UNCODE®
Voltar ao catálogo
SalesforceCustomDigital Business

CRM com Lead Scoring Preditivo

Pontuação automática de leads usando histórico de conversão, integrada ao seu CRM em tempo real.

CRM com Lead Scoring Preditivo

O problema

SDRs perdem 60-70% do tempo qualificando leads que nunca iam fechar mesmo. Lead scoring manual em CRM (regras tipo "fez download de e-book = +10 pontos") envelhece mal e não capta sinais não-óbvios.

A solução

Um modelo de lead scoring preditivo treinado no histórico do funil do cliente. Pontuação 0-100 atualizada em tempo real, integrada ao CRM via webhook, com explicabilidade (SHAP values) para o SDR entender por que aquele lead é quente.

Como funciona

  1. Dados de treino: extração do CRM dos últimos 12-24 meses (leads fechados, perdidos, em andamento) + enrichment via Clearbit/Apollo
  2. Modelo: Gradient Boosting (XGBoost). interpretável e robusto a sinal ruidoso
  3. Features típicas: empresa (tamanho, indústria, stack técnico), pessoa (cargo, seniority), comportamento (e-mails abertos, sessões no site, demos agendadas), tempo (estágio do funil, dias parado)
  4. Inferência: API FastAPI que recebe payload do CRM, retorna score 0-100 + top-3 features que influenciaram
  5. Webhook: CRM atualiza campo customizado predicted_score em tempo real

Métricas

Cliente B2B SaaS (R$ 35M ARR):

  • Tempo gasto em leads ruins reduziu 47%
  • Taxa de conversão MQL → SQL subiu de 18% para 31%
  • Vendedores top performers concordam com o score em 89% dos casos (validação humana)

O que vem incluso

  • Pipeline de treino versionado (re-treina automaticamente toda semana)
  • API FastAPI rodando em Cloud Run / Vercel / cloud do cliente
  • Webhook bidirecional com Salesforce / HubSpot / RD Station
  • Painel de explicabilidade: para cada lead, mostra as features que pesaram + comparativo com leads similares fechados
  • Monitoramento de drift (se o modelo começa a errar, time é alertado)
  • Validação humana: cada decisão pode ser marcada como "concordo/discordo" para fine-tuning contínuo

Stack

  • Modelo: XGBoost (com fallback explicado para LogisticRegression em datasets pequenos)
  • Enrichment: Apollo, Clearbit, ZoomInfo, ou web scraping interno
  • API: Python 3.13 + FastAPI + Pydantic v2
  • CRM: Salesforce, HubSpot, RD Station, Pipedrive, Hubspot, Active Campaign

Tempo de implementação

4-5 semanas:

  • Sprint 1: extração de dados + análise de viabilidade (sinal disponível)
  • Sprint 2: treino + validação + métricas baseline
  • Sprint 3: API + webhook + painel
  • Sprint 4: rollout gradual (50% leads vão pro modelo, 50% pro processo atual)

Perguntas frequentes

Tirando suas dúvidas