Lead scoring é o método de dar pontos a cada lead para decidir quem vai para vendas agora, quem precisa de nutrição e quem não deveria tomar tempo de ninguém. A pontuação junta dois eixos: o perfil (o quanto a empresa e a pessoa se parecem com o seu cliente ideal) e o interesse (o que o lead fez: visitas, cliques, downloads, pedidos de contato). Quando a soma passa de um limiar combinado entre marketing e vendas, o lead vira MQL e entra na fila comercial.
Este guia mostra como montar o modelo com uma tabela de pontos de exemplo, quanto dado a versão com IA exige, como o recurso funciona no RD Station Marketing e no Salesforce e como provar que o modelo funciona pela taxa de conversão por faixa de score.
Em resumo:
- Lead scoring separa o lead em dois eixos: perfil (fit com o cliente ideal: cargo, porte, segmento) e interesse (comportamento: visitas, e-mails, conversões). Um eixo sozinho engana.
- Um bom modelo tem pontos negativos (estudante, concorrente, descadastro) e decaimento: interesse de 90 dias atrás não pode valer o mesmo que o de ontem.
- Lead scoring preditivo exige volume: o Einstein Lead Scoring, do Salesforce, pede ao menos 1.000 leads criados e 120 convertidos nos últimos 200 dias para treinar um modelo próprio.
- O limiar de MQL é um acordo com vendas, registrado em SLA: quanto tempo vendas tem para abordar e como devolve o lead que não serviu.
- O modelo está certo quando a taxa de conversão em oportunidade sobe faixa a faixa. Se duas faixas convertem igual, os pontos estão errados.
O que é lead scoring
Lead scoring é a atribuição de uma nota numérica a cada lead, calculada a partir de regras (ou de um modelo estatístico), para ordenar a base pela probabilidade de compra. Ele resolve um problema de capacidade: o time comercial não consegue ligar para todo mundo que baixou um e-book, e quem demonstra intenção real não pode esperar uma semana na fila.
Ele não substitui a qualificação do vendedor: o score indica quem merece a primeira conversa, e quem confirma orçamento, necessidade e prazo é a pessoa do outro lado da linha. Se a sua dor ainda é volume, e não priorização, comece pelo guia de como gerar leads qualificados.
Perfil x interesse: a matriz 2×2
O erro mais comum é somar tudo numa nota só: o estudante que baixa dez materiais passa à frente da diretora que visitou a página de preço uma vez. Separar os eixos evita isso:
- Perfil (fit): dados explícitos sobre a pessoa e a empresa: cargo, área, porte, segmento, região, tipo de e-mail. Muda pouco com o tempo.
- Interesse (engajamento): comportamento: páginas visitadas, formulários, cliques em e-mail, webinar, pedido de orçamento. Muda toda semana e precisa envelhecer.
Cruzando os dois, cada quadrante pede uma ação diferente:
| Interesse alto | Interesse baixo | |
|---|---|---|
| Perfil alto | Vai para vendas agora, dentro do SLA. | Nutrição dirigida, abordagem outbound ou ABM. A conta é boa; o momento ainda não. |
| Perfil baixo | Triagem: estudante, concorrente, empresa pequena demais. Ofereça autoatendimento ou conteúdo; não gaste o vendedor. | Fica na base, sem esforço ativo. |
O quadrante que mais gera atrito é perfil baixo com interesse alto: parece lead quente no painel e morre na primeira ligação. Em auditorias de funil, é comum encontrar modelos de nota única mandando esse grupo inteiro para o comercial.
Como montar um modelo de lead scoring, passo a passo
- Compare negócios ganhos e perdidos. Quais cargos, portes e segmentos se repetem nos clientes fechados dos últimos 12 meses? Esse é o eixo de perfil, baseado em dado, não em opinião.
- Mapeie o caminho de quem comprou. Que páginas e conteúdos os clientes consumiram antes de falar com vendas? Página de preço, comparativos e cases costumam pesar mais que material de topo, mas confirme na sua base.
- Garanta que o dado exista. Pontuar por porte não adianta se o formulário não pergunta porte. Use listas fechadas (faixa de funcionários, de faturamento), nunca texto livre.
- Atribua pesos, com pontos negativos e decaimento. Comece com 8 a 12 critérios. Modelo com 40 regras ninguém audita.
- Escolha o limiar com vendas. Rode o modelo sobre a base histórica e veja quantos leads por mês passariam do corte. Se for mais do que o time atende, suba o limiar.
- Valide e recalibre a cada trimestre pela taxa de conversão por faixa (explicada mais abaixo).
