Matemática do Funil: MQL, SQL e Forensics de Oportunidades

O número de MQL subiu 32% em relação ao mês anterior. O GM está contente. Três semanas depois, as oportunidades estão estagnadas. Você não sabe por quê, e "qualidade do MQL" não é uma resposta que seu GM vai aceitar duas vezes.

Isso é forensics de funil. Você não é mais um turista de dashboard. É um investigador lendo a matemática, procurando a causa nomeada (o segmento, a fonte, o dia, o repasse) que explica por que o volume subiu e o pipeline não acompanhou.

A maioria dos Demand Gen Managers reporta taxas de conversão agregadas. Os bons reportam diagnósticos. Há uma diferença entre "MQL→SQL está em 11%" e "MQL→SQL cai para 8% às terças-feiras, e isso é a lacuna de cobertura do SDR, não qualidade dos leads." Uma faz a cabeça balançar. A outra consegue orçamento.

Alinhe a definição de MQL com vendas, incluindo a regra de rejeição

Antes de qualquer forensics, resolva isso: o AE pode rejeitar um MQL, e com base em quê? Se a resposta for "não" ou "não está claro", seu número de MQL é métrica de vaidade. Você vai reportá-lo por seis meses, vendas vai ignorá-lo silenciosamente, e um dia seu VP Sales vai dizer ao GM que leads de marketing "não convertem", e você não vai ter defesa porque não há definição compartilhada.

Aqui está o acordo de trabalho que se sustenta. Um MQL tem três coisas: fit (correspondência com o ICP da conta), intenção (um limite de pontuação baseado em comportamento) e um contato acessível. Abaixo do limite, é um lead, não um MQL. Acima do limite, mas com cargo errado, tamanho de empresa errado, geografia errada? O AE tem 24 horas para rejeitar com um código de motivo. Após 24 horas, é aceito por padrão e conta.

Os códigos de motivo importam mais do que a rejeição em si. Seis códigos são suficientes: tamanho de empresa errado, cargo/persona errada, geografia errada, cliente existente, concorrente, sem informação de contato verificada. Qualquer coisa fora desses seis é escalada. Você e um gerente de AE arbitram disputas mensalmente: 30 minutos, analisam 20 MQLs disputados, resolvem, atualizam o modelo de pontuação se um padrão aparecer.

Sem isso, você não consegue fazer forensics. O debate "isso é mesmo um MQL?" consome cada reunião e você nunca chega ao vazamento real.

Lendo taxas de conversão por fonte, persona e segmento

Uma taxa blendada de MQL→SQL de 14% esconde tudo. Esconde uma taxa de 4% no social pago que está queimando R$200K por mês e uma taxa de 38% no webinar que recebe 12% do seu orçamento. O número blendado é a mentira mais cara do seu dashboard.

Corte o funil de três formas todo mês: fonte, senioridade de persona, segmento. Sempre três formas. Não duas, não quatro. Três.

Benchmarks aproximados de MQL→SQL para B2B SaaS em 2026:

Para o MQL→SQL blendado geral, B2B SaaS saudável fica entre 12 e 15%. Acima de 20% e você provavelmente está com pontuação muito restrita. Abaixo de 8% e ou sua pontuação está muito flexível ou sua dinâmica de vendas não está calibrada para os leads que chegam.

A senioridade de persona corta de forma diferente. VP e C-level convertem MQL→SQL entre 25 e 35%. Nível de Diretor fica por volta de 18 a 25%. Nível de gerente cai para 8 a 14%. Abaixo de gerente, você frequentemente está olhando para pesquisadores, não compradores. As taxas de conversão ficam abaixo de 5% e isso não é um vazamento, é o público errado.

O segmento corta de forma diferente ainda. MQLs de SMB convertem mais rápido, mas com taxas menores e deals de menor valor. O mercado médio é o ponto ideal para a maioria dos B2B SaaS, com MQL→SQL de 15 a 22% e ciclos de negócio que você consegue prever. MQLs Enterprise convertem com menor taxa bruta (8 a 12%), mas os SQLs que passam são 6 a 10x maiores, então a matemática ainda funciona se seu time de vendas estiver preparado.

Quando você vê um número, seu reflexo deve ser: corte de três formas. Uma taxa de 14% vira um problema de social pago (4%), um motor de webinar (38%) e um piso de conteúdo/orgânico (12%). Agora você tem três diagnósticos, não um número.

