Ivona Mikulčić5 de septiembre de 202610 min de lecturaActualizado: 28 sept 2026

ICP Scoring: el framework de 5 pasos que te dice qué leads valen tu tiempo

Casi cuatro de cada cinco leads de marketing nunca se convierten en ventas. Ese 79% viene de MarketingSherpa, y se ha citado durante años porque nadie ha logrado refutarlo. La misma investigación encontró que el 61% de los marketers B2B pasan cada lead directo a ventas, y solo el 27% de esos leads resultan estar calificados. He estado en suficientes revisiones de pipeline como para reconocer cómo se ve eso en la práctica: un rep con 400 cuentas abiertas, la mitad de las cuales nunca iban a comprar, trabajándolas en el orden en que llegaron al CRM.

En este artículo te muestro cómo construir un modelo de scoring de ICP que corrija ese orden. Cinco pasos, los criterios que realmente correlacionan con deals cerrados-ganados, cómo sumar intent encima del fit, y cómo evitar que el modelo se pudra en seis meses.

Qué es el scoring de ICP y por qué tu pipeline depende de él

Rankear leads por fit es toda la idea. El scoring de ICP asigna puntos a los rasgos que comparten tus mejores clientes (industria, tamaño de empresa, stack tecnológico, geografía) y los suma en un solo número que le dice a tu equipo dónde invertir tiempo primero. Esos rasgos vienen de tu Perfil de Cliente Ideal, que es el patrón firmográfico y de comportamiento detrás de tus deals cerrados-ganados.

Y esto importa más allá de tener campos prolijos en el CRM. La mayor parte del pipeline se quema en cuentas que nunca tuvieron una oportunidad real. Un sistema de scoring no arregla un suministro de leads roto, pero sí arregla el enrutamiento, para que los reps dejen de trabajar cuentas que se ven prometedoras en papel pero nunca tuvieron el perfil para comprar. El efecto se nota en los números que reportas a tu junta: tasa de cierre en oportunidades calificadas por ventas, duración del ciclo de venta y tamaño promedio de deal, todo se mueve cuando las cuentas equivocadas dejan de entrar al embudo. La investigación de RAIN Group sobre organizaciones de ventas de alto rendimiento, basada en una encuesta a 472 vendedores y ejecutivos de ventas, sitúa la tasa de cierre promedio en 47% una vez que se entrega una propuesta. Llegar a esa etapa con las cuentas correctas es todo el juego.

Piensa en el scoring de ICP como convertir una presentación estática en un filtro en vivo dentro de tu CRM. Una vez construido, cada nuevo lead se puntúa automáticamente, y tu equipo sabe en segundos si una cuenta merece una secuencia personalizada o un pase.

Scoring de ICP vs. lead scoring

Estos dos términos se confunden todo el tiempo, pero responden preguntas distintas. El scoring de ICP pregunta si una empresa se parece a tus mejores clientes, sin importar lo que haya hecho. El lead scoring pregunta si alguien en esa empresa está mostrando señales de interés activo ahora mismo.

Scoring de ICP

Lead scoring

Qué mide

Fit de la empresa con tu perfil ideal

Datos utilizados

Atributos firmográficos y tecnográficos

Cuándo se asigna

Al crear o enriquecer el lead

Ideal para

Priorizar qué cuentas perseguir

El scoring de ICP es proactivo. Califica una cuenta antes de que ocurra cualquier interacción, lo que significa que puedes definir un buen fit antes de gastar un peso en encontrarlo. El lead scoring solo se vuelve útil una vez que alguien ya interactuó con tu contenido o tu sitio.

Así que construye primero el scoring de ICP, y después suma el lead scoring encima para el timing. Juntos te dan fit y disposición de compra en una sola vista.

Los 4 criterios que predicen deals cerrados-ganados

Tus criterios de scoring deben salir de patrones en tus propios datos de deals cerrados-ganados, no de una plantilla que encontraste en internet (incluyendo esta). Las categorías de abajo aplican en la mayoría de empresas B2B. Los pesos no.

