Rémi Kokabi18 de agosto de 202617 min de lecturaActualizado: 28 sept 2026

Account Scoring: cómo priorizar tus mejores cuentas B2B

La mayoría de los equipos de ventas B2B hacen scoring de leads. Muy pocos hacen scoring de cuentas. Y esa brecha te cuesta pipeline, porque un solo contacto que descargó tu ebook no te dice casi nada si su empresa tiene 12 empleados y cero presupuesto. La encuesta de ventas de Gartner de mayo de 2025, con 632 compradores B2B, reveló que los grupos de compra ahora van de cinco a 16 personas en hasta cuatro funciones distintas, según la investigación de compra B2B de Gartner. Hacer scoring de una de esas 16 personas y llamarlo calificación es lanzar una moneda al aire con pasos extra.

He visto a representantes quemar un trimestre entero en una cuenta porque un gerente de marketing entusiasmado no dejaba de abrir emails. La empresa nunca tuvo presupuesto. Nadie lo verificó.

El scoring de cuentas es un método basado en datos para clasificar empresas objetivo completas (no contactos individuales) según su probabilidad de compra. En esta guía te muestro cómo construir un modelo de scoring desde cero, definir umbrales que disparen acciones, medir si el modelo realmente funciona, y conectar los puntajes a flujos de trabajo de outbound que generen pipeline en lugar de dashboards.

Qué es el scoring de cuentas

El scoring de cuentas es un método basado en datos que los equipos de ventas y marketing B2B usan para clasificar empresas objetivo completas según su probabilidad de compra. En vez de monitorear personas individuales (eso es lead scoring), el scoring de cuentas suma señales de toda una organización para priorizar las cuentas de mayor valor.

La idea básica es esta: asignas un valor numérico a cada empresa en tu pipeline según qué tan bien coincide con tu cliente ideal, si está buscando comprar activamente y cuánto ha interactuado contigo. Las empresas con los puntajes más altos reciben tu atención primero. Las de abajo, esperan.

¿Por qué importa? Porque los grupos de compra son más diversos que nunca, y cada miembro puede tener prioridades y opiniones distintas. El comportamiento de un contacto es un dato. El comportamiento de la cuenta es un veredicto. El scoring de cuentas te obliga a alejarte y hacer una mejor pregunta: ¿vale la pena ir tras esta empresa?

La versión moderna va mucho más allá de una hoja de cálculo estática con datos firmográficos. Los datos de intención y el enriquecimiento con IA hacen que tu puntaje se actualice el día que una empresa empiece a contratar para el rol que tu producto resuelve, o la semana que levante una ronda. Vuelvo a esto más adelante, porque ahí está la mayor parte del valor.

Scoring de cuentas vs lead scoring

El lead scoring evalúa contactos individuales. El scoring de cuentas evalúa empresas completas. La diferencia suena menor, pero cambia cómo piensas todo tu pipeline.

Con lead scoring, podrías perseguir a un gerente de marketing que abrió cinco emails mientras ignoras el hecho de que su empresa no encaja en tu ICP para nada. El scoring de cuentas detecta ese desajuste temprano, antes de que gastes horas en llamadas que no llevan a ningún lado.

Aspecto

Lead scoring

Scoring de cuentas

Unidad de análisis

Contacto individual

Empresa completa

Ideal para

Ciclos de venta simples

B2B complejo con comités de compra

Señales monitoreadas

Comportamiento de una persona

Comportamiento agregado de múltiples contactos

Coincidencia con el ICP

Ajuste individual

Firmografía a nivel empresa

Cuando hay múltiples stakeholders involucrados en una compra, y según la encuesta de Gartner a 632 compradores B2B eso va de cinco a 16 personas, el scoring de cuentas te da el panorama completo. Puedes seguir haciendo scoring de leads individuales dentro de una cuenta. Yo lo hago. Pero la vista a nivel cuenta te dice si la empresa en sí vale el esfuerzo, y esa es la decisión que salva o desperdicia tu trimestre.

Por qué el scoring de cuentas importa para equipos de ventas B2B

Sin scoring de cuentas, los representantes se guían por instinto o por quién respondió último. Quien contestó más recientemente recibe el seguimiento. Quien tiene el título más llamativo recibe la llamada. Eso es adivinanza disfrazada de priorización.

