Lead scoring con IA: califique prospectos residenciales antes de asignarlos.

El lead scoring con IA resuelve exactamente eso: antes de que el lead llegue a un asesor, el sistema le asigna una puntuación de 0 a 100 que indica su probabilidad de cierre. Los de mayor puntaje van primero; los de menor puntaje entran a una secuencia de nutrición automatizada.

Por qué el scoring manual no funciona a escala

La mayoría de los equipos residenciales tienen alguna versión de scoring manual: una hoja de calificación que el asesor llena en la primera llamada, o un campo de «temperatura» en el CRM que alguien actualiza cuando se acuerda. El problema es doble:

• Subjetividad: Dos asesores califican al mismo perfil de prospecto de forma diferente según su experiencia, estado de ánimo y cuota del mes.
• Tardanza: El scoring manual ocurre después del primer contacto. Un modelo de IA puede calificar el lead antes de que nadie lo haya tocado, basándose solo en los datos del formulario.

Las variables que más predicen el cierre

Éstas son las variables que conviene probar primero. El peso de cada una sale de sus propios cierres, no de una tabla ajena:

Cómo se construye el modelo

Fase 1: Preparación de datos históricos

El primer paso es construir el dataset de entrenamiento. Necesitamos al menos 500 leads históricos con su resultado conocido (cerró / no cerró). Si el CRM no tiene este historial limpio, la fase 1 puede tomar 2-3 semanas de limpieza.

Campos mínimos requeridos por lead:

• Fecha y hora de registro
• Fuente de origen
• Campos completados del formulario
• Resultado final (venta, descartado, en proceso)
• Tiempo de ciclo (días desde registro hasta cierre o descarte)

Fase 2: Entrenamiento del modelo

Para este caso de uso recomendamos clasificadores de gradiente boosting (XGBoost o LightGBM): funcionan bien con datos tabulares mixtos (numéricos + categóricos) y no requieren grandes volúmenes de datos. Con 500-1,000 leads históricos ya se puede entrenar un modelo útil.

El modelo produce una probabilidad de cierre (0.0 a 1.0) que convertimos a un score de 0-100 para comunicarlo al equipo comercial de forma intuitiva.

Fase 3: Integración con el CRM

El scoring no tiene valor si no llega al asesor en el momento correcto. La integración típica:

• El formulario del portal envía el lead vía webhook al modelo de scoring
• El modelo devuelve el score; el objetivo de diseño es mantenerlo por debajo de 200ms
• El CRM (HubSpot, Salesforce, Pipedrive o cualquier sistema con API) recibe el score como campo adicional
• Las reglas de asignación del CRM se actualizan: leads con score >70 van a asesores senior, <40 van a secuencia de email automatizado

Qué pasa con los leads de puntaje bajo

Un error común es ignorar los leads de score bajo. El modelo les asigna baja probabilidad de cierre ahora, no en 6 meses. Un comprador que hoy tiene plazo de compra de «2 a 3 años» puede convertirse en un prospecto caliente cuando cambie su situación.

La estrategia correcta es una secuencia de nutrición automatizada: correos mensuales con contenido relevante (guías de crédito hipotecario, noticias del mercado, nuevos proyectos), sin involucrar a los asesores hasta que el prospecto muestre señales de mayor intención (abrir correos, volver a visitar el portal, hacer clic en «ver disponibilidad»).

Métricas para evaluar el modelo en producción

Una vez en producción, el modelo debe monitorearse con estas métricas:

• Tasa de conversión por quintil de score: Compruebe con sus datos si el quintil más alto cierra entre 3 y 5 veces más que el más bajo. Si la diferencia es mucho menor, el modelo no está separando a los prospectos.
• Calibración: Un lead con score 70 debe cerrar aproximadamente el 70% de las veces
• Drift mensual: Si el mercado cambia, el modelo necesita reentrenarse con datos recientes

---

Lo que el modelo no puede hacer

El scoring predice probabilidad, no certeza. Un lead con score 90 puede no cerrar si el asesor da mal seguimiento. El modelo mejora la eficiencia del equipo; no sustituye la calidad del proceso de ventas.

También recomendamos revisar el modelo cada trimestre: el mercado residencial en México es sensible a tasas de interés, tipo de cambio y ciclos políticos, y un modelo entrenado en 2024 puede volverse impreciso en 2026 si no se actualiza.

Este es el problema que resuelve Umbral como producto estándar. Si su esquema de comisión o su regla de asignación no cabe en un producto de catálogo, esa es precisamente la señal 04, y lo que sigue se construye con el método de nuestra consultoría de inteligencia artificial.

IA para calificar leads inmobiliarios, más allá de la venta residencial

El mismo modelo califica leads de renta vacacional, con variables distintas: temporada que pregunta, duración de estancia y si pide disponibilidad para una fecha fija o sólo cotiza. Umbral corre el mismo scoring para desarrollo residencial y rentas vacacionales, y ajusta las variables de entrada según el tipo de operación, no el modelo completo. En la práctica corre como calificación por WhatsApp en rentas vacacionales, y los otros usos maduros del sector están en IA para inmobiliarias y desarrolladoras.

¿Qué es el lead scoring en bienes raíces?

Es la práctica de asignarle a cada prospecto una puntuación de 0 a 100 antes de que un asesor le dedique tiempo, con base en datos declarados (preaprobación, plazo de compra, completitud del formulario) y de comportamiento (visitas al portal, fuente del lead). Reemplaza la temperatura subjetiva que hoy asigna cada asesor a su criterio.

¿Cómo calificar leads inmobiliarios con IA antes de pasarlos a un asesor?

El formulario del portal envía el lead al modelo por webhook, el modelo devuelve el score con un objetivo de diseño por debajo de 200ms y el CRM lo recibe como campo adicional antes de que el lead aparezca en la bandeja de ningún asesor. El de mayor puntaje se asigna primero; el de menor puntaje entra a la secuencia de nutrición automatizada.