¿Cómo crear un workflow de scoring de MQL en Make.com?

Respuesta rápida: puedes crear un workflow de scoring de MQL en Make.com conectando tu CRM y tus herramientas de marketing, recopilando señales de comportamiento (visitas a páginas, clics en emails, solicitudes de demo), pasándolas por un paso de lógica de AI que calcule una puntuación ponderada y etiquetando automáticamente a los contactos cuando superen su umbral de MQL. Todo el workflow funciona sin intervención manual.

Crear un modelo de lead scoring que funcione de verdad requiere algo más que asignar valores de puntos arbitrarios en una hoja de cálculo. La mayoría de los equipos configuran un sistema de puntuación básico, ven cómo se desajusta de la realidad y acaban con comerciales que persiguen leads que nunca estuvieron listos. Este tutorial te enseña a crear en Make.com un workflow de scoring de MQL basado en el comportamiento, que puntúa los contactos en tiempo real, aplica lógica de AI para ponderar las señales de forma inteligente y envía los leads cualificados a tu CRM automáticamente.

Al terminar, tendrás un escenario de Make.com que etiqueta y puntúa MQL sin que tengas que tocar ningún lead manualmente.

¿Qué es un workflow de scoring de MQL?

Un workflow de scoring de MQL es un proceso automatizado que asigna puntuaciones numéricas a los contactos según su comportamiento y su encaje firmográfico, y los clasifica como Marketing Qualified Leads cuando superan un umbral definido.

El workflow supervisa señales como la interacción con emails, las visitas a páginas, las descargas de contenido y las solicitudes de demo. Cada señal tiene una puntuación ponderada. Cuando la puntuación acumulada de un contacto supera tu umbral de MQL, el sistema lo etiqueta, actualiza tu CRM y, de forma opcional, avisa a tu equipo de ventas.

Make.com es muy adecuado para esto porque se conecta con prácticamente todas las herramientas de marketing y CRM, admite lógica condicional de forma nativa y te permite incorporar un módulo de AI en el paso de scoring para gestionar ponderaciones matizadas que los sistemas de puntos estáticos pasan por alto. Si estás comparando esta opción con una orquestación de canales más amplia o con apoyo en la ejecución de campañas, SaaS Hackers también ofrece una selección de las mejores agencias de marketing digital para B2B SaaS.

Por qué falla el lead scoring estático

El lead scoring estático asigna puntos fijos a las acciones: 10 puntos por abrir un email, 20 por visitar la página de precios, 5 por descargar una guía. El problema es que no todas las señales pesan lo mismo en perfiles de contacto distintos.

Un contacto que visita tu página de precios dos veces en una semana es una señal más fuerte que uno que abrió tres newsletters. Un contacto de una empresa SaaS de 500 personas que entra en tu página de precios significa algo distinto que un freelancer que hace lo mismo.

La lógica de AI de Make.com te permite pasar datos de contexto a un prompt de scoring y recibir una puntuación ponderada que tiene en cuenta a la vez la combinación de señales, su recencia y el encaje firmográfico. Esa es la diferencia clave entre este enfoque y un simple recuento de puntos. Los equipos que quieren combinar el lead scoring con la selección de cuentas objetivo suelen complementar este tipo de workflow con el apoyo de agencias de ABM para B2B SaaS.

Lo que necesitas antes de empezar

Antes de crear el workflow, ten preparado lo siguiente:

• Una cuenta de Make.com (plan Core o superior para escenarios de varios pasos)
• Un CRM conectado a Make.com (HubSpot, Attio, Salesforce o Pipedrive funcionan)
• Una fuente de eventos donde lleguen las señales de comportamiento (tu CRM, una herramienta de formularios o un webhook de tu sitio web)
• Una clave de API de OpenAI (para el paso de scoring con AI)
• Un umbral de MQL definido y acordado con tu equipo de ventas (por ejemplo, 70 puntos sobre 100)
• Una lista de señales de scoring con pesos aproximados (los afinarás con la lógica de AI)

Si aún no has acordado con ventas el umbral de MQL, hazlo primero. El umbral es la variable más importante del modelo. Sojourn Solutions lo explica bien: el umbral de MQL es la puntuación a partir de la cual un lead se clasifica como cualificado por marketing y pasa a ventas, y fijarlo mal es la razón más habitual por la que fallan los sistemas de scoring.

Cómo crear el workflow de scoring de MQL en Make.com

Paso 1: configura el módulo de activación

Tu workflow necesita un trigger que se dispare cada vez que se produzca un evento relevante de un contacto.

En Make.com, crea un escenario nuevo y añade tu módulo de activación:

• HubSpot: usa «Watch Contacts» o «Watch CRM Events» para activarlo con cambios de propiedades o envíos de formularios
• Webhook: si tu sitio web envía eventos directamente, usa el módulo «Custom Webhook» de Make como trigger
• Typeform / Tally: usa sus módulos nativos de Make.com para activarlo al completar formularios

Configura el trigger para que se dispare con los eventos más relevantes de tu funnel: solicitudes de demo, visitas a la página de precios, clics en enlaces de emails, descargas de contenido o registros en pruebas gratuitas.