El scoring de cuentas crea una definición compartida de qué hace que una cuenta valga la pena. Marketing y ventas dejan de discutir sobre la calidad de los leads porque trabajan con los mismos criterios. Cuando una cuenta nueva entra al embudo, todos saben dónde está parada y qué sigue.

Cuatro cosas cambian una vez que el modelo está activo:

  • Los representantes priorizan cuentas con puntajes altos en vez de dispersarse entre cada lead inbound que parece prometedor

  • Los puntajes se actualizan conforme cambian las señales de engagement o intención, así que detectas ventanas de compra en tiempo real en lugar de tres semanas después

  • La vista a nivel cuenta revela cuándo hay múltiples stakeholders activos, en lugar de un solo contacto que quizá no tiene ninguna autoridad

  • Los pronósticos dejan de ser ficción, porque el pipeline se pondera con un estándar consistente y no según el representante más optimista un viernes

El resultado: menos horas desperdiciadas en cuentas que nunca iban a cerrar. Y más tiempo en las que sí podrían.

Los tres pilares de un modelo de scoring de cuentas B2B

La mayoría de los modelos de scoring de cuentas combinan ajuste, intención y engagement. Cada pilar responde una pregunta diferente sobre la cuenta, y saltarte cualquiera de ellos produce un puntaje en el que no puedes confiar.

Ajuste de la cuenta

El ajuste mide qué tan bien una empresa coincide con tu ICP. Esto incluye datos firmográficos como industria, tamaño de empresa, ingresos y ubicación. También incluye datos tecnográficos, es decir, las herramientas y el stack tecnológico que usa la empresa.

El ajuste es mayormente estático. El número de empleados o la industria de una empresa no cambian de semana a semana. Aun así, es la base de tu modelo. Si el ajuste está mal, ni la intención ni el engagement más altos salvan el trato. Los vas a cerrar, vas a celebrar, y después los vas a ver irse en el mes cuatro. Vi a un equipo alcanzar su cuota con un trimestre de logos con mal ajuste y pasar los dos trimestres siguientes explicando los números de renovación.

Intención de compra

La intención monitorea señales en tiempo real que sugieren que una empresa puede estar en el mercado ahora mismo. En lemlist, la función de señales de intención monitorea un conjunto específico de eventos de alta intención:

  • Visitas al sitio web identificadas mediante coincidencia de IP

  • Cambios de contratación y nuevas ofertas de empleo

  • Rondas de financiamiento

  • Cambios de stack tecnológico

  • Cambios de trabajo entre tus contactos objetivo

  • Interacción en LinkedIn

Lo que hace útil este mecanismo es la lista de seguimiento. Armas una lista de las cuentas que te importan, se escanea a diario, y un anuncio de financiamiento o una nueva vacante de SDR llega a tu flujo de trabajo mientras todavía está fresco.

Las señales de intención pueden ser de primera mano (actividad en tu propio sitio) o de terceros (comportamiento de investigación externo que monitorean proveedores de datos). El timing lo es todo. La intención te dice cuándo una cuenta está lista para saber de ti, no solo si se ve bien en el papel.

Engagement de la cuenta

El engagement agrega las interacciones de comportamiento de múltiples contactos en la misma empresa. Aperturas de email, respuestas, interacciones en LinkedIn, descargas de contenido, solicitudes de demo.

Un solo contacto abriendo un email es ruido. Cuatro contactos de la misma empresa asistiendo a un webinar y visitando tu página de precios es una señal, y suele ser el primer indicio de que se formó un comité de compra. El engagement refleja interés activo de la cuenta en sí, más allá del ajuste pasivo o la intención teórica.

Cómo construir un modelo de scoring de cuentas

Construir un modelo de scoring no requiere un equipo de ciencia de datos. Requiere claridad sobre qué importa y disposición a iterar conforme aprendes. Mi primer modelo vivía en una hoja de cálculo con siete columnas y aun así le ganó al instinto.

1. Define tu perfil de cliente ideal

Empieza con tus tratos cerrados-ganados. ¿Qué tienen en común tus mejores clientes? Industria, tamaño de empresa, rango de ingresos, stack tecnológico. Escríbelo. Esto se convierte en tus criterios de ajuste.

Sáltate este paso y tu modelo de scoring es decoración. Estás asignando puntos a señales sin saber cuáles importan para tu negocio. Toma tus últimas 30 cuentas cerradas-ganadas y tus últimas 30 cerradas-perdidas, y busca qué las separa. La respuesta suele ser incómoda y específica.

