Lead scoring com IA em B2B:priorizar esforço, não prever milagre

A equipe comercial abre a lista de contas toda segunda-feira e começa pelo topo — que é ordem alfabética, porque ninguém mudou o padrão da planilha. A empresa "A" Acabamentos recebe atenção constante; a empresa "Z" Zincagem Industrial, que compra três vezes mais por ciclo e tem alto potencial de expansão, chega na sexta à tarde quando a energia já foi embora. Não é falta de esforço — é falta de critério. O scoring existe para funcionar como um bom contador de cartas: não prevê a próxima mão, mas ordena as probabilidades para que o esforço vá onde o retorno é maior.

Toda operação comercial com mais contas do que capacidade de atendimento faz priorização. A pergunta é se ela é feita por critério explícito ou por preferência pessoal do vendedor. Em carteiras grandes, a diferença entre os dois não é sutil — é a diferença entre o trimestre que bate a meta e o que chega perto. O scoring existe para tornar essa escolha visível, mensurável e corrigível, sem tirar do vendedor o julgamento sobre como conduzir a conversa.

1. Três problemas diferentes que não cabem no mesmo score

Priorizar leads de entrada, escolher contas para prospecção ativa e prever expansão em clientes atuais são três problemas distintos, com dados e lógicas diferentes. Tratá-los como um único "score de lead" é o erro mais comum — e o que mais rápido destrói a confiança do time quando o número não corresponde à realidade que eles vivem no dia a dia.

Lead de entrada acabou de preencher um formulário: o que importa é velocidade e qualificação imediata. Conta de prospecção ativa nunca interagiu com a empresa: o que importa é similaridade com quem já comprou. Cliente existente com potencial de expansão já tem histórico na base: o que importa é padrão de compra e sinais de momento. Cada um desses cenários pede um conjunto diferente de dados e um critério diferente de score. Misturá-los produz um número que não serve bem para nenhum dos três.

A carteira existente costuma ser o ponto de partida mais rentável

O histórico é mais rico, o resultado aparece em semanas e o risco de errar é menor. É o cenário típico de aplicação do Best Next Customer em operações com ERP consolidado — e costuma ser onde o retorno aparece primeiro para quem está começando com priorização preditiva. Identificar qual cliente atual tem maior propensão de comprar a próxima linha é mais barato e mais rápido do que encontrar novos compradores do zero.

2. O dado do ERP pesa mais do que o dado de navegação

Em ciclo longo B2B, saber que a empresa comprou determinada linha há 14 meses, com margem saudável e pagamento no prazo, explica muito mais do que saber que alguém visitou três páginas do site na semana passada. Dado comportamental de site tem utilidade em e-commerce; em venda consultiva de seis a doze meses, ele é um sinal fraco demais para orientar priorização.

É por isso que scoring desconectado do ERP — sem a integração CRM + ERP e sem o desenho de CRM B2B Inteligente — costuma ficar preso em sinais que parecem relevantes mas não diferenciam quem compra de quem apenas pesquisa. Enriquecer a firmografia com DEEP e agir com cadências na fila priorizada fecha o ciclo. O dado de navegação entra como fator complementar, nunca como base principal do score.

Firmografia vale mais do que engajamento em B2B complexo

Setor, porte, região, estrutura comercial e tecnologia em uso são sinais que descrevem se a empresa tem o perfil para comprar — independentemente de ela ter interagido ou não. Uma empresa do perfil certo que nunca abriu um e-mail vale mais do que uma fora do perfil que clicou em tudo. Priorizar por firmografia primeiro e por engajamento depois é a ordem que faz sentido em vendas B2B com ticket alto.

3. Explicabilidade não é luxo — é adoção

O vendedor precisa ver os dois ou três fatores que sustentam a nota antes de decidir se vai colocar aquela conta na sua agenda. Sem isso, o score vira número arbitrário na tela e é ignorado — e um modelo ignorado tem retorno zero, independentemente da acurácia que aparece nos relatórios técnicos. A explicação não precisa ser complexa: "essa conta tem porte semelhante às suas três últimas vitórias e está há 18 meses sem pedido" já é suficiente para o vendedor entender e agir.

Explicabilidade também protege o modelo de erros silenciosos. Quando o vendedor vê os fatores e discorda — "esse setor não funciona por causa de X" — essa informação é valiosa para recalibrar. Modelo opaco não recebe esse tipo de correção, e os erros se acumulam sem que ninguém perceba até o resultado aparecer.

4. Cuidado com o que o histórico não viu

Modelos aprendem o passado, inclusive os erros do time. Se os vendedores nunca abordaram certo segmento, o histórico vai concluir que ele não converte — quando na verdade nunca foi testado. Se a empresa passou anos priorizando clientes de um porte específico, o modelo vai reforçar essa preferência, mesmo que o mercado tenha mudado.

A correção prática é reservar uma fatia da capacidade do time para exploração deliberada fora do que o modelo recomenda. Não é uma contradição — é o que impede que o scoring vire uma câmara de eco das preferências históricas. Mercado muda; modelo que não é testado fora dos seus limites envelhece sem aviso.

5. Medir contra um grupo de controle

A única forma honesta de saber se o scoring funcionou é comparar a conversão da fila priorizada com a de um grupo trabalhado sem priorização. Sem controle, qualquer melhora vai ser atribuída ao modelo — inclusive a que veio da sazonalidade, de um novo produto lançado ou de um concorrente que saiu do mercado no mesmo período.

Esse teste não precisa ser sofisticado. Separe um grupo de contas com perfil equivalente, deixe que ele seja trabalhado sem o score por um ciclo, e compare os resultados. Se a diferença não aparecer, o modelo precisa ser revisado. Se aparecer, você tem o argumento para expandir a priorização para o resto da carteira — com dado, não com convicção.

6. Quando scoring por regra é melhor do que modelo

Base com menos de algumas centenas de oportunidades fechadas com resultado registrado dificilmente sustenta um modelo preditivo confiável. Nesse caso, um conjunto de regras discutido com o time — setor prioritário, porte mínimo, tempo sem pedido, combinação de fatores que historicamente funcionou — entrega mais resultado do que um modelo mal alimentado. E prepara o terreno para o modelo depois, porque força o time a explicitar os critérios que antes viviam só na cabeça dos vendedores mais experientes.

Regra bem feita também tem outra vantagem: o time entende e confia, porque participou da construção. Modelo que chegou pronto da TI e ninguém sabe explicar não é adotado — e modelo não adotado é gasto sem retorno. A velocidade de adoção costuma ser o critério que faz a regra ganhar do modelo nas primeiras implantações.

Limites honestos

Scoring não resolve lista ruim, cadastro duplicado nem processo comercial sem critério. Em bases com histórico curto ou preenchimento irregular, o dado de entrada é o problema — e qualquer modelo construído sobre ele vai aprender o ruído junto com o sinal. A limpeza da base e a disciplina de registro vêm antes de qualquer iniciativa de priorização preditiva.

Também vale ser honesto sobre o que score não faz: não qualifica a conversa, não melhora a proposta e não corrige precificação ruim. Ele direciona o esforço para onde a probabilidade é maior — o que por si só já é muito — mas o resultado ainda depende do que o vendedor faz depois que a lista chegou na ordem certa.

Perguntas frequentes

Continue por aqui