Quan un equip comercial rep més leads dels que pot treballar bé, el problema deixa de ser “tenir oportunitats” i passa a ser un altre: saber quines mereixen atenció primer.
Respondre per ordre d’arribada sembla just, però no sempre és intel·ligent. Un lead amb alta urgència, bon encaix i senyals clares d’intenció es pot refredar mentre l’equip dedica temps a contactes curiosos, incomplets o sense capacitat real de compra.
El lead scoring amb IA ajuda a ordenar aquest treball. No substitueix el criteri comercial, però permet convertir senyals disperses en una prioritat clara: quin lead treballar ara, quin necessita més context, quin ha d’anar a nutrició i quin convé descartar.
Aquest article connecta amb la guia d’automatització comercial amb IA, la qualificació de leads amb IA, la mesura d’agents IA comercials i l’arquitectura per connectar agents IA amb CRM i eines internes.
En resum
Lead scoring amb IA és un sistema per prioritzar oportunitats comercials utilitzant senyals d’encaix, intenció, urgència, engagement i context històric. L’objectiu no és posar un número bonic al CRM. L’objectiu és ajudar vendes a decidir on invertir temps primer.
Un model útil hauria de separar almenys tres dimensions: fit, engagement i intenció. Després s’ha de connectar amb accions reals: assignar owner, crear tasca, activar seguiment, demanar més informació, derivar a una persona o enviar a nutrició.
Per què mesurar abans de prioritzar
La IA no s’hauria d’implantar com a experiment decoratiu. En scoring, el risc és especialment clar: si el model prioritza malament, l’equip comercial pot dedicar més temps a leads que semblen actius però no compren, o ignorar oportunitats petites però urgents.
Abans de crear un score convé respondre:
- Què significa “bon lead” per a aquest negoci.
- Quins leads van acabar convertint en clients.
- Quines senyals apareixien abans de la conversió.
- Quines senyals només indicaven curiositat o soroll.
- Quines accions hauria d’activar cada rang de prioritat.
- Com es mesurarà si el scoring millora el procés.
HubSpot defineix el lead scoring com assignar valors a leads per prioritzar-los, respondre de manera apropiada i millorar conversió. La part important no és el número, sinó el criteri que el sosté.
Definició: què és lead scoring amb IA
Lead scoring amb IA és un sistema de priorització que combina dades històriques, senyals de comportament, atributs d’encaix i regles comercials per estimar quines oportunitats mereixen atenció abans.
Pot utilitzar:
- dades explícites del lead, com càrrec, empresa, sector, país o mida;
- comportament digital, com visites a pàgines clau, formularis, descàrregues o clics;
- intenció declarada, com demanar demo, pressupost, integració o diagnòstic;
- context comercial, com urgència, pressupost, eina actual o problema;
- dades històriques, com patrons de leads que van acabar convertint;
- senyals negatives, com spam, dominis no vàlids, baix encaix o inactivitat prolongada.
No s’hauria d’utilitzar com una veritat absoluta. Un score ha de ser una ajuda de decisió, no una ordre cega.
Quines senyals hauria de combinar un score útil
Un score comercial amb IA hauria de separar senyals diferents. Barrejar-les en una sola xifra sense explicació fa difícil entendre per què un lead apareix a dalt.
| Senyal | Què mesura | Exemples | Risc si s’utilitza malament |
|---|---|---|---|
| Fit | Encaix amb el client ideal. | Sector, mida, país, càrrec, tipus d’empresa, stack actual. | Prioritzar empreses que encaixen en teoria però no mostren interès. |
| Engagement | Interacció amb la marca. | Visites, emails oberts, clics, formularis, esdeveniments. | Confondre activitat amb intenció de compra. |
| Intenció | Senyals de compra o avaluació. | Demo, pressupost, pricing, integració, urgència explícita. | Tractar qualsevol interacció com una oportunitat madura. |
| Urgència | Temps i pressió del problema. | Data límit, projecte en marxa, eina trencada, licitació. | Sobrerreaccionar a missatges urgents sense encaix real. |
| Mida potencial | Valor aproximat de l’oportunitat. | Empresa, equip, volum, pressupost, abast. | Perseguir només mida i perdre oportunitats de cicle curt. |
| Qualitat de dades | Confiança del sistema. | Email vàlid, empresa identificada, camps complets, font clara. | Automatitzar decisions amb informació incompleta. |
Mètriques abans d’automatitzar el scoring
Abans d’afegir IA, necessites una línia base. Sense baseline, no sabràs si el model millora el procés o només afegeix una capa de complexitat.
| Mètrica prèvia | Què indica | Com utilitzar-la |
|---|---|---|
| Leads rebuts per canal | Volum i origen d’oportunitats. | Detectar canals que generen quantitat però no qualitat. |
| Temps de primera resposta | Velocitat comercial real. | Prioritzar automatització si els leads es refreden. |
| Taxa de contacte | Capacitat d’arribar al lead. | Separar leads amb dades útils de leads difícils d’activar. |
| Reunions programades | Pas d’interès a conversa. | Comparar qualitat de leads per font, campanya i score. |
| Conversió a oportunitat | Qualitat de l’entrada comercial. | Identificar atributs que apareixen en leads que avancen. |
| Conversió a client | Senyal final de qualitat. | Ajustar pesos segons tancament real, no només intuïció. |
| Temps dedicat per vendes | Cost operatiu de qualificar. | Mesurar estalvi si el scoring redueix treball manual. |
HubSpot recomana calcular primer la taxa de conversió lead-a-client i després comparar atributs específics amb aquesta taxa general. És una manera pràctica d’evitar scores basats només en opinió.
