Lead scoring no HubSpot para B2B: como modelar firmográfico + comportamental

O time de SDR reclama que os MQLs que chegam não convertem. O marketing defende que está entregando volume. Cada um tem razão — e o problema real está no meio: o lead scoring foi configurado sem modelo. Eu vejo isso com frequência: alguém jogou pesos no sistema sem critério, o threshold de MQL foi chutado, e o time de vendas parou de confiar no score em três semanas.

Eu já vi esse ciclo em operações de SaaS, consultorias B2B e empresas de serviços. O lead scoring no HubSpot existe, funciona tecnicamente e está disponível nos planos Professional e Enterprise. O que falta é o modelo por trás — não o clique no botão.

Este post vai te dar um modelo de lead scoring B2B para ciclo de 60-120 dias: como separar fit firmográfico de sinal comportamental, definir pesos, calibrar thresholds de MQL e SQL com dados reais, e configurar no HubSpot de forma que o time de vendas confie.

Por que lead scoring B2B é diferente?

Lead scoring B2B de ciclo longo não funciona com o mesmo modelo de B2C ou de produto PLG (product-led growth). O erro mais comum é aplicar lógica de e-commerce — quem clicou mais é o mais quente — numa venda consultiva de 90 dias com ticket médio de R$ 60 mil.

Em B2C, comportamento é quase tudo. Quem abandona o carrinho está prestes a comprar. Quem abre três emails em sequência provavelmente converte. O ciclo é curto, o preço é baixo, a decisão é individual.

Em B2B com ciclo longo, comportamento importa — mas só faz sentido sobre uma base de fit. Um gerente de TI de empresa de 15 pessoas que baixou seu ebook não é o mesmo MQL que um Head de Vendas de empresa de 80 pessoas que visitou sua página de implementação HubSpot três vezes. O segundo tem fit; o primeiro pode ser só curioso.

Fit firmográfico responde: essa empresa tem o perfil certo para comprar de mim? Sinal comportamental responde: essa pessoa está demonstrando intenção agora? Os dois precisam estar presentes para um MQL ser confiável.

Em ciclo de 60-120 dias, lead com fit perfeito pode ficar meses no banco, assinar newsletters, baixar conteúdos e aparecer no radar de vendas só quando o sinal comportamental se intensifica. Scoring só de comportamento vai sinalizar esse lead como quente todo mês — e queimar credibilidade com o time de SDRs quando ele não converte.

Os 2 tipos de score que importam

O modelo que funciona para B2B ciclo longo usa dois scores independentes que se combinam — não um único score agregado que mistura tudo.

Score de Fit (firmográfico). Mede o quanto o lead se parece com o seu ICP em termos de perfil de empresa e cargo. É estático por natureza — muda pouco ao longo do tempo. Uma empresa de 80 funcionários continua com 80 funcionários no mês que vem. É o filtro que separa leads que valem esforço de vendas dos que nunca vão comprar, independente do comportamento.

Score de Comportamento (sinal). Mede a intensidade de intenção de compra com base em ações observáveis: páginas visitadas, conteúdos baixados, emails abertos, visitas à página de preços, solicitação de demo. É dinâmico — sobe e desce conforme o lead age.

A lógica de uso: o Score de Fit define quem entra no radar do SDR. O Score de Comportamento define quando o SDR age. Lead com fit alto mas comportamento zero: nutrindo. Lead com comportamento alto mas fit zero: provavelmente não vale ligação de SDR. Lead com fit alto E comportamento alto: MQL real — atue agora.

Essa separação é o que o HubSpot Blog BR e a maioria dos posts sobre lead scoring não explica. E é o que determina se o time de SDR vai confiar no modelo ou ignorar os scores em 30 dias.

Como modelar o score de fit

O score de fit usa atributos firmográficos — dados sobre a empresa e o cargo — para pontuar o quanto o lead se encaixa no seu ICP. Para SaaS B2B ou serviços B2B com ciclo de 60-120 dias, o modelo abaixo é um ponto de partida concreto.

Exemplo de modelo de score de fit (SaaS B2B)

Score máximo de fit: 75 pontos. Um lead com cargo de CEO, empresa de 50 funcionários, setor SaaS, Brasil e email corporativo atinge 75 pontos — fit perfeito com o ICP.

Os atributos firmográficos vêm de formulários, enriquecimento de dados (via HubSpot Breeze AI ou ferramentas como Clearbit) ou importação manual. O HubSpot permite criar scoring baseado em qualquer propriedade de contato ou empresa — incluindo campos customizados que você criou.

Se você ainda não tem o ICP mapeado com atributos pontuáveis, esse passo vem antes de configurar qualquer score. Eu nunca começo scoring sem ter esses atributos definidos — o modelo fica inútil sem eles. A implementação do Sales Hub que funciona começa pelo processo, não pela ferramenta.

Como modelar o score de comportamento

O score de comportamento usa eventos observáveis no HubSpot: páginas visitadas, formulários enviados, emails abertos, materiais baixados, sessões no site. A lógica é simples: quanto mais próximo da decisão de compra é o comportamento, maior o peso.

