Lead grading vs lead scoring: cómo usar ambos

Por Laurel · Actualizado el 8 de septiembre de 2026

Un representante abre un lead con un puntaje de 85 sobre 100 y asume que está caliente. Resulta ser un estudiante universitario que llenó todos los formularios del sitio para un trabajo de clase. El número era alto. El lead no valía nada. Esa brecha es exactamente la que el lead grading existe para cerrar.

La mayoría de los equipos que tienen dificultades para priorizar leads no carecen de un modelo de scoring. Les falta la otra mitad de la ecuación. El scoring le dice qué tan interesada está una persona. No dice nada sobre si esa persona, o su empresa, podría llegar a ser un cliente real. El grading responde esa segunda pregunta. Si lo omite, su lista de leads «más calientes» seguirá mezclando estudiantes, competidores y personas en busca de empleo con sus compradores reales.

Esta guía explica qué es el lead grading, cómo construir un modelo A-D a partir de sus propios datos de negocios ganados en lugar de opiniones, cómo los criterios negativos mantienen fuera de su pipeline a los leads de mal ajuste, y cómo se combinan la calificación y el puntaje en una única decisión de prioridad. Si aún no ha leído nuestra pieza complementaria sobre los sistemas de lead scoring, comience por ahí para conocer el lado de la interacción de esta ecuación. Este artículo es el lado del ajuste, y ambos están pensados para leerse juntos.

Datos Clave: Lead grading

• Los representantes de ventas dedican apenas el 40% de su tiempo a vender realmente, y el resto se pierde en tareas administrativas, captura de datos y en perseguir prospectos que nunca fueron un buen ajuste, según el informe State of Sales (Seventh Edition) de Salesforce. Fuente
• Solo el 27% de los leads B2B está listo para ventas en el momento en que interactúa por primera vez con una empresa; el otro 73% aún no está listo para una conversación de ventas, según el B2B Benchmark Report 2012 de MarketingSherpa. Fuente
• Los representantes desperdician un estimado del 27% de su tiempo potencial de venta persiguiendo datos de contacto incorrectos o incompletos en lugar de trabajar oportunidades reales, según una investigación de ZoomInfo/Validity. Fuente
• Solo el 44% de las empresas B2B usa algún sistema formal de lead scoring o grading para separar a los prospectos de buen ajuste de los de mal ajuste, según la investigación de 2025 de Landbase. Fuente

Qué es el lead grading

El lead grading es la práctica de asignar una calificación con letra, normalmente de la A a la D, a un lead según cuánto coincide con su perfil de cliente ideal. Responde una sola pregunta: si esta persona o empresa estuviera lista para comprar hoy, ¿la querríamos realmente como cliente?

Esa pregunta es completamente distinta de «qué tan interesados están ahora mismo», que es lo que mide el lead scoring. El grading observa datos firmográficos (tamaño de la empresa, ingresos, industria), datos demográficos (cargo, nivel de seniority, departamento), datos tecnográficos (qué herramientas ya usan) y el ajuste geográfico (si realmente atiende su región). Nada de eso cambia porque alguien haya abierto tres emails esta semana. Una fintech de 200 personas es una fintech de 200 personas, tanto si su VP of Sales está explorando activamente su página de precios como si no ha visitado su sitio en seis meses.

El scoring, en cambio, se construye por completo a partir del comportamiento: visitas a páginas, descargas, clics en emails, solicitudes de demo. Se mueve constantemente y suele decaer con el tiempo. El grading se parece más a una verificación crediticia que a un anillo del humor. Es de movimiento lento, se basa en quién es alguien y no en lo que hace esta semana, y rara vez necesita recalcularse a menos que cambie la propia empresa: una nueva ronda de financiamiento, una adquisición, un giro hacia un nuevo mercado.

Lead grading vs lead scoring: la diferencia central

La confusión entre estos dos términos es comprensible. Ambos producen un número o una letra asociados a un registro de lead, ambos alimentan decisiones de enrutamiento y ambos se agrupan bajo «calificación de leads» en la conversación informal. Pero miden cosas ortogonales, y fusionarlas en un solo número es donde fallan la mayoría de los sistemas de calificación.