Mètriques després d’automatitzar
Després d’activar lead scoring amb IA, el focus canvia: no n’hi ha prou amb mirar quants leads tenen score alt. Cal veure si aquests scores ajuden a prioritzar millor.
| Mètrica posterior | Què hauria de millorar | Senyal d’alerta |
|---|---|---|
| Leads qualificats per rang | Més concentració de bons leads en rangs alts. | Molts leads de score alt que vendes descarta. |
| Reunions per rang de score | Més reunions útils en scores alts. | Scores mitjans generant millors reunions que scores alts. |
| Conversió per rang | Millor avanç d’A1/alt davant de baix. | El score no prediu avanç real del pipeline. |
| Velocitat de contacte | Resposta més ràpida a leads prioritaris. | Scores alts sense tasca ni owner assignat. |
| Falsos positius | Leads prioritzats que no tenien encaix. | Model massa sensible a engagement superficial. |
| Falsos negatius | Leads amb score baix que van acabar convertint. | Model ignora senyals qualitatives o canals nous. |
| Distribució del score | Salut del model. | Massa leads en el mateix rang, sense segmentació útil. |
La documentació de HubSpot permet revisar historial, distribució i performance de scores. Aquesta revisió és clau perquè un score no es valida en el moment de calcular-lo, sinó quan s’observa què passa després.
Com mesurar qualitat, no només volum
Un error habitual és tractar el score com una taula de posicions. L’objectiu no és omplir la part alta amb més leads, sinó que els millors apareguin on l’equip pugui actuar.
La qualitat del score s’hauria de mesurar amb criteris com:
- Encaix: el lead pertany al tipus de client que l’empresa vol atendre.
- Intenció: el lead mostra una senyal concreta de compra, avaluació o urgència.
- Context: l’equip sap quin problema vol resoldre i quina informació falta.
- Acció: el score activa una tasca, resposta, workflow o derivació.
- Explicabilitat: vendes entén per què el lead ha rebut aquesta prioritat.
- Actualització: el score canvia quan canvien senyals o dades.
- Revisió: l’equip pot auditar encerts, errors i casos dubtosos.
Salesforce explica que Einstein Lead Scoring analitza dades històriques de l’objecte Lead per determinar si un lead pot convertir, i mostra insights sobre camps que influeixen en el score. Aquest punt és important: el score ha d’ajudar a entendre, no només a ordenar.
Matriu fit i intenció
Una manera simple d’aterrar el scoring és separar fit i intenció. Un lead pot estar molt actiu però no encaixar, o encaixar molt bé però no mostrar urgència encara.
| Fit | Intenció | Prioritat | Acció recomanada |
|---|---|---|---|
| Alt | Alta | Molt alta | Assignar owner, crear tasca immediata i preparar context per a trucada. |
| Alt | Mitjana | Alta | Activar seguiment i demanar dades que confirmin urgència. |
| Alt | Baixa | Nutrició | Mantenir en nurturing i revisar canvis de comportament. |
| Mitjà | Alta | Revisió | Validar abast, pressupost, autoritat i urgència. |
| Baix | Alta | Filtre | Respondre amb límits clars o derivar si hi ha cas especial. |
| Baix | Baixa | Baixa | No enviar a vendes; arxivar, nodrir o descartar segons política. |
HubSpot distingeix entre engagement score, fit score i combined score. Aquesta separació és útil perquè evita que un únic número amagui la diferència entre “encaixa” i “està actiu”.
Flux recomanat de lead scoring amb IA
El scoring ha de viure dins d’un flux comercial, no en un full aïllat.
- Entra un lead des de formulari, email, chat, campanya, esdeveniment o referència.
- El sistema normalitza dades de contacte, empresa, font i missatge.
- L’agent IA extreu intenció, urgència, problema, stack actual i senyals de valor.
- El CRM aporta històric, canal, interaccions, estat i duplicats.
- El model calcula fit, engagement, intenció i prioritat total.
- El sistema assigna rang: alt, mitjà, baix o revisió humana.
- Si el score és alt, es crea tasca, owner i resum per a vendes.
- Si falta context, es prepara una pregunta de seguiment.
- Si el fit és baix, es deriva a nutrició o descartament controlat.
- El resultat es mesura per ajustar pesos i regles.
Model simple de ROI
El ROI del lead scoring no s’hauria de vendre com una promesa automàtica. S’ha de modelar amb hipòtesis revisables.