2. Elige tus señales de ajuste, intención y engagement

Ahora elige señales específicas para cada pilar según tu proceso de ventas. No todas las señales pesan igual para cada negocio.

Ajuste

  • Coincidencia de industria

  • Rango de ingresos

  • Número de empleados

  • Tecnología utilizada

Intención

  • Ofertas de empleo

  • Anuncios de financiamiento

  • Visitas al sitio web

  • Clics en anuncios

Engagement

  • Aperturas de email y respuestas

  • Mensajes en LinkedIn

  • Descargas de contenido

  • Asistencia a demos

Empieza con cinco a diez señales en total. Puedes agregar más después cuando veas qué correlaciona con tratos cerrados. Cada señal que agregas es una cosa más que mantener, y la deuda de mantenimiento es lo que mata a los modelos de scoring en silencio.

3. Asigna pesos a cada señal

Una solicitud de demo vale más que una apertura de email. Una ronda de financiamiento vale más que una oferta de empleo. Asigna valores en puntos que reflejen qué tan fuerte correlaciona cada señal con tratos cerrados.

Si todavía no tienes datos históricos, empieza con estimaciones informadas y ajusta conforme aprendes. La primera versión de tu modelo va a estar equivocada en algo. No pasa nada. El objetivo es tener algo sobre lo cual iterar para el lunes, no un modelo perfecto para el próximo trimestre.

4. Define umbrales de puntaje y niveles de cuentas

Define cortes numéricos que clasifiquen las cuentas en niveles. Las cuentas Tier A reciben outreach inmediato. Las Tier B entran en secuencias de nurturing. Las Tier C se despriorizan o se eliminan.

Los umbrales dependen del tamaño de tu pipeline. Si tienes 50 cuentas, tu Tier A podría ser el top 10. Si tienes 5.000, podría ser el top 200. Los números exactos importan menos que aplicarlos de forma consistente en todo el equipo.

5. Automatiza el scoring dentro de tu CRM

El scoring manual no escala. Una vez que pasas de unas pocas docenas de cuentas, no puedes seguir el ritmo, y en el momento en que un modelo queda desactualizado los representantes dejan de confiar en él. Integra tu modelo de scoring en tu CRM (HubSpot, Salesforce o similar) para que los puntajes se actualicen automáticamente cuando aparezcan nuevas señales.

lemlist se conecta con HubSpot y Salesforce, para que puedas gestionar el outreach sin salir de tu CRM y mantener los registros de cuentas sincronizados con lo que pasa en tus campañas.

6. Revisa y ajusta el modelo cada trimestre

Los modelos de scoring se desvían. Tu mercado cambia, tu producto evoluciona, y señales que importaban hace seis meses puede que ya no importen.

Compara los puntajes predichos con los resultados reales de conversión. Elimina señales que no correlacionan. Agrega nuevas que sí. Trátalo como un ritual trimestral fijo, igual que revisarías precios o diseño de territorios.

Cómo definir umbrales y niveles de scoring de cuentas

Los puntajes crudos son inútiles sin acción. Los niveles traducen puntajes en diferentes movimientos de ventas para que los representantes sepan exactamente qué hacer con cada cuenta, sin pedirle permiso a nadie.

Cuentas Tier A

Puntajes más altos. Buen ajuste, intención activa, engagement alto. Estas cuentas reciben outreach multicanal inmediato y personalizado: email, LinkedIn, llamadas. Los representantes priorizan el Tier A siempre, sin excepción. Si la semana de un representante no empieza con el Tier A, el sistema de niveles no es real.

Cuentas Tier B

Buen ajuste pero menor intención o engagement. Estas cuentas entran en campañas de nurturing con toques más suaves. Monitorea si hay picos de intención que las muevan al Tier A. Todavía no están listas, pero muchas lo estarán dentro de un trimestre.

Cuentas Tier C

Puntajes bajos. Mal ajuste o sin intención actual. Despriorizalas o elimínalas del prospecting activo. Revísalas si cambian las señales, pero no les dediques tiempo ahora. Borrar cuentas de la vista de un representante se siente duro la primera vez. Las tasas de respuesta suelen decir lo contrario.