Exemplo de tabela de pontos (hipotético)
Exemplo hipotético para uma empresa B2B que vende para médias empresas. Os seus pesos devem sair dos seus negócios ganhos.
| Eixo | Critério | Pontos |
|---|---|---|
| Perfil | Cargo de decisão (diretoria, head, C-level) | +30 |
| Perfil | Gerência ou coordenação | +20 |
| Perfil | Empresa com 200 ou mais funcionários | +25 |
| Perfil | Segmento que a empresa atende | +20 |
| Perfil | E-mail corporativo | +10 |
| Perfil | Estudante ou cargo fora da área | −30 |
| Perfil | Concorrente ou fornecedor | −100 (desqualifica) |
| Interesse | Pedido de orçamento ou demonstração | +40 |
| Interesse | Visita à página de preço (máx. 1 vez por semana) | +15 |
| Interesse | Download de case ou comparativo | +15 |
| Interesse | Download de material de topo de funil | +5 |
| Interesse | Clique em e-mail | +3 |
| Interesse | Visita à página de vagas | −10 |
| Interesse | Descadastro de e-mail | −20 |
Limiar hipotético de MQL: perfil ≥ 50 e interesse ≥ 40. Pedido de orçamento com perfil ≥ 30 vai direto para vendas, sem esperar a soma. Aplicando a três leads:
- Lead A — gerente de marketing (20), empresa de 300 funcionários (25), segmento atendido (20), e-mail corporativo (10): perfil 75. Duas visitas à página de preço em semanas diferentes (30), um comparativo baixado (15), dois cliques em e-mail (6): interesse 51. Vira MQL.
- Lead B — estudante (−30), e-mail gratuito (0): perfil −30. Cinco materiais de topo (25), sete cliques em e-mail (21): interesse 46. Passaria num modelo de nota única. Fica fora.
- Lead C — diretor (30), 500 funcionários (25), segmento atendido (20), e-mail corporativo (10): perfil 85. Um material baixado há quatro meses, zerado pelo decaimento: interesse 0. Vai para outbound, não para a fila de MQL.
Seu CRM está pronto para ser operado por agentes de IA? O guia gratuito CRM Headless traduz o que muda no marketing e traz um scorecard de 12 pontos para descobrir em 10 minutos se o seu dado está pronto.
Pontuação negativa e decaimento
Um modelo que só soma pontos infla: todo lead antigo acaba “quente” por acúmulo de cliques. Dois mecanismos corrigem isso.
Pontuação negativa tira pontos de sinais de não compra: cargo incompatível, visita à página de vagas (a pessoa quer emprego, não fornecedor), descadastro, e-mail que voltou, “não tenho interesse” registrado pelo SDR. Para quem nunca deve chegar a vendas, como concorrentes, use uma penalidade que desqualifique de vez.
Decaimento reduz o interesse de quem parou de interagir: um valor fixo por semana sem atividade ou uma porcentagem a cada 30 dias. Aplique só ao interesse; o perfil não envelhece, a não ser que o dado mude.
Um cuidado: abertura de e-mail virou sinal fraco desde que o Apple Mail Privacy Protection passou a pré-carregar mensagens, registrando aberturas que ninguém fez. Pontue clique e conversão.
Lead scoring preditivo e com IA
No lead scoring por regras, você decide os pesos. No preditivo, um modelo de machine learning compara leads convertidos e não convertidos, descobre o que diferencia os dois grupos e calcula a probabilidade de conversão de cada lead novo. Ele acha combinações que ninguém pensaria em pontuar, mas só aprende o que o histórico mostra.
O requisito que mais pesa é volume. A documentação do Salesforce (guia Set Up Sales Cloud Einstein, versão Winter ’27, atualizada em julho de 2026) exige, para o Einstein Lead Scoring treinar um modelo próprio, pelo menos 1.000 leads criados nos últimos 200 dias, dos quais pelo menos 120 convertidos em conta e contato. Traduzindo: cerca de 18 conversões por mês, de forma consistente. Abaixo disso, o Einstein usa um modelo global, treinado com dados anônimos de vários clientes Salesforce, que não conhece as particularidades do seu mercado.
Quando o preditivo faz sentido:
- Há volume de conversões acima desse patamar e o vendedor de fato converte o lead no CRM quando abre a oportunidade.
- O modelo por regras já existe, foi validado e você quer saber se a máquina ordena melhor. Compare os dois pela taxa de conversão por faixa.
- Os campos de perfil estão preenchidos. Modelo preditivo sobre campos vazios aprende ruído.
Quando não faz: poucas dezenas de negócios por ano, mudança recente de ICP ou de oferta (o histórico ensina a vender o produto antigo) e oportunidades que nascem sem lead associado. Aí, regras explícitas revisadas a cada trimestre ganham do preditivo. Para comparar plataformas com recursos de IA, veja o comparativo de CRM com IA e o artigo sobre CRM preditivo.
Como implementar no RD Station Marketing e no Salesforce
RD Station Marketing
O recurso se chama Lead Scoring e, segundo a página oficial do produto (consultada em outubro/2026), está disponível a partir do plano Pro. Ele pontua campos como cargo, setor e cidade e ações como clique em e-mail, conversão em página de captura e visita a página.
O guia da própria RD Station (novembro de 2024) descreve a mesma separação em dois eixos deste artigo: o perfil vai de 0 a 1.000 e vira uma letra (A de 750 a 1.000, B de 500 a 749, C de 250 a 499, D até 249), e o interesse é uma nota sem teto, que soma os pontos de cada ação. O guia também cita a Lista Inteligente de Leads, do plano Advanced, que compara a base com quem já comprou para estimar a chance de compra. A documentação pública consultada não descreve decaimento automático; confirme no seu plano ou simule com segmentação pela data da última conversão.
