[{"@context":"https:\/\/schema.org\/","@type":"Article","@id":"https:\/\/nacao.digital\/blog\/lead-scoring\/#Article","mainEntityOfPage":"https:\/\/nacao.digital\/blog\/lead-scoring\/","headline":"Lead scoring: como pontuar leads e passar para vendas na hora certa","name":"Lead scoring: como pontuar leads e passar para vendas na hora certa","description":"Lead scoring \u00e9 o m\u00e9todo de dar pontos a cada lead para decidir quem vai para vendas agora, quem precisa de nutri\u00e7\u00e3o e quem n\u00e3o deveria tomar tempo de ningu\u00e9m. A pontua\u00e7\u00e3o junta dois eixos: o perfil (o quanto a empresa e a pessoa se parecem com o seu cliente ideal) e o interesse (o…","datePublished":"2026-10-14","dateModified":"2026-10-14","author":{"@type":"Person","@id":"https:\/\/nacao.digital\/blog\/author\/rodrigo\/#Person","name":"Rodrigo Martucci","url":"https:\/\/nacao.digital\/blog\/author\/rodrigo\/","identifier":8,"image":{"@type":"ImageObject","@id":"https:\/\/secure.gravatar.com\/avatar\/43379fff041ce3e6e57345c57f81cf6c?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/43379fff041ce3e6e57345c57f81cf6c?s=96&d=mm&r=g","height":96,"width":96}},"publisher":{"@type":"Organization","name":"Na\u00e7\u00e3o Digital","logo":{"@type":"ImageObject","@id":"https:\/\/nacao.digital\/blog\/wp-content\/uploads\/2019\/03\/logo-nd-1.png","url":"https:\/\/nacao.digital\/blog\/wp-content\/uploads\/2019\/03\/logo-nd-1.png","width":174,"height":22}},"image":{"@type":"ImageObject","@id":"https:\/\/nacao.digital\/blog\/wp-content\/uploads\/2026\/10\/lead-scoring.png","url":"https:\/\/nacao.digital\/blog\/wp-content\/uploads\/2026\/10\/lead-scoring.png","height":576,"width":1024},"url":"https:\/\/nacao.digital\/blog\/lead-scoring\/","about":["inbound commerce"],"wordCount":2431,"articleBody":"Lead scoring \u00e9 o m\u00e9todo de dar pontos a cada lead para decidir quem vai para vendas agora, quem precisa de nutri\u00e7\u00e3o e quem n\u00e3o deveria tomar tempo de ningu\u00e9m. A pontua\u00e7\u00e3o 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 vers\u00e3o com IA exige, como o recurso funciona no RD Station Marketing e no Salesforce e como provar que o modelo funciona pela taxa de convers\u00e3o 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, convers\u00f5es). Um eixo sozinho engana.Um bom modelo tem pontos negativos (estudante, concorrente, descadastro) e decaimento: interesse de 90 dias atr\u00e1s n\u00e3o 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 \u00faltimos 200 dias para treinar um modelo pr\u00f3prio.O limiar de MQL \u00e9 um acordo com vendas, registrado em SLA: quanto tempo vendas tem para abordar e como devolve o lead que n\u00e3o serviu.O modelo est\u00e1 certo quando a taxa de convers\u00e3o em oportunidade sobe faixa a faixa. Se duas faixas convertem igual, os pontos est\u00e3o errados.O que \u00e9 lead scoringLead scoring \u00e9 a atribui\u00e7\u00e3o de uma nota num\u00e9rica a cada lead, calculada a partir de regras (ou de um modelo estat\u00edstico), para ordenar a base pela probabilidade de compra. Ele resolve um problema de capacidade: o time comercial n\u00e3o consegue ligar para todo mundo que baixou um e-book, e quem demonstra inten\u00e7\u00e3o real n\u00e3o pode esperar uma semana na fila.Ele n\u00e3o substitui a qualifica\u00e7\u00e3o do vendedor: o score indica quem merece a primeira conversa, e quem confirma or\u00e7amento, necessidade e prazo \u00e9 a pessoa do outro lado da linha. Se a sua dor ainda \u00e9 volume, e n\u00e3o prioriza\u00e7\u00e3o, comece pelo guia de como gerar leads qualificados.Perfil x interesse: a matriz 2\u00d72O erro mais comum \u00e9 somar tudo numa nota s\u00f3: o estudante que baixa dez materiais passa \u00e0 frente da diretora que visitou a p\u00e1gina de pre\u00e7o uma vez. Separar os eixos evita isso:Perfil (fit): dados