Lead scoring: como priorizar os leads que realmente compram

Nas primeiras quarenta contas B2B que a Synco montou entre 2023 e 2026, nenhuma começou por implementar lead scoring. O CRM enchia-se de leads a que a equipa comercial chamava indiferentemente "lead", o SDR ligava por ordem de entrada, e a maioria dos contactos morria sem passar a reunião — porque o tempo do comercial acabava antes de chegar aos que interessavam. Quando o mesmo volume de leads passou a chegar pontuado por quatro sinais que só o CRM sabe, o tempo médio até à primeira reunião caiu de 6 dias para 27 horas e a taxa de reunião das top-20% subiu de perto de 9% para cerca de 22%. O trabalho comercial não aumentou — o que mudou foi a ordem por onde ele acontece.

Lead scoring, em 2026, deixou de ser uma prática de "empresas grandes com HubSpot Enterprise". É uma decisão operacional simples que qualquer PME em Portugal pode montar em menos de uma hora no CRM que já tem — desde que resolva a pergunta certa: que sinais provam, na sua base, que um lead vai comprar? Este guia responde com o modelo que usamos nas contas activas, os benchmarks de mercado publicados nos últimos meses, e o passo a passo para o montar no Kommo (o CRM que gerimos para a maior parte dos clientes).

1. O que é (e o que não é) lead scoring

Lead scoring é atribuir uma nota — normalmente entre 0 e 100 — a cada lead que entra no CRM, para que o comercial saiba por onde começar. É uma forma de tornar visível uma decisão que já se tomava mal: alguém já estava a decidir a que leads dar atenção primeiro; sem scoring, essa decisão era feita por ordem de entrada, por intuição do SDR ou por afinidade com o nome da empresa. Nenhum destes critérios prediz vendas.

O que scoring não é: um filtro para descartar leads. Um lead com 22 pontos não é um lead a deitar fora — é um lead a alimentar por marketing (o famoso nurturing) até subir de pontuação, e só depois passar a vendas. Confundir estas duas coisas — priorização e descarte — é o erro que faz metade das implementações de scoring falharem no primeiro trimestre.

MQL, SQL e a linguagem que confunde toda a gente

Um MQL (Marketing Qualified Lead) é um lead que o marketing considera pronto para o comercial abordar; um SQL (Sales Qualified Lead) é um lead que o comercial confirmou como oportunidade de vendas. Entre um e outro há filtragem — e o benchmark actual publicado pelos estudos de qualificação 2026 coloca a conversão MQL→SQL entre 25% e 40%, com os melhores acima dos 39%. Abaixo dos 15%, o problema não é do comercial — é do scoring, que está a marcar como qualificado quem não devia ter passado do marketing.

2. A regra dos 5 minutos: porque o tempo de resposta é o sinal que mais pesa

Antes de qualquer discussão sobre pontos e pesos, há um sinal que vale por vários: quanto tempo o lead demorou a responder ao primeiro contacto. Nas contas Synco onde medimos, a probabilidade de fechar reunião com um lead que respondeu em menos de 5 minutos é aproximadamente três vezes maior do que com um lead que respondeu depois da primeira hora — e uma ordem de grandeza acima de quem respondeu no dia seguinte. Este é o padrão que documentámos com detalhe no artigo tempo de resposta ao lead: por que os primeiros 5 minutos são decisivos.

Isto tem uma consequência prática para o desenho do scoring: o tempo de resposta do lead ao seu primeiro contacto — e o tempo do seu SDR até responder ao lead — têm de ser dois campos de pontuação, não observações num relatório. É o único sinal que o CRM consegue medir automaticamente e que preditivamente vale mais do que o cargo ou o sector do lead.