Exemplo de modelo de score comportamental (SaaS B2B)

Score máximo comportamental: 100+ pontos. O score comportamental não tem limite fixo — mas o threshold que importa é o de ativação, não o máximo teórico.

Pontuação negativa por inatividade é o elemento que a maioria das configurações ignora. Sem decaimento de score, um lead que baixou um ebook em janeiro ainda aparece como quente em julho. O time de vendas liga, leva não, perde confiança no modelo. Decaimento por inatividade é o que mantém o score relevante.

Threshold de MQL e SQL: como calibrar

Aqui está o ponto onde quase todo modelo de lead scoring quebra: o threshold foi chutado.

Alguém decidiu que MQL = score 60 porque “parece razoável”. Semanas depois, o time de vendas descobre que metade dos MQLs não tem budget, o outro terço não é o decisor, e o restante já comprou do concorrente. O modelo perde credibilidade antes de completar 60 dias.

Threshold correto não vem de intuição. Vem de dados históricos dos seus próprios deals.

Como calibrar em 3 passos

Passo 1: olhar para trás, não para frente. Puxe os últimos 30-50 deals ganhos no HubSpot. Para cada um, reconstrua qual teria sido o score no momento em que o contato entrou no pipeline de vendas — com base nos atributos firmográficos e comportamentais que você teria usado. Calcule a mediana dos scores dos deals ganhos. Essa mediana é o ponto de partida do seu threshold de MQL.

Passo 2: comparar com deals perdidos. Faça o mesmo exercício com os últimos 20-30 deals perdidos. Se a distribuição de scores dos ganhos e perdidos se sobrepõe completamente, você tem um problema de modelo — os critérios de pontuação não estão discriminando bem. Ajuste os pesos antes de definir o threshold.

Passo 3: validar nos primeiros 90 dias. Defina um threshold provisório — por exemplo, Fit ≥ 40 E Comportamento ≥ 30 para MQL — e acompanhe mensalmente a taxa de conversão MQL→SQL e SQL→Ganho. Em 90 dias você tem dados suficientes para ajustar. O modelo não precisa ser perfeito na largada. Precisa ser calibrado com dado real.

Thresholds de referência para SaaS B2B (ciclo 60-120 dias)

Repare que SQL não é score — é qualificação manual pelo SDR depois do primeiro contato. Lead scoring determina quem recebe atenção de vendas, não quem entra no pipeline. A entrada no pipeline depende de qualificação ativa.

Para aprofundar a lógica de qualificação de leads em B2B, o post de qualificação de leads B2B explora os critérios além do score — BANT, GPCT e como o SDR valida budget e autoridade na prática.

Como configurar isso no HubSpot na prática

O HubSpot oferece duas opções: scoring manual (você define regras e pesos) e scoring preditivo com IA (Breeze AI aprende com deals ganhos e perdidos). Para a maioria das operações B2B em configuração inicial, scoring manual é o ponto de partida correto — mais explicável e ajustável.

Ativar os dois scores. Em Configurações > Propriedades, ative o “HubSpot Score” nativo (score comportamental) e crie uma propriedade numérica customizada chamada “Score de Fit”. Os dois campos ficam visíveis em cada contato — o SDR vê os dois antes de ligar.

Configurar regras de pontuação. No editor de Score, adicione as regras positivas e negativas conforme o modelo acima. Para cada regra: critério (propriedade de contato, evento de email, URL visitada) e peso. O HubSpot aceita até 100 regras por score.

Automatizar o Score de Fit via workflow. Score de fit usa atributos estáticos (cargo, setor, porte). Crie um workflow que recalcula o campo “Score de Fit” sempre que uma dessas propriedades muda. Sem automação, o score de fit fica desatualizado quando novos dados chegam via enriquecimento.

Criar o workflow de MQL. Condição: “HubSpot Score ≥ 30 E Score de Fit ≥ 40”. Ações: atualizar lifecycle stage para MQL, criar task para o SDR com prazo de 24h, enviar notificação. Esse workflow é o que converte score em ação real — sem ele, o score é só número.

Configurar decaimento semanal. Workflow que roda toda semana e aplica -20 pontos em contatos sem atividade nos últimos 60 dias. Sem decaimento, leads frios acumulam score alto e inflam a fila de MQL.

Criar a view de trabalho do SDR. Lista ativa: Lifecycle Stage = MQL, ordenada por score decrescente. O SDR trabalha por essa lista — a fila de prioridade vem pronta, não precisa buscar.

Se você está estruturando a implementação do Marketing Hub junto com o Sales Hub, esse é o momento de alinhar scoring com automações de nurturing — para que MQLs que saem da fila por inatividade entrem em sequências de reengajamento automaticamente.

Erros comuns que matam o lead scoring

Score único para tudo. Misturar fit e comportamento num score único esconde o diagnóstico. Um lead com score 50 pode ser CEO que não visita o site há 3 meses — ou um analista que baixou 5 ebooks. O SDR não sabe como agir. Dois scores separados resolvem isso.