Por que o SLA de 30 dias muda tudo

A maior alavanca no seu funil não é qualidade dos leads. É velocidade de resposta ao lead. Todos os estudos confiáveis da última década confirmaram isso, e ainda surpreende líderes de vendas todo trimestre. MQLs contactados em até 5 minutos convertem aproximadamente 8x melhor do que os contactados em 24 horas. Caia para 60 minutos ou mais e a conversão despenca 80% em relação ao baseline de 5 minutos.

Seu SLA não é de 30 dias. Seu SLA é de 5 minutos para requisições de demo de alto fit, 1 hora para MQLs de menor tier, e 30 dias apenas para saída total do funil (o ponto em que um MQL sem ação é reciclado para nutrição, não o prazo de trabalho ativo).

Construa o dashboard de SLA. Ele precisa de quatro coisas: tempo de MQL para primeira ação do SDR, tempo de MQL para primeiro contato, percentual de MQLs trabalhados dentro do SLA, e percentual que converteu para SQL, dividido por SDR.

Essa última divisão é onde vivem os diagnósticos nomeados. Quando você vê "MQL→SQL cai para 8% às terças-feiras", não descarta como ruído. Você puxa o cronograma de cobertura do SDR. Geralmente encontrará um de três problemas: uma reunião na manhã de segunda que consome metade da manhã do time de SDR, uma standup de terça que empurra as ligações outbound para a tarde, ou um esquema rotativo de PTO que deixa a fila inbound com cobertura insuficiente toda terça.

Nomeie a lacuna. Não apenas reporte. "Lacuna de cobertura de SDR às terças" é um diagnóstico. "Problema de qualidade" não é.

Encontrando o estágio com vazamento

Quando MQL→Oportunidade está quebrado, há três estágios suspeitos. Investigue nessa ordem, porque quase sempre é um desses três.

Estágio 1: Atraso no repasse (MQL para contato do SDR). Puxe todos os MQLs dos últimos 90 dias. Calcule o tempo até o primeiro toque. Agrupe os MQLs em 0 a 5 min, 5 a 60 min, 1 a 24h, 1 a 7 dias, 7+ dias. Compare a conversão para SQL dentro de cada grupo. Se o grupo de 0 a 5 min converte a 28% e o grupo de 1 a 24h converte a 9%, você não tem um problema de qualidade. Tem um problema de velocidade. Corrija o roteamento, não a pontuação.

Estágio 2: Incompatibilidade de persona (empresa certa, cargo errado). Agrupe os MQLs por regex de cargo em relação ao seu ICP. Cargos de "gerente" que não são decisores vão converter entre 6 e 10% independentemente da rapidez com que você ligue. Pesquisadores e analistas convertem abaixo de 4%. Se 35% do seu volume de MQL está em cargos que não são compradores, seu modelo de pontuação está recompensando comportamento que não prevê intenção de compra. Atualize o modelo. Adicione pontuação negativa para cargos não-compradores e exija ou um cargo de comprador OU uma ação de alta intenção (solicitação de demo, visita à página de preços + preenchimento de formulário) para qualificar.

Estágio 3: Deterioração de intenção (MQL com 14+ dias de fila). Alguns MQLs ficam parados na fila. Talvez os SDRs estejam trabalhando uma campanha diferente, talvez o roteamento tenha falhado, talvez a cobertura estivesse escassa naquela semana. Analise os MQLs por idade no primeiro contato. Qualquer coisa contactada após 14 dias converte a 30 a 50% da taxa de MQLs frescos. Isso não é qualidade dos leads, é deterioração de intenção. O momento de pesquisa do prospect passou.

Aqui está um padrão de SQL query que isola o Estágio 1 no HubSpot ou Salesforce. Ajuste os nomes das colunas para o seu schema:

SELECT
  CASE
    WHEN time_to_first_touch_minutes <= 5 THEN '0-5 min'
    WHEN time_to_first_touch_minutes <= 60 THEN '5-60 min'
    WHEN time_to_first_touch_minutes <= 1440 THEN '1-24 hr'
    WHEN time_to_first_touch_minutes <= 10080 THEN '1-7 dias'
    ELSE '7+ dias'
  END AS speed_cohort,
  COUNT(*) AS mqls,
  SUM(CASE WHEN became_sql = 1 THEN 1 ELSE 0 END) AS sqls,
  ROUND(100.0 * SUM(CASE WHEN became_sql = 1 THEN 1 ELSE 0 END) / COUNT(*), 1) AS conv_pct
FROM mql_events
WHERE mql_date >= DATE('now', '-90 days')
GROUP BY speed_cohort
ORDER BY MIN(time_to_first_touch_minutes);

Execute isso uma vez por semana. O resultado é uma tabela de 5 linhas que diz se velocidade é o seu problema antes de você gastar um trimestre reescrevendo seu modelo de pontuação.

