Uso de modelos de Machine Learning para predecir matemáticamente la probabilidad de que un prospecto se convierta en un cliente que pague, basándose en patrones históricos.
Explicación y Contexto Conceptual
El Lead Scoring tradicional se apoya en reglas manuales arbitrarias formuladas por humanos (por ejemplo: "sumar 10 puntos si abre un email, sumar 5 si descarga un PDF"). Sin embargo, estas reglas suelen fallar y no reflejan la realidad comercial. El scoring predictivo examina miles de atributos históricos de clientes que compraron y de aquellos que se marcharon.
Algoritmos de clasificación supervisada (como Random Forest o XGBoost) identifican combinaciones sutiles de datos (tecnología web, título del puesto, número de visitas en 48 horas, dominio de correo) para asignar una puntuación de propensión objetiva.
Ejemplo en la Práctica
Salesforce Einstein asigna una puntuación predictiva de 92/100 a un nuevo lead porque comparte 8 atributos ocultos con los 50 mayores clientes cerrados por la empresa en el último año.