expl\u00edcitos sobre a pessoa e a empresa: cargo, \u00e1rea, porte, segmento, regi\u00e3o, tipo de e-mail. Muda pouco com o tempo.Interesse (engajamento): comportamento: p\u00e1ginas visitadas, formul\u00e1rios, cliques em e-mail, webinar, pedido de or\u00e7amento. Muda toda semana e precisa envelhecer.Cruzando os dois, cada quadrante pede uma a\u00e7\u00e3o diferente:Interesse altoInteresse baixoPerfil altoVai para vendas agora, dentro do SLA.Nutri\u00e7\u00e3o dirigida, abordagem outbound ou ABM. A conta \u00e9 boa; o momento ainda n\u00e3o.Perfil baixoTriagem: estudante, concorrente, empresa pequena demais. Ofere\u00e7a autoatendimento ou conte\u00fado; n\u00e3o gaste o vendedor.Fica na base, sem esfor\u00e7o ativo.O quadrante que mais gera atrito \u00e9 perfil baixo com interesse alto: parece lead quente no painel e morre na primeira liga\u00e7\u00e3o. Em auditorias de funil, \u00e9 comum encontrar modelos de nota \u00fanica mandando esse grupo inteiro para o comercial.Como montar um modelo de lead scoring, passo a passoCompare neg\u00f3cios ganhos e perdidos. Quais cargos, portes e segmentos se repetem nos clientes fechados dos \u00faltimos 12 meses? Esse \u00e9 o eixo de perfil, baseado em dado, n\u00e3o em opini\u00e3o.Mapeie o caminho de quem comprou. Que p\u00e1ginas e conte\u00fados os clientes consumiram antes de falar com vendas? P\u00e1gina de pre\u00e7o, comparativos e cases costumam pesar mais que material de topo, mas confirme na sua base.Garanta que o dado exista. Pontuar por porte n\u00e3o adianta se o formul\u00e1rio n\u00e3o pergunta porte. Use listas fechadas (faixa de funcion\u00e1rios, de faturamento), nunca texto livre.Atribua pesos, com pontos negativos e decaimento. Comece com 8 a 12 crit\u00e9rios. Modelo com 40 regras ningu\u00e9m audita.Escolha o limiar com vendas. Rode o modelo sobre a base hist\u00f3rica e veja quantos leads por m\u00eas passariam do corte. Se for mais do que o time atende, suba o limiar.Valide e recalibre a cada trimestre pela taxa de convers\u00e3o por faixa (explicada mais abaixo).Exemplo de tabela de pontos (hipot\u00e9tico)Exemplo hipot\u00e9tico para uma empresa B2B que vende para m\u00e9dias empresas. Os seus pesos devem sair dos seus neg\u00f3cios ganhos.EixoCrit\u00e9rioPontosPerfilCargo de decis\u00e3o (diretoria, head, C-level)+30PerfilGer\u00eancia ou coordena\u00e7\u00e3o+20PerfilEmpresa com 200 ou mais funcion\u00e1rios+25PerfilSegmento que a empresa atende+20PerfilE-mail corporativo+10PerfilEstudante ou cargo fora da \u00e1rea\u221230PerfilConcorrente ou fornecedor\u2212100 (desqualifica)InteressePedido de or\u00e7amento ou demonstra\u00e7\u00e3o+40InteresseVisita \u00e0 p\u00e1gina de pre\u00e7o (m\u00e1x. 1 vez por semana)+15InteresseDownload de case ou comparativo+15InteresseDownload de material de topo de funil+5InteresseClique em e-mail+3InteresseVisita \u00e0 p\u00e1gina de vagas\u221210InteresseDescadastro de e-mail\u221220Limiar hipot\u00e9tico de MQL: perfil \u2265 50 e interesse \u2265 40. Pedido de or\u00e7amento com perfil \u2265 30 vai direto para vendas, sem esperar a soma. Aplicando a tr\u00eas leads:Lead A \u2014 gerente de marketing (20), empresa de 300 funcion\u00e1rios (25), segmento atendido (20), e-mail corporativo (10): perfil 75. Duas visitas \u00e0 p\u00e1gina de pre\u00e7o em semanas diferentes (30), um comparativo baixado (15), dois cliques em e-mail (6): interesse 51. Vira MQL.Lead B \u2014 estudante (\u221230), e-mail gratuito (0): perfil \u221230. Cinco materiais de topo (25), sete cliques em e-mail (21): interesse 46. Passaria num modelo de nota \u00fanica. Fica fora.Lead C \u2014 diretor (30), 500 funcion\u00e1rios (25), segmento atendido (20), e-mail corporativo (10): perfil 85. Um material baixado h\u00e1 quatro meses, zerado pelo decaimento: interesse 0. Vai para outbound, n\u00e3o