El modelo de scoring suele ser lo último que alguien audita cuando el pipeline se resiente. Los equipos rehacen sus secuencias, revisan la definición del ICP, prueban nuevos mensajes. El modelo queda intacto porque parece infraestructura: se construyó una vez, funciona sin hacer ruido y probablemente está bien.
Lo que encontramos una y otra vez al integrarnos con un equipo es que el modelo no está bien, y el motivo casi siempre remite a un solo lugar: los datos de enrichment sobre los que se construyó y de los que sigue alimentándose. La calidad de datos del lead scoring es el problema de origen que hace que el modelo se equivoque antes de que un representante vea siquiera una puntuación.
Por qué la calidad de datos del lead scoring empieza en el enrichment
La configuración estándar es esta: entra un lead, una herramienta de enrichment añade campos, el modelo de scoring lee esos campos y asigna un número. La lógica del scoring suele parecer razonable: ajuste firmográfico, señales de interacción, correspondencia de cargos con un ICP. Pero ¿y los datos firmográficos que añadió la herramienta? En muchos casos, entre el 30 y el 40% de esos valores son incorrectos, están desactualizados o no corresponden.
No es una especulación. Es lo que encontramos cuando auditamos los datos de una muestra de cuentas antes de construir o reconstruir un modelo de scoring. Rangos de número de empleados desfasados en un tramo. Etiquetas de industria que no coinciden con el negocio real de la empresa. Cargos asignados a niveles de seniority que no reflejan cómo está estructurada la organización. La herramienta de enrichment cruzó un dominio y trajo un registro, pero trajo el equivocado, o uno que era exacto hace dos años.
Para bien o para mal, la mayoría de los equipos lo descubre cuando los SDRs empiezan a quejarse de que los leads con puntuación alta no se parecen a lo que encuentran cuando llaman. Es una señal tardía para detectar un problema de base.
El problema de la herencia silenciosa
Lo que desconcierta a los equipos es que su modelo de scoring no usa datos erróneos una sola vez. Los hereda como patrón. Si su herramienta de enrichment clasifica sistemáticamente como enterprise a las empresas de 50-200 empleados, y su modelo se entrenó con conversiones históricas que incluían esa misma etiqueta errónea, el modelo aprende la señal equivocada como predictor.
Así que los problemas de calidad de datos del lead scoring terminan corrompiendo tanto el conjunto de entrenamiento como el flujo de inferencia en vivo. Usted corrige la fuente de enrichment hacia adelante, pero los pesos del modelo siguen reflejando la clasificación errónea anterior. Los compradores con los que hablamos suelen describirlo como una deriva lenta: "Nuestro scoring funcionó bien los primeros seis meses y luego empezamos a perder cosas". Con frecuencia no se trata de un cambio en el comportamiento del mercado. Es el error de enrichment acumulado que se manifiesta a escala.
A mi juicio, este es un problema de error compuesto. Cada campo incorrecto no es solo una puntuación equivocada; es un patrón erróneo incorporado a un modelo que se activa con cada lead posterior. El mecanismo importa porque no se puede corregir la calidad de datos del lead scoring ajustando los criterios de puntuación. Hay que corregir lo que alimenta esos criterios.
Qué exige la calidad de datos del lead scoring
Hay dos auditorías, relacionadas pero no equivalentes.
La primera es una auditoría de enrichment. ¿Qué campos usa su modelo? ¿Qué nivel de exactitud tienen esos campos en una muestra? Se extraen entre 100 y 200 cuentas del CRM, se contrastan los valores enriquecidos con fuentes verificables y se mide la tasa de error por campo: número de empleados, clasificación de industria, ubicación de la sede, tech stack y seniority del contacto original. Hágalo antes de construir un modelo de scoring y, sobre todo, antes de reconstruir uno.
La segunda es una auditoría del modelo: qué campos predicen la conversión en los datos históricos, frente a qué campos solo parece que deberían predecirla. Muchos modelos de scoring se construyen sobre la intuición de alguien acerca de cómo es un buen lead. Juntas, estas dos auditorías le dan una definición operativa de calidad de datos del lead scoring: los campos correctos, con datos limpios en esos campos, verificados frente a los resultados que le importan.
Ningún proveedor resuelve esto de forma automática. Las herramientas de enrichment, incluidas las nativas de IA, publicitan tasas de coincidencia, pero la tasa de coincidencia y la exactitud de los campos son cifras distintas. Una herramienta puede cruzar el 90% de los registros y aun así equivocarse en el 40% de los valores que añade. Una consultora de RevOps fractional afirma haber logrado mejoras de alrededor del 40% en la precisión del forecast tras un compromiso de 90 días, y lo creo para el cliente adecuado. Pero esa mejora casi siempre empieza por lo que alimenta el forecast, no por la lógica del forecast en sí.
Algunas firmas de RevOps ya publican precios de scope fijo para reconstrucciones de sistemas que incluyen precisamente este tipo de revisión de datos y scoring, lo que al menos facilita a los compradores dimensionar en qué consiste el trabajo.
Qué hacemos cuando nos integramos en este frente
Las primeras dos semanas casi nunca transcurren dentro del modelo de scoring. Transcurren en los datos: extraer una muestra, ejecutar la auditoría de enrichment y mapear qué campos lee el modelo y qué tasa de error muestra una verificación puntual.
No tengo una gran respuesta sobre cómo automatizar la verificación continua de exactitud. La exactitud del enrichment se degrada a medida que las empresas cambian y las herramientas actualizan sus fuentes, y la mayoría de las APIs de enrichment no incorpora una señal fiable de exactitud en tiempo real. La mejor práctica que hemos encontrado es una revisión trimestral de muestras sobre los campos de mayor peso, junto con una verificación de actualidad en sus cuentas activas con mayor puntuación.
Lo segundo es asegurarse de que el modelo de scoring se pruebe con un conjunto de validación (holdout) que use los datos de enrichment que produce su herramienta, no datos depurados manualmente. Si construye un modelo con datos firmográficos verificados y luego lo despliega sobre datos añadidos automáticamente, lo habrá construido para una distribución de entrada distinta. La calidad de datos del lead scoring implica que los datos que el modelo ve en el entrenamiento deben coincidir con los que ve en la inferencia, errores incluidos.
La mayoría de las conversaciones del tipo "nuestro scoring no funciona" que mantenemos remiten a este punto. La lógica del scoring suele estar bien. La higiene de datos del CRM que hay debajo, no. Y corregir la capa de datos, en lugar de apilar más criterios de scoring sobre la misma base defectuosa, es donde suele terminar el trabajo.
Si está abordando este tema, el análisis y los marcos que hemos publicado sobre sistemas de RevOps explican cómo planteamos una auditoría de datos y de enrichment antes de cualquier reconstrucción del scoring. La calidad de datos del lead scoring es, para la mayoría de los equipos, el punto de partida, y es la parte que más a menudo se omite.