Salesforce
No Salesforce há dois caminhos, conforme onde o marketing opera:
- Einstein Lead Scoring (Sales Cloud Einstein): pontua leads de 1 a 99 conforme o padrão de conversão da sua base. Vem incluso nas edições Performance e Unlimited e é pago à parte na Enterprise. Aceita até 35 segmentos de leads, cada um com modelo próprio, e reanalisa a base a cada 10 dias, aproximadamente (mesmo guia Winter ’27).
- Account Engagement (antigo Pardot): separa os eixos com nomes próprios. O grade mede o perfil em letras de F a A+; todo prospect começa em D e sobe ou desce em frações de letra conforme cargo, porte, segmento, região e área, segundo o Trailhead do Salesforce. O score mede o comportamento. A versão com IA, o Einstein Behavior Scoring, dá nota de 0 a 100, tem decaimento embutido e pede um ano de dados de engajamento e pelo menos 20 prospects ligados a oportunidades.
Em qualquer ferramenta, o recurso é a parte fácil; o resultado depende do dado que chega nele e de um status de lead que o vendedor de fato atualiza. Para escolher a plataforma, compare no guia de melhor CRM para empresas e no de ferramentas de automação de marketing.
O acordo entre marketing e vendas: MQL, SQL e SLA
Sem acordo com vendas, o score vira número decorativo. O acordo cabe em uma página e responde a quatro perguntas:
- O que é MQL? O lead que passou do limiar de perfil e de interesse. Escreva a regra exata, com os números.
- O que é SQL? O MQL que o vendedor contatou e confirmou como oportunidade real. Quem declara é vendas, não o score.
- Qual o prazo de abordagem? Por exemplo (hipotético): MQL em até 1 dia útil; pedido de orçamento, no mesmo dia. Sem prazo, o lead esfria e a culpa cai no score.
- Como o lead volta? Todo MQL recusado volta para marketing com um motivo de uma lista fechada (sem orçamento, sem fit, timing, contato inválido). Esses motivos são o insumo para recalibrar os pesos.
Do lado do marketing, o compromisso é volume de MQLs por mês e taxa mínima de aceitação por vendas, no mesmo painel que a diretoria acompanha, como no dashboard de receita para a diretoria.
Como validar o modelo: taxa de conversão por faixa de score
Divida os leads de um período em faixas de score e meça quantos de cada faixa viraram oportunidade. Se o modelo ordena bem, a taxa sobe de faixa em faixa. Exemplo hipotético de um trimestre:
| Faixa de score | Leads | Oportunidades | Taxa de conversão |
|---|---|---|---|
| 0–24 | 1.200 | 6 | 0,5% |
| 25–49 | 600 | 12 | 2,0% |
| 50–74 | 250 | 20 | 8,0% |
| 75 ou mais | 80 | 18 | 22,5% |
Aqui, a faixa de 75 ou mais converte 45 vezes mais que a de 0 a 24, e os 330 leads acima de 50 pontos (15% da base) geraram 38 das 56 oportunidades (68%). É o argumento para vendas: atender 15% dos leads cobre dois terços do pipeline.
Três sinais de que o modelo precisa de ajuste:
- Faixas vizinhas convertem igual. Os pontos que separam essas faixas não carregam informação.
- Muita venda nasce abaixo do limiar. O modelo está deixando sinal de fora, como um canal (indicação, por exemplo) que não gera comportamento rastreável.
- Aceitação de MQL por vendas caindo. Se “sem fit” domina os motivos de devolução, o problema está no perfil; se “timing” domina, no interesse ou no decaimento.
Cuidado com amostras pequenas: com poucas oportunidades por faixa, dois ou três negócios mudam a taxa inteira. E registre a data de cada mudança de pesos, para não misturar dois modelos na mesma análise.
Perguntas frequentes sobre lead scoring
Qual a diferença entre lead scoring e lead grading?
No Salesforce Account Engagement, grading mede o perfil em letras e scoring mede o comportamento em pontos. Fora dele, “lead scoring” costuma designar o processo todo.
Quantos pontos um lead precisa para virar MQL?
Não há número universal. O limiar certo é o que gera um volume de MQLs que o time comercial consegue atender dentro do SLA e que mostra taxa de conversão claramente maior que as faixas abaixo dele.
De quanto em quanto tempo revisar o modelo?
A cada trimestre, ou sempre que mudar a oferta, o ICP ou um canal relevante de aquisição. Revise com os motivos de devolução de vendas em mãos.
Seu CRM está pronto para ser operado por agentes de IA? O guia gratuito CRM Headless traduz o que muda no marketing e traz um scorecard de 12 pontos para descobrir em 10 minutos se o seu dado está pronto.
Lead scoring depende menos da ferramenta e mais do dado e do acordo entre os times. Para estruturar o modelo, o SLA e a operação de CRM da sua empresa, fale com a Nação Digital.