Mapea los siguientes campos desde el payload del trigger:

• Email o ID del contacto
• Tipo de evento (por ejemplo, «pricing_page_visit», «demo_request»)
• Marca de tiempo
• Nombre y tamaño de la empresa (si están disponibles)
• Cualquier puntuación que ya esté guardada en tu CRM

Paso 2: recupera los datos actuales del contacto

Añade un segundo módulo para obtener el registro completo del contacto desde tu CRM. Así tendrás acceso a:

• Su lead score actual (si existe)
• Datos firmográficos (tamaño de la empresa, sector, cargo)
• Historial de actividad anterior
• Etapa actual del ciclo de vida

En HubSpot, usa el módulo «Get a Contact» con el email o el ID del contacto del paso 1. En Attio, usa «Get Record». En Pipedrive, usa «Get Person».

Necesitas estos datos para que el paso de AI del paso 4 tenga todo el contexto y no solo el evento que activó el trigger.

Paso 3: agrega las señales de comportamiento con un Data Store

El módulo Data Store de Make.com funciona como una base de datos ligera. Úsalo para acumular los eventos de comportamiento de cada contacto antes de puntuarlos.

Crea un Data Store con los siguientes campos:

Cada vez que se ejecute el workflow, usa «Search Records» para encontrar el registro existente del contacto y después «Update a Record» (o «Add a Record» si no existe) para registrar el nuevo evento.

Este paso de agregación hace que tu módulo de scoring con AI reciba un resumen completo del comportamiento y no solo la señal de un evento. Si la interacción con el contenido es una de tus mejores señales de MQL, también puede ayudarte revisar las mejores agencias de content marketing para B2B SaaS y ver qué señales conviene ponderar más.

Paso 4: puntúa el lead con un paso de lógica de AI

Aquí es donde el workflow de Make.com va más allá del scoring estático. Añade un módulo OpenAI «Create a Completion» (o el módulo «Create a Chat Completion» para GPT-4o).

Escribe un prompt de sistema que indique al modelo que actúe como motor de lead scoring. Esta es una estructura de prompt que funciona:

You are a B2B SaaS lead scoring engine. Score the following contact 
out of 100 based on their behaviour and firmographic data.

Scoring criteria:
- Demo request: 35 points
- Pricing page visit (per visit, max 3): 15 points each
- Email link click (per click, max 5): 5 points each
- Content download: 10 points
- Free trial sign-up: 40 points
- Company size 50-500 employees: +10 bonus
- Job title contains "Head", "VP", "Director", or "C-": +10 bonus
- Events older than 30 days: reduce score by 20%

Contact data:
- Event type: {{event_type}}
- Event count: {{event_count}}
- Last event date: {{last_event_date}}
- Company size: {{company_size}}
- Job title: {{job_title}}
- Existing score: {{current_score}}

Return only a JSON object in this format:
{"score": [number], "mql": [true/false], "reason": "[brief explanation]"}

Mapea las variables de la salida de tu Data Store en el prompt con el panel de mapeo de variables de Make.com.

Configura el modelo como GPT-4o mini para ahorrar costes en workflows de alto volumen, o GPT-4o si necesitas un razonamiento más matizado para reglas de scoring complejas.

Paso 5: analiza la respuesta de la AI

Añade un módulo JSON «Parse JSON» después del paso de OpenAI. Apúntalo a la choices[0].message.content salida del módulo de AI.

Esto extrae tres valores que usarás en los siguientes pasos:

• score (la puntuación numérica)
• mql (verdadero o falso)
• reason (una explicación en lenguaje sencillo de la puntuación)

Si la AI devuelve de vez en cuando un JSON mal formado, añade un módulo Tools «Set Variable» con un valor de respaldo de {"score": 0, "mql": false, "reason": "parse error"} y deriva allí los errores antes de continuar.

Paso 6: añade un Router para las rutas MQL y no MQL

Añade un módulo Router después del parser de JSON. Configura dos rutas:

Ruta 1: MQL = true

• Condición del filtro: mql es igual a true

Ruta 2: MQL = false

• Condición del filtro: mql es igual a false

Esto divide el workflow para que los leads cualificados reciban un tratamiento distinto al de los leads que aún están en nurturing.

Paso 7: actualiza el CRM y etiqueta los MQL

En la ruta MQL:

1. Añade un módulo «Update Contact» en tu CRM. Establece la propiedad de lead score con el valor de score de la salida de la AI.
2. Establece la etapa del ciclo de vida en «Marketing Qualified Lead» (o el equivalente en tu CRM).
3. Añade una etiqueta: «MQL - Auto-scored».
4. De forma opcional, añade un módulo de notificación por Slack o email para avisar al comercial correspondiente.