Observe que ninguna de las dos columnas es «el puntaje de calificación». Son insumos de la calificación, y esta solo se vuelve precisa cuando se miran ambas juntas, un punto al que volveremos en la matriz de prioridad más abajo. Si aún está decidiendo dónde encajan el grading y el scoring respecto a sus frameworks de calificación de leads más amplios, piense en ellos como los dos insumos básicos sobre los que se construyen esos frameworks (como las definiciones de MQL/SQL).

El modelo de calificación A-D

La mayoría de los equipos B2B que califican leads usan una escala de cuatro niveles con letras, de la A a la D, porque es lo bastante simple para que ventas confíe en ella de un vistazo y lo bastante granular para ser útil en el enrutamiento.

Los leads Grado A son su coincidencia de manual con el ICP. Tamaño de empresa correcto, industria correcta, cargo correcto, región correcta, idealmente con una señal tecnográfica o de crecimiento añadida encima. Son las cuentas que sus mejores representantes elegirían primero si pudieran escoger su propio territorio.

Los leads Grado B son un ajuste sólido con una o dos brechas. Quizá la empresa es un poco más pequeña que su punto ideal, o el contacto es Director en lugar de VP. Siguen valiendo la pena, solo que con un poco más de trabajo de calificación al inicio.

Los leads Grado C tienen un ajuste parcial con brechas reales. Pueden estar en una industria adyacente o tener un cargo de influenciador y no de responsable de la decisión. Suelen atenderse mejor con un nurturing liderado por marketing que con una llamada de ventas inmediata, y son buenos candidatos para afinarse con trabajo de buyer persona.

Los leads Grado D son un mal ajuste, o activan directamente un descalificador. Geografía incorrecta, un correo personal, el dominio de un competidor, una empresa muy fuera de su rango de tamaño atendible. Grado D no significa «ignorarlos para siempre». Significa que no deje que el tiempo de ventas se acerque a ellos hasta que cambie algo material en la cuenta.

Los umbrales de puntos exactos que use para trazar las líneas entre A, B, C y D deben provenir de sus propios datos, no de una plantilla. Así se construyen.

Cómo construir sus criterios de grading con datos de negocios ganados, no con opiniones

El error más grande en el lead grading es diseñar el modelo en torno a lo que ventas supone que importa y no a lo que muestran realmente los datos. Los representantes tienen opiniones firmes y sostenidas con seguridad sobre cómo es un «buen lead», y esas opiniones con frecuencia son erróneas, o al menos incompletas.

Comience extrayendo todos los negocios ganados de los últimos 12 a 24 meses. De cada uno, capture los atributos firmográficos y demográficos en el momento en que el lead entró por primera vez a su pipeline: tamaño de la empresa, industria, cargo, región, stack tecnológico, etapa de financiamiento. Luego extraiga los mismos atributos de una muestra de leads perdidos y descalificados, y busque la diferencia entre ambos grupos.

Haga preguntas concretas. ¿Qué porcentaje de los negocios ganados provino de empresas en cierto rango de empleados, frente a su universo total de leads? Si el 70% de sus ingresos proviene de empresas con 100 a 1,000 empleados pero ese rango es solo el 25% de sus leads totales, el tamaño de la empresa es un predictor fuerte y debe tener un peso real. Si la industria casi no muestra diferencia entre negocios ganados y perdidos, no gaste puntos en ella solo porque parezca intuitivamente importante.

Es la misma disciplina que hay detrás de construir un perfil de cliente ideal defendible: deje que el patrón de su base real de clientes defina los criterios y luego traduzca ese patrón en puntos.

Criterios de grading y ponderaciones de ejemplo

Una vez ponderado, asigne el total de puntos resultante a su escala de letras, lo bastante simple para que un representante mire un registro y entienda por qué quedó donde quedó.

Asignación de puntos a calificación

Criterios negativos de grading: sus descalificadores

Los atributos positivos le dicen a quién perseguir. Los atributos negativos, a veces llamados descalificadores, le dicen a quién dejar de perseguir sin importar qué tan interesado parezca. Esta es la parte del grading que la mayoría de los modelos caseros omite, y suele ser la razón por la que un lead de «puntaje alto» resulta ser un callejón sin salida.

