En resumen
- Predecir la conversión de leads es asignar a cada contacto nuevo una probabilidad de acabar en venta, aprendida de tus leads anteriores.
- Antes del modelo hay que fijar la decisión que va a apoyar, qué cuenta como conversión y en qué plazo.
- Un modelo sencillo, evaluado con precisión y exhaustividad e integrado en el CRM, suele aportar más que uno complejo que nadie consulta.
En muchos equipos comerciales los leads se llaman por orden de llegada o por intuición: el que parece más grande, el que escribió más largo, el que viene recomendado. Con pocos contactos funciona. Cuando llegan más leads de los que el equipo puede atender bien, ese criterio deja oportunidades buenas esperando mientras se dedica tiempo a otras que nunca iban a cerrarse. Un modelo de lead scoring predictivo ordena la lista según la probabilidad de que cada lead acabe comprando.
Predecir la conversión de leads consiste en usar lo que ya ha pasado en tu propio embudo para estimar qué contactos nuevos tienen más probabilidades de acabar en venta. No sustituye al comercial: le ordena la lista.
Qué es el lead scoring predictivo
Un modelo predictivo aprende de tus leads anteriores, los que se convirtieron en clientes y los que no, y busca qué tenían en común. Con eso asigna a cada lead nuevo una probabilidad de conversión, que en la práctica se usa como una puntuación para ordenar la lista.
Es una evolución de la puntuación de leads por reglas (el lead scoring clásico), la de toda la vida: tantos puntos por el cargo, tantos por el tamaño de la empresa, tantos por abrir un email. La diferencia está en quién decide cuánto pesa cada cosa.
| Criterio | Puntuación por reglas | Puntuación predictiva |
|---|---|---|
| Quién decide los pesos | El equipo, por experiencia | El modelo, a partir del historial |
| Qué necesita | Acordar los criterios | Un historial de leads con su resultado |
| Cuándo encaja | Pocos datos o un proceso comercial nuevo | Historial suficiente y volumen de leads que obliga a priorizar |
| Mantenimiento | Revisar las reglas a mano | Volver a entrenar el modelo cuando cambian los datos |
No son excluyentes. Si aún no tienes historial, empezar con reglas sencillas y registrar bien los resultados es la mejor forma de llegar después a un modelo predictivo.
Empieza por la decisión, no por el modelo
Antes de hablar de algoritmos conviene responder una pregunta: ¿qué vas a decidir con la predicción? No es lo mismo ordenar las llamadas del día que decidir qué leads pasan a ventas y cuáles siguen recibiendo contenido, o cuánto invertir en cada canal de captación.
De esa decisión salen dos definiciones que hay que fijar por escrito:
- Qué cuenta como conversión. Una reunión, una propuesta enviada o una venta cerrada. Cuanto más cerca de la venta, más útil es la predicción, pero también hay menos casos para aprender.
- En qué plazo. Un lead que compra a los dos años no se comporta igual que uno que compra en un mes. El plazo tiene que encajar con tu ciclo de venta.
Qué datos necesitas
El modelo solo puede aprender de lo que esté registrado. Casi todo suele estar ya en el CRM, en la web o en la herramienta de email; el trabajo está en juntarlo y ordenarlo.
- Un historial de leads con su resultado (convertido o no) y la fecha de cada paso.
- El origen de cada lead: formulario, feria, recomendación, campaña.
- Datos de la empresa: sector, tamaño, zona.
- Comportamiento antes del contacto: páginas visitadas, formularios, respuestas a emails o a un test.
- Las interacciones comerciales: llamadas, reuniones, propuestas.
Antes de entrenar nada hay que limpiar: quitar duplicados, unificar los valores escritos de formas distintas y decidir qué hacer con los campos vacíos. Si este punto te suena, en Excel o CRM contamos cómo dar el salto sin perder datos por el camino.
Cómo se construye el modelo, paso a paso
Hoy se puede hacer con plataformas sin código, con la puntuación predictiva que incluyen algunos CRM o con un modelo a medida. Lo que decide el resultado son los datos y la decisión que apoyan, no la herramienta. Los pasos son los mismos en todos los casos:
- Prepara el historial. Una fila por lead, con los datos que tenía al entrar y su resultado.
- Separa por fechas. Entrena con los leads más antiguos y prueba con los más recientes, como si fueran nuevos. Así ves cómo se comportará con los que aún no han llegado.
- Empieza por un modelo sencillo. Una regresión logística o un árbol de decisión dan buenos resultados con pocos datos y se pueden explicar al equipo.
- Evalúa con las métricas adecuadas. Las vemos en el apartado siguiente.
- Llévalo a donde trabaja el equipo. La puntuación tiene que aparecer en la ficha del lead y en una vista del CRM ordenada por probabilidad, no en un informe aparte.
- Revísalo cada cierto tiempo. Compara la predicción con lo que ha pasado y vuelve a entrenar cuando cambien los canales, el producto o el mercado.
Cómo saber si el modelo funciona
La métrica que más se enseña, la exactitud o «accuracy», engaña cuando convierten pocos leads: un modelo que dijera «nadie va a comprar» acertaría casi siempre y no serviría para nada. Para decidir a quién llamar importan otras preguntas:
| Precisión | De los leads que el modelo marca como calientes, ¿cuántos acaban convirtiendo? |
|---|---|
| Exhaustividad («recall») | De los leads que acaban convirtiendo, ¿cuántos había marcado el modelo? |
| F1 | Un único número que equilibra las dos anteriores. |
| Comparación con lo de ahora | ¿Ordena mejor que el criterio que usa hoy el equipo? |
La última es la que de verdad importa. Una buena forma de comprobarlo es usar el modelo durante unas semanas con una parte de los leads y comparar los resultados con los del criterio habitual.
Un modelo que nadie usa para decidir a quién llamar no predice nada útil, por bien que salga en las pruebas.
Errores habituales
- Entrenar con datos que solo existen después de la venta.
- Querer predecir la venta final cuando apenas hay ventas en el historial; a veces conviene predecir un paso anterior, como la reunión.
- Medir solo la exactitud.
- Entregar una puntuación sin explicar en qué se basa: si el equipo no la entiende, no la usa.
- No cambiar nada del proceso comercial. Si la lista se sigue trabajando por orden de llegada, la predicción no sirve.
- Olvidarse del modelo una vez puesto en marcha.
Si quieres aplicarlo en tu empresa, lo trabajamos dentro de nuestros servicios de inteligencia artificial aplicada y de análisis de datos, empezando siempre por la decisión que quieres mejorar.
Preguntas frecuentes
¿Cuántos leads hacen falta para predecir la conversión?
No hay una cifra universal: depende de cuántos convierten y de lo completos que estén los datos. Lo importante es tener suficientes casos convertidos y no convertidos registrados de la misma forma. Si son pocos, empieza con una puntuación por reglas y registra bien los resultados.
¿Se puede hacer sin programar?
Sí. Hay plataformas sin código y algunos CRM incluyen puntuación predictiva. Aun así, definir la conversión, preparar los datos y comprobar si el modelo funciona es trabajo que no hace ninguna herramienta por ti.
¿Cada cuánto hay que actualizar el modelo?
Cuando cambian los canales de captación, el producto o el mercado, y en cualquier caso conviene revisar sus resultados de forma periódica, por ejemplo cada trimestre, comparando la predicción con lo que ha pasado.
Publicado el 23 de septiembre de 2024 · actualizado el 20 de octubre de 2026
