Qué datos de CRM necesitas para un modelo de scoring que sea útil

Los modelos de scoring —ya sea para priorizar leads o para clasificar clientes por valor potencial— son uno de los proyectos de IA más demandados en equipos comerciales. La promesa es clara: en lugar de que el comercial decida por intuición a quién llamar primero, un score numérico prioriza las oportunidades por probabilidad de conversión o por valor esperado.

Pero la calidad del scoring depende enteramente de los datos que lo alimentan. Y la realidad de la mayoría de CRMs es que los datos están incompletos, desactualizados o capturados de forma inconsistente. Antes de construir el modelo, hay que entender qué datos importan y cómo hay que prepararlos.

¿Cuáles son los 3 tipos de datos que alimentan un scoring?

Un modelo de scoring combina tres tipos de información, cada uno con un papel distinto:

1. Datos de perfil (quién es el lead o cliente)

Sector de la empresa, tamaño (empleados, facturación), cargo de la persona de contacto, ubicación geográfica, canal de captación. Son los datos que suelen estar en el CRM desde la creación del registro. Su valor predictivo es moderado —ayudan a filtrar— pero rara vez son suficientes por sí solos para un scoring útil.

2. Datos de comportamiento (qué ha hecho)

Visitas a la web, descargas de contenido, asistencia a webinars, apertura de emails, interacciones con el equipo comercial (llamadas, reuniones, demos). Estos datos tienen mucho más poder predictivo que los de perfil porque reflejan intención real. Un CEO de una empresa de 200 empleados que ha visitado la página de precios tres veces tiene más probabilidad de convertir que uno que solo ha descargado un ebook.

3. Datos de historial comercial (qué ha pasado antes)

Si el lead ya fue cliente o tuvo interacciones comerciales anteriores, ese historial es muy predictivo: duración del ciclo de venta anterior, motivo de no conversión si no compró, productos contratados si fue cliente, incidencias que tuvo. En CRMs con suficiente historial, este bloque suele ser el más valioso.

Los campos del CRM que más impactan en el scoring

De toda la información que un CRM puede almacenar, estos son los campos que, en la práctica, más impacto tienen en la precisión del modelo:

• Canal de origen: no todos los canales producen leads de la misma calidad. Los leads que llegan por referencia o búsqueda orgánica suelen tener tasas de conversión muy superiores a los de campañas de pago genéricas.
• Número y tipo de interacciones en los últimos 30/60/90 días: la recencia y la intensidad de las interacciones son de los predictores más fuertes. Un lead que interactuó 5 veces el último mes es muy distinto de uno que no ha hecho nada en 90 días.
• Cargo o nivel de decisión del contacto: en B2B, si el contacto es un director o un responsable de compras, la probabilidad de conversión es mayor que si es un analista junior haciendo investigación.
• Tamaño de empresa: no porque las empresas grandes conviertan más, sino porque el valor de la conversión es distinto. El scoring puede combinar probabilidad con valor esperado para priorizar de forma más inteligente.
• Etapa actual en el pipeline: los leads que ya han tenido una demo o una reunión de descubrimiento tienen señales más claras que los que acaban de registrarse.

Los problemas de datos que rompen un scoring

Estos son los problemas que encontramos con más frecuencia al analizar los datos de CRM antes de construir un modelo:

1. 1Campos vacíos o con valores genéricos. Si el 40% de los registros tienen «sector: otros» o el cargo está vacío, el modelo pierde variables predictivas. La solución no es inventar datos: es mejorar el proceso de captura para que los nuevos registros estén completos.
2. 2Historial comercial no registrado. Si los comerciales no registran las interacciones (llamadas, emails, reuniones) en el CRM, el modelo no tiene datos de comportamiento. Es el problema más habitual y el más difícil de resolver: requiere cambio de hábitos del equipo comercial.
3. 3Definición inconsistente de «conversión». Si unos comerciales marcan una oportunidad como ganada cuando se firma el contrato y otros cuando se envía la propuesta, el modelo aprende con datos contaminados. Hay que estandarizar la definición antes de entrenar.
4. 4Falta de histórico de «no conversiones». Un modelo necesita ejemplos de leads que SÍ convirtieron y de leads que NO convirtieron. Si el CRM solo guarda los que avanzaron por el pipeline y borra o archiva los que no, hay un sesgo de supervivencia que distorsiona el scoring.
5. 5Datos desactualizados. Un lead que se registró hace 18 meses con un email personal y cargo «freelance» puede haber cambiado de empresa dos veces. Si el CRM no se actualiza, el modelo trabaja con una foto antigua.

Cómo preparar los datos antes de construir el modelo

El trabajo previo al modelo es más importante que el modelo en sí. Empieza por auditar la calidad del CRM: ¿qué porcentaje de campos clave está completo? ¿Los comerciales registran las interacciones? ¿La definición de conversión es consistente? Si la auditoría revela problemas graves, primero hay que resolverlos. Si la calidad es razonable (70-80% de campos clave completos, historial de 12+ meses), ya puedes construir un primer modelo. En nuestro servicio de inteligencia artificial el análisis de calidad de datos es siempre el primer paso antes de construir cualquier modelo predictivo, y si el problema es más profundo, la auditoría de calidad de datos cubre el diagnóstico y la corrección de los problemas desde el origen.