Los descalificadores comunes incluyen dominios de correo de competidores, direcciones de correo personales o gratuitas en un formulario que solo deberían usar compradores empresariales, tamaños de empresa muy fuera de su rango atendible, geografías en las que no vende y cargos que indican ausencia de poder de compra (estudiantes, personas en busca de empleo, reclutadores que navegan una página de carreras). Cada uno de estos debe restar los puntos suficientes para garantizar un resultado de Grado D, o fijar directamente el grado en D sin importar qué más haya en el registro. No deje que un puntaje positivo alto compense un descalificador estricto. Si alguien es un competidor, ninguna cantidad de visitas a la página de precios cambia eso.

Los criterios negativos también protegen la credibilidad de su modelo ante ventas. Los representantes dejan de confiar en un sistema de grading la primera vez que les entrega un lead obviamente equivocado, y una capa limpia de descalificadores elimina esos errores bochornosos antes de que una persona los vea.

Combinar calificación y puntaje: la matriz de prioridad

Aquí es donde el grading se gana su lugar. Por sí sola, una calificación le dice quién vale la pena perseguir con el tiempo. Por sí solo, un puntaje le dice quién está activo ahora mismo. Ninguno de los dos, por separado, le dice qué hacer hoy. Póngalos en dos ejes y obtendrá una matriz que sí lo hace.

Ubique la calificación (de la A a la D) en un eje y el nivel de interacción en el otro, desde caliente (interactuando activamente ahora) hasta frío (sin actividad reciente). Cada lead cae en exactamente una celda, y esa celda debe corresponder a una acción concreta.

Dos celdas de esta matriz importan más que el resto, porque es donde fallan la mayoría de los sistemas caseros.

Alto ajuste, baja interacción (arriba a la derecha de las filas A y B) es su zona de nurturing. Son cuentas que realmente quiere como clientes, pero que aún no muestran señales activas de compra. Con frecuencia simplemente están al inicio del recorrido del comprador, investigando un problema que todavía no se han comprometido a resolver. No se las entregue a ventas para una llamada en frío; eso quema buena voluntad con una cuenta que querrá más adelante. Enrútelas a un recorrido de nurturing de ciclo más largo y vuelva a revisarlas a medida que crezca la interacción mediante sus programas de lead nurturing.

Bajo ajuste, alta interacción (arriba a la izquierda de la fila D) es la trampa clásica. Es el lead que se ve fantástico en un puntaje de una sola dimensión, porque llenó todos los formularios y hizo clic en todos los enlaces, pero es un estudiante, un competidor que investiga o simplemente una empresa a la que no puede atender. Si su proceso de calificación solo mira la interacción, este lead llega directo a la cola de un representante y desperdicia tiempo real de venta. Si solo mira el ajuste, podría pasar por alto que esta celda a veces sí contiene una cuenta legítima que superó sus supuestos, y que merece una revisión manual rápida y no una supresión automática. Por eso «marcar para revisión» supera a «enrutar automáticamente» en esta celda: una revisión humana cuesta un minuto, una llamada de ventas desperdiciada cuesta mucho más.

Enrutamiento y SLA por combinación de calificación y puntaje

Una vez que cada lead tiene una posición en la matriz, puede convertir esa posición en una regla operativa concreta: tiempo de respuesta y responsable. Aquí es donde el grading deja de ser un ejercicio analítico y empieza a cambiar lo que ocurre en los primeros cinco minutos después de que llega un lead, justo el momento en que el tiempo de respuesta a leads tiene el mayor efecto sobre la conversión.

Lleve esta tabla directamente a su lógica de enrutamiento de leads y a su workflow de gestión del estado de los leads, para que la calificación y el nivel de interacción de un lead definan automáticamente su etapa, su responsable y su reloj. Ahí también es donde las definiciones de MQL vs SQL se vuelven concretas en lugar de discutibles: en la práctica, un MQL suele ser un lead que superó un umbral mínimo de calificación e interacción, y un SQL es uno que un representante validó personalmente además de eso.

Grading manual vs basado en reglas vs predictivo

Igual que el lead scoring, el grading puede construirse de tres maneras distintas, y la elección correcta depende de cuántos datos históricos tenga y de cuánto necesite que el modelo sea explicable.

