TL;DR
- Los duplicados reparten la actividad de un mismo comprador entre varios registros, así que la puntuación de cada registro refleja solo una parte.
- El nuevo registro de un comprador conocido con otro correo puede convertirse en un MQL falso.
- Si la puntuación de un lead supera el umbral tarde, un comprador listo llega tarde a ventas.
- Fusione primero los duplicados evidentes antes de ajustar las reglas de puntuación o entrenar un modelo de puntuación con IA.
- Dedupely encuentra y fusiona leads y contactos duplicados, para que la puntuación lea un solo registro por comprador.
La puntuación de leads sirve para decirle a ventas a quién llamar primero. Marketing fija los puntos o entrena un modelo, ventas confía en el número y el umbral decide cuándo un lead pasa a ser MQL.
La puntuación solo es tan buena como el registro en el que se apoya. Cuando un comprador vive en dos o tres registros, cada uno contiene parte de la historia, y la puntuación refleja solo esa parte. Algunos compradores listos nunca llegan a ventas, y algunos registros llegan a ventas sin deberlo.
En este artículo verá cómo los duplicados distorsionan la puntuación basada en reglas y la puntuación con IA, y el enfoque que lo corrige. Es una forma de pensar la puntuación y los duplicados, así que no explica paso a paso cómo configurar la puntuación.
Qué analiza la puntuación de leads
Muchos modelos de puntuación se fijan en dos cosas. El ajuste es quién es la persona: cargo, tamaño de la empresa, sector, país. La interacción es lo que hace: envíos de formularios, clics en correos, visitas a páginas, reuniones.
Puntuación basada en reglas
Con puntuación basada en reglas, su equipo decide los puntos. Una solicitud de demo podría valer 20 puntos, una visita a la página de precios 10 y un cargo que esté en su lista objetivo otros 15. Cuando un registro alcanza el umbral, pasa a ser un MQL y se envía a ventas.
Puntuación con IA o predictiva
La puntuación con IA aprende de registros pasados. Analiza qué leads se convirtieron en clientes y cuáles no, y puntúa los nuevos según lo que se parezcan a los ganadores.
Ambos enfoques puntúan registros. Ninguno sabe que dos registros pertenecen a la misma persona, a menos que algo en los datos los vincule.
Tres formas en que los duplicados distorsionan las puntuaciones
Lo que pesa cada uno depende de las fuentes, del umbral y de cómo el equipo asigna los leads. Estos son los patrones a buscar.
Actividad repartida entre registros
Un comprador descarga una guía con un email personal y luego reserva un webinar con un correo de trabajo. Cada registro recoge parte de la actividad y ninguno alcanza el umbral. El comprador está listo y nadie le llama.
El encaje también se divide: un registro tiene el cargo del formulario, el otro el tamaño de empresa de una importación. Ninguno parece un buen encaje por sí solo. Los leads son especialmente propensos a esto, ya que los leads duplicados se forman más rápido que los contactos.
MQL falsos
Los duplicados también pueden alterar las puntuaciones en sentido contrario. Un cliente o un contacto de una oportunidad abierta se inscribe en un webinar con un correo nuevo. El CRM crea un registro nuevo, el webinar suma puntos y el registro pasa a ser un MQL.
Ventas recibe un lead "nuevo" que ya habla con un gestor de cuentas. El comercial llama, el comprador se confunde y ventas empieza a dudar de los MQL que vienen después.
Los duplicados también inflan los recuentos de MQL. Una persona contada dos veces hace que el volumen parezca mayor y las tasas de conversión, menores de lo que son.
Enrutamiento que llega demasiado tarde
Las puntuaciones deciden cuándo un lead pasa a ventas. Cuando la actividad está dividida, el registro que finalmente supera el umbral lo hace días o semanas después de lo que lo hizo el comprador.
Para entonces, el momento que llevó al comprador a contactar puede haber pasado. Dos registros también pueden cruzar el umbral por separado y acabar con dos comerciales distintos.
Por qué la puntuación con IA aprende patrones erróneos
La puntuación con IA añade un segundo problema. Aprende de su historial, así que los duplicados de registros pasados moldean lo que el modelo considera un buen lead.
Un cliente cuya actividad está repartida en dos registros parece menos implicado de lo que realmente está. El duplicado sobrante que nunca se convirtió cuenta como un lead perdido. El modelo aprende que las señales que mostraron sus mejores compradores importan menos de lo que en realidad importan.
Los mismos datos fragmentados afectan a otras herramientas de IA de tu CRM, que los registros duplicados pueden fallar de formas similares. En cuanto a la puntuación, la solución empieza antes de entrenar o reentrenar un modelo.
El enfoque: corregir los registros antes de ajustar el modelo
Cuando las puntuaciones parecen incorrectas, la primera reacción suele ser cambiar los puntos o el umbral. Si los duplicados son la causa, las nuevas reglas solo desplazan el problema. Empieza por los registros.
Acuerde qué cuenta como duplicado para la puntuación
Lo que cuenta como duplicado depende del caso, y lo que un equipo considera duplicado, otro puede no considerarlo. Un prospecto que regresa un año después puede ser el mismo lead para marketing y una nueva oportunidad para ventas.
Acordad los casos antes de fusionar. Los habituales son una persona con correo personal y de trabajo, alguien que consulta dos productos y un prospecto que vuelve.
Fusiona primero los duplicados evidentes
Empieza por las coincidencias exactas de correo electrónico. Suelen ser las más seguras para fusionar y son un primer paso rápido.