Cómo convertir los puntajes de cuentas en acción de outbound

Un puntaje en una hoja de cálculo no hace nada. El valor viene de conectar los puntajes a flujos de trabajo que disparen outreach por su cuenta. Aquí es donde la mayoría de los proyectos de scoring se estancan, y también donde vive todo el ROI.

1. Dirige las cuentas con puntaje alto a secuencias multicanal

Las cuentas Tier A entran automáticamente en secuencias coordinadas de email, LinkedIn y teléfono. En lemlist puedes gestionar campañas multicanal desde un solo flujo de trabajo, para que los representantes no tengan que mover leads entre herramientas manualmente ni recordar a quién darle seguimiento el día nueve.

2. Dispara outreach con señales de intención en tiempo real

Cuando la intención sube (financiamiento, contratación, un cambio de stack), dispara outreach personalizado de inmediato. El timing importa más de lo que la mayoría cree. Contactar durante una ventana de compra activa sube las tasas de respuesta de una forma que ningún ajuste de asunto logrará jamás.

Las señales de intención de lemlist detectan esos momentos de compra y agregan leads a campañas automáticamente, con mensajes personalizados según la señal específica que disparó el outreach.

3. Personaliza los mensajes con contexto a nivel cuenta

Usa los datos de ajuste y señales de intención para adaptar los mensajes. Haz referencia a la señal exacta que disparó el outreach: "Vi que acaban de levantar una Serie A" o "Noté que están contratando tres SDRs".

El outreach genérico ignora el contexto que te costó trabajo recopilar. Es desperdiciar buenos datos, y los compradores se dan cuenta en la primera línea si hiciste la tarea o no.

4. Deja que los agentes de IA construyan tus señales automáticamente

La versión manual de todo esto es un impuesto de investigación que nadie quiere pagar. Aquí es donde lemAgent cambia la forma de trabajar: combina orientación basada en objetivos, búsqueda de ICP en lenguaje natural, creación de secuencias multicanal con lógica de ramificación y análisis continuo de campañas en un solo flujo de trabajo. Tú describes las cuentas que quieres y el agente se encarga de la búsqueda y la estructura de la secuencia.

Combínalo con enriquecimiento agéntico con IA y la capa de enriquecimiento que alimenta tu scoring deja de ser una tarea trimestral con CSVs. Los agentes recopilan los datos firmográficos y de señales, tu modelo los consume, y tus niveles se mantienen actualizados sin necesidad de un ticket a RevOps.

Una advertencia, porque la IA no hace magia. Un agente aplicado a un ICP vago produce cuentas vagas más rápido. Define los criterios primero y después deja que los agentes lo escalen.

Buenas prácticas de scoring de cuentas

Unos pocos hábitos separan los modelos que funcionan de los que se ignoran en silencio dentro de una pestaña del CRM que nadie abre.

Alinea ventas y marketing en un solo modelo

Los dos equipos deben acordar los criterios de scoring antes del lanzamiento. La falta de alineación genera culpas cruzadas y puntuaciones ignoradas. Si marketing cree que un score de 80 es calificado y ventas piensa que es 120, no tienes un modelo, tienes dos opiniones con un número pegado.

Equilibra el fit con la intención y el engagement

Una cuenta con fit perfecto pero sin intención no está lista para comprar. Una cuenta con alta intención pero mal fit puede irse a los tres meses de cerrar. Pondera los tres pilares en lugar de solo el que sea más fácil de medir.

Mantén los datos de las cuentas limpios y enriquecidos

Datos basura producen scores basura. Enriquece las cuentas con datos firmográficos, tecnográficos y de contacto verificados. lemlist enriquece leads desde una base de datos de más de 600 millones o vía CRM e importación de CSV, para que no estés puntuando con un cargo que alguien tenía en 2023.

Mantén el modelo simple de mantener

Cada señal que agregas cuesta mantenimiento. Un modelo de 30 señales se ve sofisticado en una presentación y se vuelve inexplicable para el tercer mes, momento en el que los reps lo ignoran. Si no puedes explicarle a un rep nuevo en dos minutos por qué una cuenta sacó 140, el modelo es demasiado complejo. Menos señales, bien ponderadas, le ganan a una caja negra que no puedes auditar.