El grading basado en reglas es el punto de partida correcto para casi todos los equipos aquí. Es transparente, rápido de construir una vez que ha hecho el análisis de negocios ganados descrito arriba, y los representantes pueden ver exactamente por qué un lead quedó donde quedó, lo cual importa para la adopción. El grading predictivo vale la inversión cuando hay suficiente volumen para que un modelo encuentre patrones que una hoja de cálculo no puede, pero debe construirse sobre una base de reglas, no reemplazarla desde el primer día.

Recalibrar cuando su ICP cambia

Un modelo de grading construido hoy es una instantánea de quiénes fueron sus mejores clientes durante el último año o dos. Esa instantánea queda obsoleta en el momento en que cambian su producto, su mercado o su motor go-to-market, y la mayoría de los equipos no lo nota hasta que ventas empieza a quejarse de que los leads «grado A» han dejado de convertir.

Fije una revisión trimestral como cadencia por defecto, y trate estos como disparadores para una revisión anticipada: una nueva línea de producto que abre un comprador distinto, un cambio de precios que desplaza su punto ideal de tamaño de empresa, un cambio en el motor go-to-market (subir de segmento, lanzar autoservicio) o dos o tres trimestres consecutivos en los que los leads Grado A convierten a una tasa notablemente menor.

El proceso de recalibración es el mismo análisis de negocios ganados que hizo la primera vez, solo que repetido con la cohorte de negocios más reciente. Si el tamaño de la empresa dejó de predecir resultados pero el nivel de seniority del cargo se volvió más predictivo, ajuste los puntos en consecuencia. No tema mover también los umbrales de calificación. Si de repente el 90% de sus leads cae en Grado A porque el mercado se movió hacia su ICP, sus umbrales se han vuelto demasiado laxos para ser útiles en la priorización.

Errores comunes del lead grading que debe evitar

Calificar por intuición en lugar de datos. «Reconocemos un buen lead cuando lo vemos» es exactamente el supuesto que el análisis de negocios ganados busca poner a prueba, y es incorrecto con más frecuencia de lo que los equipos de ventas esperan. Una calificación por intuición tampoco puede auditarse, explicarse a un nuevo integrante ni mejorarse de forma sistemática.

Nunca revisar los umbrales. Un modelo de grading no es un proyecto de una sola vez. Los mercados cambian, los productos evolucionan, y un modelo que nadie ha tocado en dieciocho meses casi con seguridad clasifica mal leads que habría calificado bien hace un año.

Dejar que la interacción se imponga al ajuste. Esta es la trampa de bajo ajuste y alta interacción de la matriz de prioridad, y es la forma más común en que los leads de mal ajuste terminan desperdiciando tiempo de ventas. Un puntaje alto nunca debería bastar, por sí solo, para saltarse un descalificador estricto.

Calificar con datos que no recopila de forma fiable. Si su formulario solo captura el correo y el nombre de la empresa, no construya un modelo de grading que dependa de un cargo y un número de empleados precisos para la mitad de su peso. Invierta en enriquecimiento de datos de leads para llenar esos vacíos de forma fiable, o construya el modelo en torno a los atributos de los que sí tiene datos limpios y consistentes. Un modelo construido sobre datos irregulares produce calificaciones irregulares, y las calificaciones irregulares son peores que no tener ninguna porque generan una falsa confianza.

Hacia dónde ir desde aquí

El grading y el scoring son dos mitades del mismo sistema de calificación, no métodos que compiten. Una vez que ambos están en su lugar, el resto de su stack de lead management se afina: las decisiones de enrutamiento dejan de depender de un único número ambiguo, los tipos de leads se definen con más facilidad con el ajuste y la intención como variables separadas, e incluso los motores product-led se benefician, ya que un product qualified lead todavía necesita una verificación de ajuste antes de entregarse a un representante, no solo datos de uso.

Comience con el análisis de negocios ganados, construya una calificación sencilla basada en reglas, contrástela con su puntaje de interacción existente y enrute desde la matriz y no desde un único número combinado. El modelo no será perfecto el primer día. Solo necesita ser mejor que la intuición de un representante, y una calificación A-D construida con datos casi siempre lo es.