideSales logró 111% más deals cerrados con scoring predictivo
• Salesforce Einstein descubrió que free trials sin sales-assist convertían 40% menos
• Necesitas mínimo 500 conversiones históricas para modelo básico
• AUC >0.70 es mínimo, >0.80 es excelente
• Precision@10% debe ser mínimo 3x tu conversión baseline
• Lead scoring sin proceso de follow-up = cero impacto
• Re-entrena modelo trimestral mínimo para evitar drift
• ROI típico: 200-500% en primer año