Entrena a los reps en cómo los scores se traducen en acción

Los scores no cambian comportamientos por sí solos. Los reps necesitan saber qué les exige un score de Tier A, qué tan rápido y en qué canales. Haz una sesión corta de habilitación en el lanzamiento, documenta el playbook por nivel y revisa ejemplos en las reuniones de pipeline. El modelo mejor diseñado del mundo no sirve de nada si la mitad del equipo sigue trabajando su bandeja de entrada de arriba hacia abajo.

Vuelve a probar el modelo cada trimestre

Compara los scores predichos con los resultados reales. Ajusta los pesos. Elimina señales que no correlacionen. Un modelo que funcionaba hace seis meses puede estar puntuando para un mercado que ya no existe.

Cómo medir si tu modelo de scoring de cuentas funciona

La pregunta que le haría a cualquier equipo con un modelo de scoring: ¿una cuenta Tier A realmente cierra más seguido que una Tier B? Si no puedes responder con un número, no tienes un modelo, tienes un ranking que nadie ha validado. Cuatro métricas lo resuelven.

Tasa de cierre por nivel de score

Segmenta los deals ganados y perdidos por el nivel que tenía la cuenta al momento del primer outreach. El Tier A debería convertir a una tasa visiblemente mayor que el Tier B, y el Tier B más que el Tier C. Si la curva es plana, tus señales no son predictivas y tus pesos necesitan ajustes. Si el Tier C supera al Tier A, el problema es tu definición de ICP, no la lógica de scoring.

Duración del ciclo de ventas por nivel

Las cuentas con score alto deberían avanzar más rápido, porque el buen fit reduce la fricción y la intención significa que el proceso de compra ya empezó sin ti. Mide la mediana de días desde el primer contacto hasta el cierre por nivel. Un ciclo que se acorta en el Tier A es una de las pruebas más claras de que tus señales de intención están bien calibradas.

Contribución al pipeline y ACV por nivel

Mide qué porcentaje del pipeline total y de los ingresos cerrados viene de cada nivel, más el valor promedio de contrato por nivel. El objetivo es concentración: un grupo pequeño de cuentas generando una porción grande de ingresos. También vigila el ACV, porque un modelo optimizado solo para conversión puede empujar silenciosamente a los reps hacia deals pequeños y fáciles que nunca mueven la aguja.

Tasa de adopción de los reps

La métrica que todos se saltan. Mide el porcentaje de actividad outbound realmente dirigida a cuentas Tier A. Si los reps registran el 60% de sus llamadas contra Tier B y C, no confían en los scores, y ningún refinamiento del modelo arregla un problema de confianza. Pregúntales por qué en tu próxima revisión de pipeline. Normalmente la respuesta es calidad de datos o un playbook poco claro, y ambos se arreglan en una semana.

Revisa estas cuatro métricas juntas, una vez por trimestre, junto con los ajustes de pesos. Un modelo que mejora la tasa de cierre pero hunde el ACV necesita un arreglo distinto al de uno que nadie usa.

Errores de scoring de cuentas que debes evitar

  • Demasiadas señales ponderadas hacen que el modelo sea difícil de mantener e interpretar. Empieza simple y gánate la complejidad.

  • El engagement de hace seis meses no debería contar igual que el de la semana pasada. Incorpora ponderación por recencia o tus scores se inflarán con el tiempo.

  • Sin un perfil de cliente ideal definido, los scores de fit no significan nada. Estás asignando puntos al azar y llamándolo priorización.

  • Un score que no dispara una acción es un número en una hoja de cálculo. Conéctalo al outreach desde el día uno.

  • Puntuar cuentas a las que no puedes llegar es una forma lenta de desperdiciar un trimestre. Verifica la cobertura de contactos y la calidad de datos antes de puntuar.

Herramientas y software de scoring de cuentas

Varias categorías de herramientas pueden ayudarte a implementar el scoring de cuentas, según tu presupuesto, tu stack y cuánto del trabajo quieres automatizar. Aquí va el panorama honesto, incluyendo opciones que lemlist no vende.