A armadilha de "MQLs suficientes, sem oportunidades"

Volume em alta. Oportunidades estagnadas. Seis causas nomeadas, cada uma testável em uma semana.

1. ICP errado no topo. Suas campanhas de topo de funil estão atraindo as empresas erradas. Teste: puxe os MQLs dos últimos 30 dias, pontue-os em relação ao seu critério de ICP (setor, número de funcionários, receita, geografia, stack de tecnologia). Se menos de 60% corresponderem, suas campanhas ou sua segmentação de audiência estão erradas.

2. Desalinhamento do script do SDR. Scripts escritos há 18 meses para um posicionamento de produto diferente. Teste: sente em 10 chamadas de SDR. Conte quantas vezes o SDR explica a proposta de valor com linguagem que corresponde ao seu site atual. Se menos de 70%, você tem um problema de script, não de lead.

3. AE desqualificando por higiene de pipeline. AEs sob pressão de quota descartam SQLs "marginais" para manter suas taxas de conversão limpas. Teste: puxe SQLs desqualificados por AE e redirecione 20 para um AE diferente. Se 25% ou mais se tornarem oportunidades, você tem um problema de higiene mascarado como problema de qualidade.

4. Vazamento de atribuição. MQLs estão convertendo para oportunidades, mas as oportunidades não estão sendo marcadas de volta à fonte. Então o dashboard mostra "sem pipeline". Teste: puxe os últimos 90 dias de fechados-ganhos e rastreie cada um até o primeiro toque. Se 25% ou mais não têm fonte de MQL vinculada, sua atribuição está quebrada antes do seu funil.

5. No-shows em demos. SQLs estão sendo agendados, mas 40% dos demos não comparecem. Teste: conte agendamentos de demo vs. demos realizados nos últimos 30 dias. O saudável é 70 a 85% de realização. Abaixo de 60% e o fluxo de agendamento precisa de uma sequência de confirmação, lembretes de calendário e uma oferta de reagendamento no mesmo dia.

6. Inflação de MQL por pontuação com limite baixo. Alguém baixou o limite para "bater o número". O volume sobe, a conversão despenca. Teste: reprocesse seu modelo de pontuação com o limite do trimestre passado e recalcule MQL→SQL. Se a conversão era 14% antes e agora é 9%, você não conseguiu mais MQLs. Conseguiu mais leads rotulados como MQLs.

Cada um desses leva uma semana para testar. Faça-os em ordem. Não rode todos os seis em paralelo, porque você não vai saber qual correção moveu o número.

Forensics de atribuição no HubSpot, Salesforce e Rework

Atribuição é onde a maioria dos Demand Gen Managers trava. Há três modelos, e você vai ter debates sobre qual é o "certo" pelo resto da sua carreira.

Primeiro toque credita a campanha que trouxe o prospect para seu banco de dados. Bom para medir campanhas de topo de funil. Ruim para medir velocidade de negócio.

Último toque credita a campanha que converteu o MQL para SQL ou o SQL para oportunidade. Bom para medir campanhas de apoio a vendas. Ruim para medir marca e criação de demanda.

Multitoque distribui o crédito por todos os toques na jornada, ponderados por posição ou por algum modelo de atribuição (W-shaped, U-shaped, time-decay). Mais "preciso" em teoria, mais difícil de defender em uma reunião de conselho porque ninguém entende a ponderação.

A resposta correta é reportar duas visões (primeiro toque e multitoque) e escolher uma para o conselho. Diga ao GM qual você está escolhendo e por quê. A maioria das equipes de demand gen B2B SaaS se estabelece no multitoque (W-shaped: 30% no primeiro toque, 30% no toque de criação de lead, 30% no toque de criação de oportunidade, 10% em outros) porque credita tanto o trabalho de consciência quanto o de conversão. Use-o de forma consistente por um ano antes de mudar de modelo.