Un model simple pot mirar:
| Variable | Com estimar-la | Quina millora pot aportar |
|---|---|---|
| Temps de qualificació manual | Minuts per lead revisat per vendes. | Menys temps en leads sense encaix. |
| Leads treballats per setmana | Capacitat de l’equip comercial. | Més focus en leads amb probabilitat real. |
| Taxa de reunió qualificada | Reunions que arriben amb context suficient. | Millor preparació i menys discovery bàsic. |
| Conversió per rang | Tancament o avanç segons score. | Ajust de prioritats i seguiment. |
| Oportunitats recuperades | Leads que abans es perdien per demora. | Activació més ràpida de senyals calentes. |
| Cost d’error | Temps perdut en falsos positius. | Revisió de regles i reducció de soroll. |
La pregunta no és “quant puja el score”. La pregunta és si el sistema permet utilitzar millor el temps comercial disponible.
Quadre de KPIs recomanat
Un quadre de KPIs manté el scoring connectat amb negoci.
| KPI | Definició | Eina | Freqüència |
|---|---|---|---|
| Distribució per score | Percentatge de leads en cada rang. | CRM / informe de scoring. | Setmanal. |
| Conversió per rang | Avanç de cada score a reunió, oportunitat o client. | CRM / pipeline. | Mensual. |
| Velocitat de contacte | Temps des d’entrada fins a primer contacte. | CRM / automatització. | Setmanal. |
| Falsos positius | Leads alts que vendes descarta. | Revisió comercial. | Quinzenal. |
| Falsos negatius | Leads baixos que converteixen. | Auditoria de pipeline. | Mensual. |
| Score aging | Leads calents sense activitat recent. | CRM / workflow. | Setmanal. |
| Qualitat del resum | Utilitat del context generat per a vendes. | Revisió de mostres. | Quinzenal. |
| Ús per vendes | Percentatge de tasques o vistes que utilitzen score. | CRM / activitat. | Mensual. |
Errors de mesura
El scoring falla quan mesura activitat en lloc d’oportunitat. Aquests errors són habituals:
- Mesurar només converses: moltes converses no són oportunitats comercials.
- No separar fit i interès: una persona activa pot no ser client ideal.
- No connectar amb CRM: si el score no activa tasques o vistes, vendes no l’utilitza.
- No revisar falsos positius: l’equip perd confiança quan el score prioritza soroll.
- No revisar falsos negatius: alguns leads valuosos poden tenir poques senyals digitals.
- No actualitzar pesos: els patrons canvien per producte, canal, regió o cicle de venda.
- No explicar el score: vendes necessita saber per què un lead és prioritari.
- No comparar abans/després: sense baseline, no hi ha aprenentatge real.
Com ho plantejaria Nicolás Torres
No començaria creant un model predictiu complex. Començaria convertint el scoring en una eina de decisió comercial.
El treball hauria d’ordenar:
- Què significa bon lead per a l’empresa.
- Quines senyals mostren encaix real.
- Quines senyals mostren intenció real.
- Quines dades falten per confiar en la prioritat.
- Quins llindars activen tasca, seguiment, nurturing o descartament.
- Què ha de veure vendes al CRM per confiar en el score.
- Quina revisió setmanal o mensual permet ajustar el sistema.
Després es pot decidir si convé un score manual, un score combinat al CRM, un model predictiu, o un agent IA que extregui senyals de formularis, emails, chats i notes comercials.
El valor no és dir “aquest lead val 87”. El valor és que el sistema expliqui per què importa, què fer ara i com aprendre dels resultats.
Prioritzar oportunitats amb IA
Si el teu equip comercial rep més leads dels que pot treballar bé, un sistema de scoring pot ajudar a separar oportunitats reals, leads per nodrir i contactes que no haurien de consumir temps de vendes.
Podem revisar les teves fonts de leads, CRM, criteris de qualificació, senyals d’intenció i mètriques actuals per dissenyar un primer scoring accionable.
Prioritzar oportunitats amb IA
Preguntes freqüents
- Què és el lead scoring amb IA?
- És un sistema que utilitza dades comercials, comportament, encaix i intenció per assignar prioritat a leads i ajudar l'equip comercial a decidir quines oportunitats treballar primer.
- Quina diferència hi ha entre lead scoring manual i lead scoring amb IA?
- El scoring manual utilitza regles i punts definits per l'equip. El scoring amb IA pot detectar patrons en dades històriques, combinar més senyals i actualitzar prioritats amb menys treball manual.
- Quines dades necessita un model de lead scoring?
- Necessita dades de fit, engagement, intenció, urgència, font, històric de conversió, estat comercial i resultat final de cada oportunitat.
- Vendes ha de seguir sempre el score?
- No. El score ha d'orientar prioritat, però els casos estratègics, sensibles o ambigus s'han de revisar amb criteri humà.
- Com es valida si el lead scoring funciona?
- Es valida comparant abans i després: conversió per rang de score, velocitat de contacte, reunions qualificades, falsos positius, falsos negatius i qualitat del pipeline.