Threshold sem dado. Definir MQL = score 60 sem olhar para deals ganhos do passado. O threshold vai errar e corroer a confiança do time nas primeiras semanas. Calibração com dado histórico é o que separa modelo funcional de modelo que existe só no papel.

Não recalibrar. O modelo de janeiro não é o modelo correto em julho. ICP muda, produto evolui, comportamento do comprador muda. Revisão trimestral nos primeiros 12 meses não é opcional — é o que mantém o scoring alinhado à realidade da operação.

Score sem decaimento. Sem decay, o sistema acumula leads “quentes” que esfriaram há meses. SDR liga, leva não, perde confiança no modelo. Workflow de decaimento semanal é o mecanismo que mantém a lista limpa.

Não explicar o modelo para o time. SDR não confia em score que não entende. A sessão de treinamento precisa mostrar a lógica: por que esse lead com score 70 é mais quente que aquele com 40? Quando o SDR entende o critério, ele usa — e dá o feedback que permite calibração contínua.

Como integrar scoring com SDR e AE?

Lead scoring não substitui o processo de vendas — ele alimenta o processo. O handoff do score para a ação de vendas precisa estar automado e documentado no HubSpot para funcionar de forma consistente.

Lead rotation por score. Configure o workflow de MQL para atribuir o contato ao SDR responsável por territory ou round-robin. Atribuição automática garante que nenhum MQL fica sem dono — o maior motivo de MQL perdido em operações sem automação.

Notificação em tempo real. Envie notificação ao SDR no canal preferido (HubSpot inbox, Slack, email). Lead que espera 48h para ser abordado já esfriou. SLA de 24h é o mínimo para ciclos competitivos.

Task com contexto. O workflow pode gerar uma task com o contexto do lead: “Score de Fit: 65 | Comportamento: 45 | Última ação: página de preços 2x”. O SDR sabe por que esse lead está na fila e prepara a abordagem.

Handoff SDR → AE com SQL documentado. Quando o deal é criado, preencha automaticamente “Fonte do deal = MQL via scoring” — para rastrear quais MQLs de scoring converteram em receita. Esse dado valida o modelo para o CEO e para o marketing.

A lógica de forecast confiável começa aqui: pipeline com deals de MQL qualificado converte diferente de pipeline no achismo. Para estruturar forecast com esses dados, veja o post sobre forecast de vendas B2B.

Perguntas frequentes

Quando usar scoring preditivo do HubSpot em vez do manual?

O scoring preditivo (Breeze AI, disponível no Professional e Enterprise) aprende com deals ganhos e perdidos. O critério mínimo: 25 deals ganhos e 25 perdidos no CRM. Abaixo disso, o modelo não tem base suficiente. Para operações com histórico menor, scoring manual é mais confiável e mais fácil de explicar para o time.

O HubSpot tem um score pronto que posso usar?

Sim — o HubSpot Score nativo vem com regras padrão de comportamento genérico. O problema: essas regras não conhecem o seu ICP nem o seu ciclo. Usar sem customização é o caminho mais rápido para um score que o time ignora em 30 dias. Sempre apague as regras padrão e construa do zero.

Quanto tempo leva para o modelo estabilizar?

Configuração inicial: 1-2 dias. Calibração real: 60-90 dias de operação com dados de MQLs trabalhados pelo time. Revise mensalmente nos primeiros 3 meses, depois trimestralmente.

Score de fit funciona sem dados de cargo e porte?

Não — score de fit depende de dados firmográficos que precisam existir no HubSpot. Três formas de obter: formulários que pedem cargo e porte; enriquecimento via Breeze AI (Professional); enriquecimento manual pelo SDR no primeiro contato. Se você não tem esses dados, comece pelo enriquecimento antes de ativar o scoring de fit.

Lead scoring funciona para outbound?

Funciona diferente. No outbound, o score de fit define quem o SDR vai prospectar — não score de comportamento inbound. Configure uma lista de accounts com fit alto e o SDR prioriza por score. Comportamento entra depois, quando o lead começa a engajar com conteúdo.

O que fazer quando o SDR diz que o scoring está errado?

Registrar com dado. Quando o SDR aborda um MQL sem budget, sem autoridade ou fora do timing, esse contexto vai para o contato ou deal — não é descartado. Trinta dias de feedback permite identificar quais critérios geram falsos positivos e ajustar pesos. O SDR é o calibrador do modelo.

Conclusão: modelo separa scoring de ficção

Lead scoring no HubSpot não é questão de apertar o botão certo. É questão de ter um modelo que combina o perfil correto de empresa com os sinais reais de intenção de compra — e de calibrar esse modelo com dados, não com intuição.

Em B2B de ciclo longo, volume de leads importa menos que qualidade do filtro. Um SDR com 20 MQLs reais converte mais do que um SDR priorizando 200 contatos sem critério. O scoring bem modelado é o que dá previsibilidade para o pipeline — e confiança para o time de vendas no que o marketing entrega.

Se você tem HubSpot Professional ou Enterprise e o lead scoring não funciona, o mais provável não é problema técnico. É problema de modelo. A Winning Sales pode revisar e reconstruir com critério B2B real. Agende aqui sem compromisso.