Categoría

Ejemplos

Fortaleza

Limitación

Plataformas ABM

Demandbase, 6sense

Scoring de cuentas completo con intención de terceros y monitoreo de engagement

Diseñadas para empresas con presupuestos dedicados a ABM y un equipo para gestionar la plataforma

Scoring nativo del CRM

HubSpot, Salesforce

El scoring vive donde ya está tu pipeline, sin un proveedor extra

Configuración manual, y los datos de intención normalmente no están incluidos

Proveedores de datos de intención

Bombora, ZoomInfo

Señales de intención de terceros sólidas para alimentar cualquier modelo

Proporcionan datos, no gestionan outreach

Plataformas de outbound con señales de scoring

lemlist

Señales de intención de compra, enriquecimiento desde una base de datos de más de 600 millones y ejecución multicanal en un solo lugar

Menos adecuada para equipos que necesitan orquestación ABM empresarial en medios pagos

Plataformas de outbound con capacidades de scoring (como lemlist) combinan señales de scoring con automatización de outreach. Intent Signals detecta momentos de compra, el enriquecimiento de datos completa los firmográficos y las secuencias multicanal ejecutan. La brecha entre puntuar y actuar se cierra porque todo vive en un solo flujo de trabajo en lugar de tres herramientas y una cadena de Zapier.

Para que tengas una referencia de confianza: lemlist tiene una calificación de 4,6/5 en G2 con más de 2.000 reseñas.

Tu turno

El scoring de cuentas clasifica empresas por fit, intención y engagement para que los reps inviertan su semana en las cuentas con más probabilidad de comprar. El modelo no tiene que ser complejo para funcionar. Define tu ICP a partir de datos de deals ganados, elige de cinco a diez señales, asigna pesos que puedas explicar y establece niveles que dicten una acción de ventas específica.

Después conecta los scores a la acción y mide si los niveles se sostienen. Tasa de cierre por nivel, duración del ciclo por nivel, concentración del pipeline, adopción de los reps. Esos cuatro números te dicen en un trimestre si tu modelo se ganó su lugar.

Un score que dispara outreach vale algo. Un score que vive en un dashboard es un pasatiempo.

Comienza una prueba gratis de 14 días para ver cómo las señales de intención de compra y el enriquecimiento de datos de lemlist pueden alimentar tu modelo de scoring y llevar las cuentas con mejor puntuación directo al outreach multicanal.

Convierte leads en pipeline

Encuentra prospectos, automatiza follow-ups y genera más oportunidades de venta.

Preguntas frecuentes

Incluye datos firmográficos (industria, tamaño de empresa, ingresos), datos tecnográficos (herramientas y stack tecnológico), señales de intención de compra (visitas a tu web, contratación de personal, rondas de financiamiento) y datos de engagement (aperturas de email, respuestas, solicitudes de reunión).

No hay un número universal, porque los scores solo tienen sentido en relación con tu propia escala. Un buen score es el que queda por encima del umbral que definiste para el Tier A, y ese umbral debe validarse contra resultados reales: si tus cuentas Tier A convierten a una tasa significativamente mayor que las Tier B, tu punto de corte funciona. Empieza colocando aproximadamente el 10-20% superior de tus cuentas en Tier A y ajusta después de un trimestre con datos de tasa de cierre.

Los scores deberían actualizarse de forma continua a medida que llegan nuevas señales, que es justamente el argumento para automatizar el scoring dentro de tu CRM en vez de gestionarlo en una hoja de cálculo. El modelo detrás de los scores (tus señales y ponderaciones) merece una revisión completa cada trimestre, comparando los scores predichos con los resultados reales de conversión.

De cinco a diez para empezar. Agrega señales solo cuando puedas demostrar que se correlacionan con deals cerrados. Los modelos grandes parecen más completos, pero tienden a volverse imposibles de mantener, y en ese punto los reps dejan de confiar en los resultados.

Revenue operations o marketing operations suele ser dueño del modelo, mientras que ventas y marketing se alinean en los criterios antes del lanzamiento y revisan el rendimiento juntos cada trimestre.

Sí. Puedes armar un modelo funcional usando campos del CRM y carga manual de datos. Las herramientas de automatización aceleran el enriquecimiento de datos y la actualización de scores a medida que cambian las señales, algo que importa cuando manejas más de unas pocas docenas de cuentas.

El scoring predictivo de cuentas usa machine learning para analizar datos históricos de deals ganados y perdidos e identificar qué señales se correlacionan más con los cierres, reduciendo las suposiciones manuales. Necesita suficientes datos históricos de deals para aprender, por eso la mayoría de los equipos empiezan con un modelo basado en reglas y migran al predictivo después.
Rémi Kokabi

Rémi Kokabi

Co-founder @GTM Club

Compartir