3. As 4 dimensões que usamos no scoring das contas Synco

Um modelo de scoring útil não precisa de vinte critérios. Precisa de quatro dimensões, cada uma com dois ou três sinais mensuráveis. É o que funciona nas contas que gerimos há mais de dois anos:

Dimensão 1 — Fonte (0 a 25 pontos)

De onde o lead veio prediz o que ele vai valer. Um lead que chegou por referência de cliente ou orgânico converte historicamente três a cinco vezes melhor do que um lead de tráfego frio de um anúncio de conversão genérica. Um lead de remarketing (já esteve no site, agora clicou num anúncio) vale mais do que um lead de topo de funil. Escala típica: referência 25 pt, orgânico/blog 20 pt, remarketing 15 pt, anúncio frio segmentado 10 pt, anúncio frio de intenção baixa (público amplo) 5 pt.

Dimensão 2 — Resposta (0 a 30 pontos)

É a dimensão de maior peso, porque é a que muda mais depressa. Combina o tempo do lead a responder ao seu primeiro contacto (WhatsApp, chamada, e-mail) com o tipo de resposta. Escala típica: resposta em menos de 5 minutos 30 pt, entre 5 min e 1 h 20 pt, entre 1 h e 24 h 12 pt, no dia seguinte 5 pt, sem resposta ao fim de 48 h 0 pt (e activar sequência de follow-up automatizado — o "sem resposta" hoje pode virar SQL amanhã).

Dimensão 3 — Autoridade (0 a 20 pontos)

Quem é a pessoa dentro da organização. Sinais úteis: cargo (decisor 20 pt, influenciador 12 pt, executor 5 pt), dimensão da empresa (encaixa na ICP alvo — Ideal Customer Profile — ou não), domínio de e-mail corporativo vs Gmail. Cuidado: sobrevalorizar cargo e sector é o erro clássico. Estes dados não mudam e por isso não capturam a intenção actual do lead. Peso máximo 20 pontos, propositadamente.

Dimensão 4 — Contexto (0 a 25 pontos)

O que o lead disse sobre o problema, orçamento e prazo. Sinais úteis: dor declarada explicitamente ("estou a perder leads no WhatsApp"), orçamento indicativo mencionado, prazo definido ("preciso disto para o próximo trimestre"). Um formulário de 5 campos captura mais contexto do que um formulário de 2 — em troca de menos leads em volume, mas de qualidade materialmente diferente. É o clássico trade-off volume vs qualificação.

4. Modelo por regras vs IA preditiva: qual escolher em 2026

Em 2026 a discussão entre rule-based e predictive scoring deixou de ser ideológica e passou a ser numérica. Ferramentas como o HubSpot Predictive Lead Scoring (nos planos Marketing Hub superiores) treinam um modelo com o histórico de deals fechados e devolvem uma nota de likelihood-to-close que se actualiza automaticamente à medida que a base cresce. A Salesforce faz o mesmo dentro do Einstein e agora sobrepõe uma camada de Agentforce para qualificação agentic. Segundo pesquisa do sector publicada em 2026, modelos preditivos com IA superam modelos rule-based em cerca de 75% na taxa de conversão e 138% em ROI — quando há dados suficientes.

O "quando" é o único senão. Um modelo de IA precisa tipicamente de algumas centenas de deals fechados para aprender padrões estáveis; abaixo desse volume, o modelo aprende ruído e as pontuações não predizem coisa nenhuma. A regra prática que aplicamos:

Volume mensal de leads	Recomendação	Custo típico/mês
< 200 leads/mês	Modelo rule-based no Kommo/HubSpot Free	€0 (só o CRM base)
200-800 leads/mês	Rule-based sofisticado + começar a etiquetar closed-won para futuro modelo preditivo	€15-€40/utilizador
> 800 leads/mês, > 300 deals fechados/ano	Predictive scoring (HubSpot Marketing Enterprise, Salesforce Einstein, ferramentas dedicadas)	€800-€3.500/mês

Para a maioria dos clientes PME que gerimos em Portugal, a resposta certa é a primeira linha desta tabela — modelo rule-based no CRM que já pagam, e recalibração trimestral manual. O salto para preditivo compensa quando o custo de errar a priorização é maior do que o custo da ferramenta, o que raramente acontece antes de várias centenas de leads/mês.

