El modelo de puntuación suele ser lo último que alguien audita cuando el pipeline flaquea. Los equipos revisan sus secuencias, reconsideran la definición del ICP y prueban nuevos mensajes. El modelo permanece intacto porque parece infraestructura: construido una vez, funcionando en silencio, probablemente bien.
Lo que seguimos encontrando cuando nos integramos con un equipo es que el modelo no está bien, y la razón casi siempre se remonta a un único lugar: los datos de enriquecimiento sobre los que se construyó y de los que sigue extrayendo información. La calidad de datos del lead scoring es el problema de origen que hace que el modelo sea incorrecto antes de que un representante vea siquiera una puntuación.
Por qué la calidad de datos del lead scoring comienza con el enriquecimiento
La configuración estándar funciona así: llega un lead, una herramienta de enriquecimiento añade campos, el modelo de puntuación lee esos campos y asigna un número. La lógica de puntuación suele parecer razonable: ajuste firmográfico, señales de interacción, coincidencia de cargo con el ICP. Pero los datos firmográficos que añadió la herramienta, en muchos casos el 30-40% de esos valores de campo son incorrectos, están desactualizados o no coinciden.
Eso no es especulación. Es lo que encontramos cuando realizamos auditorías de datos en una muestra de cuentas antes de construir o reconstruir un modelo de puntuación. Los rangos de número de empleados difieren en una banda. Las etiquetas de sector no coinciden con el negocio real de la empresa. Los cargos están mapeados a niveles de jerarquía que no reflejan la estructura real de la organización. La herramienta de enriquecimiento hizo coincidir un dominio y extrajo un registro, pero extrajo el equivocado, o uno que era preciso hace dos años.
Nos guste o no, la mayoría de los equipos solo descubre esto cuando los SDRs empiezan a quejarse de que los leads con puntuación no coinciden con lo que encuentran cuando los llaman. Esa es una señal tardía para detectar un problema fundamental.
El problema de la herencia silenciosa
Lo que hace tropezar a los equipos es que su modelo de puntuación no usa los datos incorrectos solo una vez. Los hereda como un patrón. Si su herramienta de enriquecimiento clasifica sistemáticamente como enterprise a empresas con 50-200 empleados, y su modelo fue entrenado con conversiones históricas que incluían ese mismo etiquetado incorrecto, el modelo aprende la señal equivocada como predictor.
Así termina con problemas de calidad de datos del lead scoring que corrompen tanto el conjunto de entrenamiento como el flujo de inferencia en tiempo real. Corrige la fuente de enriquecimiento de ahora en adelante, pero los pesos del modelo siguen reflejando la clasificación incorrecta anterior. Los compradores con quienes hablamos suelen describir esto como una deriva lenta: "Nuestra puntuación funcionó bien durante los primeros seis meses, luego empezamos a perder cosas." Con frecuencia, eso no es un cambio en el comportamiento del mercado. Es el error de enriquecimiento acumulado manifestándose a gran escala.
A mi modo de ver, este es un problema de errores acumulativos. Cada campo incorrecto no es solo una puntuación equivocada, es un patrón erróneo integrado en un modelo que se activa con cada lead siguiente. 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 requiere la calidad de datos del lead scoring
Hay dos auditorías aquí, relacionadas pero no idénticas en su ejecución.
La primera es una auditoría de enriquecimiento. ¿De qué campos depende su modelo? ¿Cuál es la exactitud de esos campos en una muestra? Se extraen 100-200 cuentas del CRM, se verifican los valores enriquecidos contra fuentes que se puedan confirmar y se mide la tasa de error por campo: número de empleados, clasificación de sector, ubicación de la sede central, stack tecnológico y la jerarquía del contacto original. Haga esto antes de construir un modelo de puntuación, y definitivamente antes de reconstruir uno.
La segunda es una auditoría del modelo: ¿qué campos predicen la conversión en los datos históricos, frente a cuáles simplemente parece que deberían predecirla? Muchos modelos de puntuación se construyen sobre la intuición de alguien acerca de cómo es un buen lead. Juntas, esas dos auditorías ofrecen una definición operativa de la calidad de datos del lead scoring: los campos correctos, con datos limpios en esos campos, verificados contra los resultados que importan.
No existe ningún proveedor que resuelva esto de forma automática. Las herramientas de enriquecimiento, incluidas las nativas de IA, citan tasas de coincidencia, pero la tasa de coincidencia y la exactitud de los campos son números distintos. Una herramienta puede coincidir con el 90% de los registros y aun así estar equivocada en el 40% de los valores que añade. Una consultora de RevOps fraccional publica una mejora del 40% en la exactitud de las previsiones tras un compromiso de 90 días, y lo creería para el cliente adecuado. Pero esa mejora casi siempre comienza con lo que alimenta la previsión, no con la lógica de la previsión en sí.
Algunos proveedores de RevOps publican ahora precios de alcance fijo para reconstrucciones de sistemas que incluyen exactamente este tipo de revisión de datos y puntuación, lo que al menos facilita a los compradores dimensionar en qué consiste el trabajo.
Qué hacemos cuando nos integramos en esto
Las primeras dos semanas casi nunca ocurren dentro del modelo de puntuación. Ocurren en los datos: extrayendo una muestra, realizando la auditoría de enriquecimiento, mapeando qué campos lee el modelo y cómo se ve la tasa de error en una verificación puntual.
No tengo una respuesta definitiva sobre la automatización de la verificación de exactitud continua. La exactitud del enriquecimiento se degrada a medida que las empresas cambian y las herramientas actualizan sus fuentes, y no existe una señal de exactitud en tiempo real confiable integrada en la mayoría de las APIs de enriquecimiento. La mejor práctica que hemos encontrado es una revisión trimestral de muestras de los campos de mayor peso, combinada con una verificación de actualidad en sus cuentas activas con mayor puntuación.
Lo segundo es asegurarse de que el modelo de puntuación se pruebe contra un conjunto de validación que use los datos de enriquecimiento que produce su herramienta, no datos limpiados manualmente. Si construye un modelo con datos firmográficos verificados y luego lo despliega contra datos añadidos, ha construido para una distribución de entrada diferente. La calidad de datos del lead scoring significa que los datos que el modelo ve durante el entrenamiento deben coincidir con los que ve en la inferencia, incluidos los errores.
La mayoría de las conversaciones del tipo "nuestra puntuación no está funcionando" que tenemos se remontan a aquí. La lógica de puntuación suele estar bien. La higiene de datos del CRM que la sustenta, no. Y corregir la capa de datos, en lugar de añadir más criterios de puntuación sobre la misma base defectuosa, es donde tiende a recaer el trabajo.
Si está trabajando en esto, el análisis y los marcos que hemos publicado sobre sistemas RevOps describen cómo abordamos una auditoría de datos y enriquecimiento antes de cualquier reconstrucción de puntuación. La calidad de datos del lead scoring es, para la mayoría de los equipos, el punto de partida, y es la parte que se omite con mayor frecuencia.