Fit firmográfico cubre los datos estructurales: industria, cantidad de empleados, rango de ingresos, geografía, etapa de crecimiento. Tamaño de empresa o industria equivocada generalmente significa que no hay deal, sin importar cuánto interés muestre un prospecto.

Fit tecnográfico analiza qué herramientas ya usa una empresa. Un prospecto que usa un CRM con el que te integras (digamos, HubSpot o Salesforce) tiende a ser un fit más cálido que uno sin stack detectable.

Señales de comportamiento e intención de compra cambian constantemente, y te dicen si una cuenta está activa en el mercado ahora mismo. Los eventos que vale la pena monitorear son los que preceden una compra:

  • Una empresa que publica una vacante de Head of Outbound o RevOps Manager está invirtiendo en infraestructura de crecimiento, y ese rol suele necesitar herramientas pronto.

  • Una ronda de financiamiento reciente suele disparar compras de nuevas herramientas en cuestión de meses.

  • Visitas repetidas a tus páginas de precios o producto.

  • Likes, comentarios o follows de contactos clave en LinkedIn.

Estos son los mismos tipos de eventos que los Intent Signal Agents de lemlist monitorean a diario, lo cual importa después cuando conectes los scores con las campañas.

Scoring negativo es la parte que la mayoría de equipos se salta. Un modelo sólido también resta puntos. Define qué descalifica automáticamente a un lead: industria equivocada, empresa demasiado chica para usar tu producto, empleados de la competencia, o sin datos de contacto verificados.

Cómo construir un modelo de scoring de ICP en 5 pasos

1. Analiza tus deals cerrados-ganados

Extrae tus últimos 20 a 30 deals cerrados-ganados del CRM. Busca los rasgos que se repiten entre ellos y anota con qué frecuencia aparece cada uno. Saltarte este paso significa que después vas a adivinar los pesos.

2. Selecciona y pondera tus criterios

Elige los atributos que más correlacionaron con cierres ganados, y asigna puntos. Un modelo con 15 atributos suena exhaustivo. En la práctica significa que los reps puntúan de forma inconsistente y los leads se estancan.

Un punto de partida simple podría verse así:

Criterio

Puntos

Match de industria

25 exacto, 10 adyacente

Rango de ingresos

20 ideal, 10 cercano

Cantidad de empleados

15 ideal, 5 cercano

Overlap de stack tecnológico

15

Geografía

10 mercado principal

Señales negativas

−15

La ponderación importa más que la cantidad de criterios. Un factor que predice cierres con fuerza merece más puntos que uno con correlación débil.

3. Recopila y enriquece los datos

Un modelo de scoring es tan bueno como los datos que lo alimentan. Un campo vacío puntúa como cero por defecto, así que una cuenta genuinamente buena se degrada en silencio sin razón real. Vi a un equipo descartar un segmento entero porque el campo de cantidad de empleados estaba vacío en el 40% de los registros.

Antes de puntuar, cada registro necesita datos firmográficos, tecnográficos y de contacto completos. Herramientas como AI Agentic Enrichment de lemlist extraen datos estructurados de LinkedIn, sitios web y registros de CRM para completar exactamente los campos de los que depende tu modelo.

4. Calcula los scores y asigna niveles

Los números en bruto no le dicen mucho a un rep en medio de su jornada. Conviértelos en niveles:

Nivel

Rango de score

Acción

A

80–100

Cuentas prioritarias, outreach inmediato

B

60–79

Nurture liderado por SDR o secuencias automatizadas

C

Menos de 60

Despriorizado o excluido del outbound

Define un score mínimo para que un lead cuente como calificado por ventas, y haz que los reps lo respeten.

5. Conecta los scores al enrutamiento y las campañas

Un score en una hoja de cálculo no le sirve a nadie. Necesita vivir en campos del CRM para que cada rep lo aplique igual. En lemlist, puedes filtrar leads por criterios de ICP desde una base de datos de más de 600 millones de leads, enriquecerlos y empujar las cuentas calificadas directo a secuencias multicanal, para que el score dispare el outreach en lugar de quedarse ahí juntando polvo.