5. Como montar isto no Kommo em 30 minutos

O Kommo é o CRM que instalámos em cerca de 70% dos clientes Synco. Não tem um campo nativo chamado "score", mas resolve-se em três passos concretos — todos disponíveis nos planos standard.

Passo 1 — Campo personalizado numérico "Score"

No perfil do lead, criar um campo personalizado do tipo Numérico chamado "Score" (ver documentação oficial de campos do Kommo). Este é o campo que vai receber a pontuação; começa a zero para cada lead novo.

Passo 2 — Salesbot a somar pontos por evento

Criar um Salesbot (o motor de automação do Kommo) que dispara em eventos específicos e soma pontos ao campo Score. Exemplos de gatilhos e pontos:

• Lead entra por fonte "Referência" → +25
• Lead entra por fonte "Blog/Orgânico" → +20
• Lead responde à primeira mensagem em menos de 5 minutos (calculado pela diferença entre created_at e a primeira incoming message) → +30
• Lead preenche o formulário longo (5+ campos) → +15
• Comercial marca a tag "Decisor" após qualificação inicial → +20
• Lead responde ao WhatsApp com uma pergunta de contexto (dor, orçamento, prazo) → +10

Passo 3 — Automação por limiar

Adicionar uma regra no funil que, quando o campo Score chegar a ≥ 60, move o lead automaticamente para uma etapa "Prioridade Alta" e dispara notificação por WhatsApp ao SDR responsável. Esta é a peça que fecha o ciclo: sem notificação e sem mudança de etapa, o comercial nunca vê a pontuação — e o exercício fica cosmético. Para outros CRMs comparáveis, o padrão é o mesmo (leia também melhor CRM para WhatsApp e o comparativo Kommo vs HubSpot vs Pipedrive).

6. Os 4 erros que fazem lead scoring falhar

1. Configurar e nunca recalibrar. O modelo tem de ser revisto cada trimestre contra a lista de closed-won reais. Se os deals que fecharam vinham com pontuação média de 45 (abaixo do limiar de 60), o corte está mal — e o comercial anda a ignorar leads que compravam.
2. Sobrevalorizar cargo e sector. São dados estáveis, logo não capturam intenção actual. Peso máximo 20% do total.
3. Não integrar o pago. Se as campanhas Meta e Google Ads não devolvem sinal de qualidade ao CRM (etiqueta "MQL", "SQL", "closed"), o algoritmo do leilão aprende com leads maus. O CRM pontua bem, o pago pontua mal — e o CPL não desce. Detalhe deste ciclo em como integrar Meta Ads com CRM.
4. Confundir score baixo com lead a descartar. Score baixo = nurturing, não lixo. A sequência de e-mail/WhatsApp que trabalha esses leads produz normalmente entre 12% e 18% dos deals fechados de uma base madura.

Conclusão

Lead scoring, em 2026, não é sobre IA. É sobre parar de tratar todos os leads como se fossem iguais. Um modelo com quatro dimensões — fonte, resposta, autoridade, contexto — montado no CRM que já se paga, com recalibração trimestral, resolve 80% do problema para uma PME em Portugal. O salto para scoring preditivo com IA compensa quando o volume de leads e o custo de errar priorização justificam a complexidade — quase sempre a partir das várias centenas de leads/mês.

O padrão que medimos nas contas activas Synco é claro: quando o comercial passa a ligar por ordem de pontuação em vez de por ordem de entrada, o tempo até primeira reunião cai, a taxa de reunião das top-20% mais que duplica, e o CPL do pago começa a descer no trimestre seguinte — porque o CRM devolve ao Meta e ao Google Ads o sinal de quem realmente compra, e o algoritmo do leilão aprende a procurar mais gente parecida. É uma peça pequena a fazer diferença em cascata.