Después revisa las personas con dos correos. Compara por nombre y apellidos junto con el teléfono o el nombre de la empresa, y elige los campos para la coincidencia según lo que contengan sus registros. Revíselos antes de fusionar, ya que dos personas pueden compartir nombre.
Decide qué conserva el registro fusionado
La puntuación depende más de unos pocos campos que de otros. Decide qué valor prevalece en la fase del ciclo de vida, el estado del lead, el propietario y la fecha de MQL antes de fusionar.
Compruebe cómo gestiona su puntuación una fusión. Puede recalcular a partir del historial combinado, o conservar la puntuación de un registro hasta que llegue nueva actividad.
Comparar puntuaciones y recuentos de MQL después de fusionar
Revisa tu lista de MQL antes y después de la limpieza. Cuenta cuántos registros superaron el umbral una vez combinado su historial, y cuántos MQL falsos desaparecieron.
Esa comparación te indica si tus reglas de puntuación estaban mal o si lo estaban los registros. Ajusta los puntos y el umbral solo después.
Detecta los duplicados nuevos antes de que alcancen el umbral
Los formularios, las importaciones y las integraciones siguen añadiendo registros. Revisar nuevos duplicados con regularidad evita que las puntuaciones vuelvan a desviarse. Fusionar los nuevos duplicados antes de la asignación significa que el registro que llega a ventas tiene el historial completo.
Resumen: duplicados y puntuación de leads
| Lo que sucede | Efecto en la puntuación | Qué hacer |
|---|---|---|
| La interacción y el encaje se reparten entre registros | Puntuaciones demasiado bajas; los compradores listos no alcanzan el umbral | Fusiona primero las coincidencias exactas de correo y luego revisa las de nombre |
| Un comprador conocido se registra con un correo nuevo | MQL falso enviado a ventas | Relaciona por nombre más teléfono o empresa para detectar segundos emails |
| Los registros divididos superan el umbral tarde | El enrutamiento llega con días o semanas de retraso | Fusione los nuevos duplicados antes de que se ejecute el enrutamiento |
| Duplicados en registros anteriores | La puntuación con IA aprende señales equivocadas | Historial depurado antes de entrenar o reentrenar |
| Una persona contada dos veces | Recuento de MQL inflado y tasas de conversión demasiado bajas | Compare el recuento de MQL antes y después de fusionar |
Cómo Dedupely reúne la actividad de cada comprador en un solo registro
Con Dedupely, busque posibles duplicados de clientes potenciales o contactos, confirme la identidad y elija los valores que se conservan. Revise las actividades compatibles con su conector y previsualice cada fusión. Después, compruebe el recálculo y el comportamiento de enrutamiento de la herramienta de puntuación antes de activar la fusión automática para una regla probada.
Encuentra los duplicados que dividen tus puntuaciones de leads
Las puntuaciones fiables empiezan con un solo registro por comprador
La puntuación de leads trabaja con registros, así que los duplicados cambian lo que ve. La actividad dividida oculta compradores listos, y los nuevos registros de compradores conocidos se convierten en MQL falsos. Las puntuaciones tardías envían los leads a ventas cuando el momento ya ha pasado, y la puntuación con IA aprende del mismo historial dividido.
La solución es acordar qué se considera duplicado, fusionar los evidentes y volver a revisar las puntuaciones. Cuando cada comprador tenga un único registro, sabrá si sus reglas de puntuación necesitan ajustes o si el problema estaba en los datos.
Preguntas frecuentes
¿Afectan los contactos duplicados a la puntuación de leads?
Sí: la puntuación de leads suma puntos a un registro, así que cuando un comprador tiene dos registros, cada uno contiene parte de su actividad e idoneidad. Ambos pueden quedar por debajo del umbral aunque el comprador esté listo. Los duplicados también pueden generar MQL falsos e inflar su recuento.
¿Por qué mis puntuaciones de leads son tan bajas?
Una posible causa es que la actividad esté repartida entre registros duplicados. Un comprador que usa correo personal y de trabajo puede tener actividad en ambos. Confirme la coincidencia, fusione con las reglas de campo adecuadas y compruebe cómo recalcula su herramienta de puntuación. Una fusión no necesariamente suma las dos puntuaciones ni eleva el resultado.
¿Debo limpiar mi CRM antes de configurar la puntuación de leads con IA?
Sí, idealmente: la puntuación con IA aprende de registros anteriores, así que los duplicados pueden enseñarle que compradores comprometidos lo estaban menos de lo que realmente estaban. Fusionar los duplicados evidentes antes de entrenar o reentrenar el modelo le da un historial más limpio. Después, siga comprobando si hay duplicados nuevos, ya que los formularios y las importaciones siguen añadiendo registros.
¿Cómo generan los duplicados MQL falsos?
Un comprador conocido, como un cliente o alguien que ya habla con ventas, se registra con un correo nuevo. El CRM crea un registro nuevo, la actividad suma puntos y el registro se convierte en MQL. Así, ventas recibe un lead "nuevo" que ya está en conversación con el equipo.
¿Qué ocurre con la puntuación de un cliente potencial cuando se fusionan dos registros?
Depende de la herramienta de puntuación. Algunas pueden recalcular la puntuación con la actividad combinada, mientras que otras pueden conservar el valor de un registro hasta que llegue nueva actividad. Comprueba cómo funciona la tuya y decide antes qué fase del ciclo de vida, estado del lead, propietario y fecha de MQL debe conservar el registro fusionado.
O regístrate con Google
Salesforce AppExchange 