Una cosa más antes de darlo por terminado. Mide el modelo por nivel. Monitorea la tasa de cierre, el tamaño promedio de deal y el tiempo de ciclo del Nivel A contra el Nivel B durante un trimestre completo. Si tus cuentas A no cierran más rápido o más grande, los niveles son decorativos, y vas a saber exactamente qué pesos revisar.

Cómo elegir un tipo de modelo de scoring de ICP

Hay más de una forma de estructurar esto, y la elección correcta depende de cuántos datos de deals cerrados-ganados tengas.

El scoring por puntos asigna puntos fijos por criterio. Simple, fácil de seguir para los reps, y un buen punto de partida.

El scoring ponderado parte de la misma estructura pero aplica multiplicadores según la importancia. Es más preciso, aunque necesita suficientes datos históricos para justificar los pesos que elijas.

El scoring por niveles se salta los números y coloca los leads en buckets A/B/C/D según criterios obligatorios y deseables. Útil para equipos que prefieren categorías visuales en vez de matemáticas.

El scoring predictivo con IA usa machine learning para detectar patrones en datos históricos de deals que los humanos suelen pasar por alto. Necesita un dataset más grande para funcionar bien. Herramientas como Aviso, Koala y 6sense ofrecen esto, y los agentes de enriquecimiento (incluidos los de lemlist) pueden alimentarlos con los datos estructurados que necesitan.

Tip: si tienes menos de 50 deals cerrados-ganados en tu CRM, un modelo por puntos es el punto de partida práctico. El scoring predictivo solo funciona cuando hay suficiente señal de la cual aprender.

Combinando fit de ICP con señales de intención de compra

Un score de ICP alto te dice que una cuenta encaja. No te dice que la cuenta está lista para comprar esta semana. El fit es necesario, pero el fit solo te deja adivinando el timing.

Combinar fit con intent produce un score compuesto que rankea leads por calidad y disposición de compra a la vez. Las señales que vale la pena monitorear incluyen:

  • Visitas al sitio web identificadas por coincidencia de IP

  • Cambios de trabajo entre contactos clave

  • Rondas de financiamiento o actividad de M&A

  • Cambios en el stack tecnológico (nuevas instalaciones o remociones)

El fit debería llevar más peso base, ya que rara vez cambia. El intent funciona más como un multiplicador.

Así se ve en la práctica. Supongamos que tienes una cuenta de 68 puntos: industria correcta, geografía correcta, cantidad de empleados un poco por debajo de tu banda ideal. Nivel B. Está en una secuencia de nurture, y cualquier martes nadie piensa en ella. Entonces la empresa anuncia una Serie A y publica una vacante de Demand Gen Lead en la misma semana. Esa cuenta ahora tiene presupuesto, un mandato de contratación y una razón para comprar herramientas en el próximo trimestre. El score de fit no se movió un punto, pero el multiplicador de intent la empuja por encima de las cuentas Nivel A que no mostraron nada en tres meses, y debería estar en una secuencia ese mismo día. Corre el caso inverso también: una cuenta de 92 puntos con cero actividad se queda en una cadencia constante en lugar de ser bombardeada. Y un lead con mucho intent pero mal fit se queda despriorizado, sin importar cuántas visitas a la página de precios acumule.

Los Intent Signal Agents de lemlist monitorean estas señales a diario y enrutan automáticamente los leads que coinciden hacia campañas con mensajes contextuales, para que el multiplicador se active sin que nadie esté mirando un dashboard.

Herramientas de scoring de ICP comparadas

Ninguna herramienta cubre cada parte de esto, así que vale la pena conocer el panorama antes de armar tu stack.