para a fila de MQL.Seu CRM est\u00e1 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 est\u00e1 pronto.Pontua\u00e7\u00e3o negativa e decaimentoUm modelo que s\u00f3 soma pontos infla: todo lead antigo acaba “quente” por ac\u00famulo de cliques. Dois mecanismos corrigem isso.Pontua\u00e7\u00e3o negativa tira pontos de sinais de n\u00e3o compra: cargo incompat\u00edvel, visita \u00e0 p\u00e1gina de vagas (a pessoa quer emprego, n\u00e3o fornecedor), descadastro, e-mail que voltou, “n\u00e3o 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 s\u00f3 ao interesse; o perfil n\u00e3o envelhece, a n\u00e3o ser que o dado mude.Um cuidado: abertura de e-mail virou sinal fraco desde que o Apple Mail Privacy Protection passou a pr\u00e9-carregar mensagens, registrando aberturas que ningu\u00e9m fez. Pontue clique e convers\u00e3o.Lead scoring preditivo e com IANo lead scoring por regras, voc\u00ea decide os pesos. No preditivo, um modelo de machine learning compara leads convertidos e n\u00e3o convertidos, descobre o que diferencia os dois grupos e calcula a probabilidade de convers\u00e3o de cada lead novo. Ele acha combina\u00e7\u00f5es que ningu\u00e9m pensaria em pontuar, mas s\u00f3 aprende o que o hist\u00f3rico mostra.O requisito que mais pesa \u00e9 volume. A documenta\u00e7\u00e3o do Salesforce (guia Set Up Sales Cloud Einstein, vers\u00e3o Winter ’27, atualizada em julho de 2026) exige, para o Einstein Lead Scoring treinar um modelo pr\u00f3prio, pelo menos 1.000 leads criados nos \u00faltimos 200 dias, dos quais pelo menos 120 convertidos em conta e contato. Traduzindo: cerca de 18 convers\u00f5es por m\u00eas, de forma consistente. Abaixo disso, o Einstein usa um modelo global, treinado com dados an\u00f4nimos de v\u00e1rios clientes Salesforce, que n\u00e3o conhece as particularidades do seu mercado.Quando o preditivo faz sentido:H\u00e1 volume de convers\u00f5es acima desse patamar e o vendedor de fato converte o lead no CRM quando abre a oportunidade.O modelo por regras j\u00e1 existe, foi validado e voc\u00ea quer saber se a m\u00e1quina ordena melhor. Compare os dois pela taxa de convers\u00e3o por faixa.Os campos de perfil est\u00e3o preenchidos. Modelo preditivo sobre campos vazios aprende ru\u00eddo.Quando n\u00e3o faz: poucas dezenas de neg\u00f3cios por ano, mudan\u00e7a recente de ICP ou de oferta (o hist\u00f3rico ensina a vender o produto antigo) e oportunidades que nascem sem lead associado. A\u00ed, regras expl\u00edcitas 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 SalesforceRD Station MarketingO recurso se chama Lead Scoring e, segundo a p\u00e1gina oficial do produto (consultada em outubro\/2026), est\u00e1 dispon\u00edvel a partir do plano Pro. Ele pontua campos como cargo, setor e cidade e a\u00e7\u00f5es como clique em e-mail, convers\u00e3o em p\u00e1gina de captura e visita a p\u00e1gina.O guia da pr\u00f3pria RD Station (novembro de 2024) descreve a mesma separa\u00e7\u00e3o 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 at\u00e9 249), e o interesse \u00e9 uma nota sem teto, que soma os pontos de cada a\u00e7\u00e3o. O guia tamb\u00e9m cita a Lista Inteligente de Leads, do plano Advanced, que compara a base com quem j\u00e1 comprou para estimar a chance de compra. A documenta\u00e7\u00e3o p\u00fablica consultada n\u00e3o descreve decaimento autom\u00e1tico; confirme no seu plano ou simule com segmenta\u00e7\u00e3o pela data da \u00faltima convers\u00e3o.SalesforceNo Salesforce h\u00e1 dois caminhos, conforme onde o marketing opera:Einstein Lead Scoring (Sales Cloud Einstein): pontua leads de 1 a 99 conforme o padr\u00e3o de convers\u00e3o da sua base. Vem incluso nas edi\u00e7\u00f5es Performance e Unlimited e \u00e9 pago \u00e0 parte na Enterprise. Aceita at\u00e9 35 segmentos de leads, cada um com modelo pr\u00f3prio, e reanalisa