Onde os três CRMs diferem:

HubSpot vincula campanhas a contatos via hs_analytics_first_url e um objeto de membership de campanha. As transições de estágio de ciclo de vida são a espinha dorsal. A parte imprecisa é a janela de repasse para o SDR. Não há um timestamp nativo de "MQL recebido pelo SDR" a menos que você o construa como uma propriedade personalizada. A maioria das equipes costura isso com timestamps de conclusão de tarefas e histórico de Lifecycle Stage. Funciona, mas vaza nas bordas.

Salesforce tem Campaign Influence (multitoque) e Primary Campaign Source (primeiro toque) integrados. O vazamento ocorre entre a conversão do Lead e a criação da Oportunidade. Se seus AEs convertem Leads em Contacts sem criar uma Oportunidade no mesmo dia, a conexão de campanha para pipeline se rompe, a menos que você tenha configurado as regras de Campaign Influence para retropreenchimento. A maioria dos ambientes Salesforce tem isso mal configurado.

O CRM do Rework é construído em torno de um histórico unificado de contato que inclui o estado de trabalho do SDR, eventos de distribuição de leads e criação de oportunidades como objetos de primeira classe, não propriedades costuradas. A lacuna de repasse do SDR que o HubSpot e o Salesforce deixam imprecisa está fechada por padrão. Você consegue ver o minuto exato em que um MQL foi atribuído, o SDR que o pegou, o primeiro toque e o caminho para SQL. Para equipes de médio porte (20 a 500 funcionários) rodando Marketing e Vendas no mesmo sistema, isso fecha a lacuna de atribuição sem um projeto de propriedades personalizadas. Rework CRM começa em US$12/usuário/mês.

O rastreamento ao vivo. Escolha uma oportunidade fechada-ganha. Rastreie de trás para frente: criação de oportunidade, conversão SQL, gatilho de MQL, primeiro preenchimento de formulário de contato, primeira fonte de sessão. Faça esse rastreamento com seu AE e SDR. Duas vezes por trimestre, faça ao vivo com o GM. É a melhor forma de ensinar ao GM o que atribuição realmente significa e de expor onde seus dados vazam.

A revisão mensal do funil com o GM

Sua revisão mensal do funil cabe em uma página. Se não couber, você está reportando demais.

Topo do funil. Volume total de MQL, mix de fonte (top 5 fontes por volume e por conversão) e comentário de uma linha sobre o maior movimento.

Meio do funil. MQL→SQL por segmento (SMB, Mid, Ent), conformidade com SLA (% de MQLs trabalhados dentro do SLA) e o corte por senioridade de persona.

Fundo do funil. SQL→Oportunidade, Oportunidade→Fechado-Ganho, velocidade média (dias de MQL até fechamento) e contribuição ao pipeline vinculada a fontes de demand gen.

A linha de diagnóstico. Encerre cada revisão com uma hipótese nomeada que você está investigando esse mês. Não cinco. Uma. "Estamos testando se a lacuna de cobertura de SDR às terças explica a queda de 8% no MQL→SQL. Se sim, vamos redistribuir a cobertura até 15 de maio e revisaremos em junho."

É isso. Uma página, quatro seções, um diagnóstico. O GM consegue ler em 90 segundos, fazer duas perguntas, e sair sabendo onde você está focado.

O que você não coloca nessa revisão: relatórios de performance em nível de campanha (esses vão para a standup de marketing), CTR e CPL por criativo de anúncio (esses vão para sua revisão semanal de performance com o time de mídia paga) e qualquer dashboard com mais de 12 números. O GM não quer dados brutos. O GM quer um diagnóstico.

O que isso conquista para você

Volume é a história que você conta na standup de marketing. Forensics de conversão é a história que você conta na mesa de receita.

Quando você entra em uma revisão trimestral de negócios e diz "o volume de MQL subiu 32%, mas nosso MQL→SQL de social pago está em 4% versus um benchmark de 12%, e a lacuna de cobertura de SDR às terças está nos custando 60 SQLs por trimestre, aqui está o que estamos testando", você deixou de ser o Demand Gen Manager que reporta leads. Tornou-se o operador que diagnostica problemas de pipeline com o mesmo rigor que vendas usa para diagnosticar deslizamento de negócios.

Esse é o lugar à mesa. A matemática conquista.

Saiba Mais

• Um Dia na Rotina de um Demand Generation Manager
• Métricas de Demand Gen: Contribuição ao Pipeline, CAC, Qualidade do MQL, Velocidade
• Orquestração ABM: Listas e Jogadas que Vendas Realmente Fecha
• Armadilhas Comuns do Demand Gen Manager
• Job Description: Demand Generation Manager