Categoría

Ejemplos

Fortaleza

Limitación

Scoring nativo del CRM

HubSpot, Salesforce

Campos integrados, fácil si ya estás metido en el CRM

Limitado en enriquecimiento y datos de intent

Plataformas de intent independientes

Bombora, 6sense, Demandbase

Intent fuerte e identificación de cuentas

Suelen ser caras, y generalmente se combinan con una herramienta de outbound aparte

Plataformas de enriquecimiento + outbound

lemlist, Apollo, ZoomInfo

Datos de leads, enriquecimiento y outreach en un solo flujo de trabajo

El modelado predictivo es más ligero que en herramientas de IA dedicadas

Herramientas de scoring con IA

Koala, Aviso, Madkudu

Scoring predictivo sobre datos históricos de deals

Necesita datasets grandes y un equipo de ops para mantener los modelos

La pregunta real es si quieres scoring y outreach en un solo lugar, o repartido entre herramientas que necesitas conectar entre sí.

Cómo mantener tu modelo preciso con el tiempo

La mayoría de los modelos de scoring fallan en silencio por deterioro: el comportamiento de compra cambia, pero el score estático no se mueve con él. Recalibrar una vez por trimestre suele detectar esto antes de que te cueste pipeline.

El proceso es directo. Vuelve a correr tu análisis de deals cerrados-ganados y compara los niveles puntuados contra las tasas de conversión reales. Si el Nivel A no supera al Nivel B, los pesos necesitan ajuste.

Una cadencia que recomiendo: bloquea 90 minutos en la primera semana de cada trimestre. Extrae los deals cerrados desde la última revisión, revisa qué atributos aparecieron en los cierres ganados, y ajusta uno o dos pesos como máximo. Cambia seis cosas a la vez y nunca vas a saber cuál funcionó. Después vuelve a enriquecer los registros que llevan en tu base de datos desde el último ciclo, porque un lead puntuado en enero puede ser una empresa distinta en julio. Los agentes de enriquecimiento pueden volver a extraer esos datos automáticamente, lo que le ahorra a alguien la miseria de actualizar registros a mano.

Los mercados cambian, los productos evolucionan, y los rasgos que definían a tus mejores clientes hace seis meses podrían no aplicar hoy.

Tu turno

El scoring de ICP convierte tu perfil de cliente ideal de una diapositiva a un filtro en vivo que guía cada decisión de outbound. El modelo no tiene que ser complicado: empieza con tus datos de deals cerrados-ganados, elige de cinco a siete criterios, asigna pesos, enriquece tus leads, y manda los mejores a campañas que encajen con el momento. Después mide por nivel y ajusta el próximo trimestre.

Si quieres armar todo este flujo de trabajo en un solo lugar (base de datos de leads, enriquecimiento, señales de intención de compra y outreach multicanal), lemlist tiene una calificación de 4,6/5 en más de 2.000 reseñas en G2, Capterra y Trustpilot.Comienza una prueba gratis de 14 días. No necesitas tarjeta de crédito.

Encuentra datos sobre tus leads

Descubre prospectos y enriquece sus datos para lanzar campañas segmentadas.

Preguntas frecuentes

No hay un número universal. La mayoría de los equipos tratan 80+ en una escala de 100 puntos como Tier A, 60-79 como Tier B y todo lo que esté por debajo como baja prioridad. Después ajustan el corte cada trimestre según la conversión real por nivel.

Sí. Mide el ajuste con tu perfil ideal, no cómo llegó el lead. Así que los leads inbound y outbound se evalúan con los mismos criterios.

La mayoría de los modelos que funcionan usan entre cinco y ocho. Con menos de cuatro no vas a diferenciar bien a los leads, y con más de diez la puntuación tiende a volverse inconsistente entre representantes.

Se superponen, pero no son lo mismo. La puntuación de ICP mide una sola dimensión: el ajuste. La puntuación de cuentas suele incluir también señales de intención de compra y engagement para estimar qué tan probable es que una empresa compre.
Ivona Mikulčić

Ivona Mikulčić

Product Marketing Manager

Compartir