a base a cada 10 dias, aproximadamente (mesmo guia Winter ’27).Account Engagement (antigo Pardot): separa os eixos com nomes pr\u00f3prios. O grade mede o perfil em letras de F a A+; todo prospect come\u00e7a em D e sobe ou desce em fra\u00e7\u00f5es de letra conforme cargo, porte, segmento, regi\u00e3o e \u00e1rea, segundo o Trailhead do Salesforce. O score mede o comportamento. A vers\u00e3o com IA, o Einstein Behavior Scoring, d\u00e1 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 \u00e9 a parte f\u00e1cil; 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 automa\u00e7\u00e3o de marketing.O acordo entre marketing e vendas: MQL, SQL e SLASem acordo com vendas, o score vira n\u00famero decorativo. O acordo cabe em uma p\u00e1gina e responde a quatro perguntas:O que \u00e9 MQL? O lead que passou do limiar de perfil e de interesse. Escreva a regra exata, com os n\u00fameros.O que \u00e9 SQL? O MQL que o vendedor contatou e confirmou como oportunidade real. Quem declara \u00e9 vendas, n\u00e3o o score.Qual o prazo de abordagem? Por exemplo (hipot\u00e9tico): MQL em at\u00e9 1 dia \u00fatil; pedido de or\u00e7amento, 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 or\u00e7amento, sem fit, timing, contato inv\u00e1lido). Esses motivos s\u00e3o o insumo para recalibrar os pesos.Do lado do marketing, o compromisso \u00e9 volume de MQLs por m\u00eas e taxa m\u00ednima de aceita\u00e7\u00e3o por vendas, no mesmo painel que a diretoria acompanha, como no dashboard de receita para a diretoria.Como validar o modelo: taxa de convers\u00e3o por faixa de scoreDivida os leads de um per\u00edodo em faixas de score e me\u00e7a quantos de cada faixa viraram oportunidade. Se o modelo ordena bem, a taxa sobe de faixa em faixa. Exemplo hipot\u00e9tico de um trimestre:Faixa de scoreLeadsOportunidadesTaxa de convers\u00e3o0\u2013241.20060,5%25\u201349600122,0%50\u201374250208,0%75 ou mais801822,5%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%). \u00c9 o argumento para vendas: atender 15% dos leads cobre dois ter\u00e7os do pipeline.Tr\u00eas sinais de que o modelo precisa de ajuste:Faixas vizinhas convertem igual. Os pontos que separam essas faixas n\u00e3o carregam informa\u00e7\u00e3o.Muita venda nasce abaixo do limiar. O modelo est\u00e1 deixando sinal de fora, como um canal (indica\u00e7\u00e3o, por exemplo) que n\u00e3o gera comportamento rastre\u00e1vel.Aceita\u00e7\u00e3o de MQL por vendas caindo. Se “sem fit” domina os motivos de devolu\u00e7\u00e3o, o problema est\u00e1 no perfil; se “timing” domina, no interesse ou no decaimento.Cuidado com amostras pequenas: com poucas oportunidades por faixa, dois ou tr\u00eas neg\u00f3cios mudam a taxa inteira. E registre a data de cada mudan\u00e7a de pesos, para n\u00e3o misturar dois modelos na mesma an\u00e1lise.Perguntas frequentes sobre lead scoringQual a diferen\u00e7a 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?N\u00e3o h\u00e1 n\u00famero universal. O limiar certo \u00e9 o que gera um volume de MQLs que o time comercial consegue atender dentro do SLA e que mostra taxa de convers\u00e3o 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 aquisi\u00e7\u00e3o. Revise com os motivos de devolu\u00e7\u00e3o de vendas em m\u00e3os.Seu CRM est\u00e1 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 est\u00e1 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 opera\u00e7\u00e3o de CRM da sua empresa, fale com a Na\u00e7\u00e3o Digital.Compartilhe:"},{"@context":"https:\/\/schema.org\/","@type":"BreadcrumbList","itemListElement":[{"@type":"ListItem","position":1,"name":"Blog","item":"https:\/\/nacao.digital\/blog\/#breadcrumbitem"},{"@type":"ListItem","position":2,"name":"Lead scoring: como pontuar leads e passar para vendas na hora certa","item":"https:\/\/nacao.digital\/blog\/lead-scoring\/#breadcrumbitem"}]}]