En la ruta no MQL:

1. Actualiza el campo de puntuación del contacto con el nuevo valor de score .
2. Deja la etapa del ciclo de vida sin cambios.
3. De forma opcional, inscríbelo en una secuencia de nurturing si su puntuación superó un umbral intermedio (por ejemplo, 40-69 puntos).

Paso 8: guarda el historial de puntuaciones

Después de ambas rutas, añade un último paso «Update a Record» del Data Store para escribir la nueva puntuación en tu almacén de agregación. Así, la próxima vez que el workflow se active para este contacto, el paso de AI partirá de la puntuación base correcta y no de cero.

Cómo fijar correctamente tu umbral de MQL

El umbral de MQL es la puntuación a partir de la cual un contacto se clasifica como listo para ventas. Si lo fijas demasiado bajo, ventas se inunda de leads no cualificados. Si lo fijas demasiado alto, tu pipeline se seca.

Sigue este proceso para encontrar el número adecuado:

1. Extrae de tu CRM las operaciones cerradas y ganadas de los últimos 3-6 meses
2. Identifica las señales de comportamiento que mostraron esos contactos antes de convertirse en clientes
3. Pasa esas señales por tu modelo de scoring y anota qué puntuación habrían recibido
4. Encuentra la puntuación que recoja al 80% de tus contactos cerrados-ganados sin incluir a más del 30% de los contactos que nunca se convirtieron

Empieza con un umbral de 65-75 para la mayoría de los modelos de B2B SaaS. Revísalo cada 90 días con los datos reales de conversión. Si tu modelo de scoring está muy ligado al inbound, la lista de las mejores agencias de inbound marketing para B2B SaaS puede servirte como referencia para ver cómo estructuran otros equipos la cualificación.

Cómo probar tu flujo de scoring de MQL en Make.com

Antes de ponerlo en marcha, ejecuta el escenario en modo de prueba con contactos conocidos:

• Usa un contacto que ya se haya convertido en cliente. Su puntuación debería superar tu umbral de MQL.
• Usa un contacto frío sin actividad. Su puntuación debería quedar por debajo de 20.
• Usa un contacto con señales mixtas (algunas aperturas de email y ninguna acción de alta intención). Su puntuación debería situarse en el rango medio.

Revisa el resultado de la AI en el registro de ejecución del escenario. Si las puntuaciones no te convencen, ajusta los pesos del prompt en el paso 4 y vuelve a ejecutarlo.

El historial de ejecución de Make.com muestra la entrada y la salida de cada módulo, así que puedes rastrear exactamente de dónde viene una puntuación y por qué.

Errores comunes que debes evitar

Saltarse el paso de agregación de datos. Puntuar a partir de un solo evento aislado produce resultados muy imprecisos. Agrega siempre las señales antes de puntuar.

No alinear el umbral con ventas. Un modelo de scoring técnicamente perfecto fracasa si ventas no confía en el resultado. Muéstrales la lógica de puntuación y consigue su acuerdo explícito sobre el umbral antes del lanzamiento.

Ignorar la caducidad de la puntuación. Un contacto que visitó tu página de precios hace seis meses no es la misma señal que uno que la visitó ayer. El prompt del paso 4 incluye una regla de caducidad de 30 días. Ajusta el plazo a la duración de tu ciclo de ventas.

Sobrecomplicar el prompt de la AI. Más reglas en el prompt no siempre producen mejores puntuaciones. Empieza con 5-7 tipos de señales, ejecuta el modelo durante 30 días y añade complejidad según lo que muestren los datos.

Preguntas frecuentes

¿Qué es un flujo de scoring de MQL en Make.com?
Un flujo de scoring de MQL en Make.com es un escenario automatizado que recopila señales de comportamiento de tu CRM y tus herramientas de marketing, las pasa por un paso de lógica de puntuación (incluido un módulo de AI para la puntuación ponderada) y etiqueta automáticamente a los contactos como Marketing Qualified Leads cuando superan un umbral de puntuación definido. Elimina por completo la cualificación manual de leads del proceso.

¿Cómo establezco el umbral de puntuación de MQL adecuado en Make.com?
Reúne las operaciones cerradas-ganadas de los últimos 3-6 meses, identifica qué señales de comportamiento mostraron esos contactos antes de convertirse, simula sus puntuaciones con tu modelo y encuentra la puntuación que recoja al menos al 80% de ellos. En la mayoría de los negocios de B2B SaaS, el umbral de MQL se sitúa entre 65 y 75 sobre 100. Revísalo cada 90 días con los datos reales de conversión del pipeline.

¿Puede Make.com sustituir una herramienta específica de lead scoring como la puntuación nativa de HubSpot?
Make.com no sustituye la puntuación nativa de tu CRM en modelos sencillos, pero aporta una capacidad notable cuando necesitas puntuación ponderada con AI, agregación de señales entre herramientas o lógica de enrutamiento personalizada que las herramientas nativas no admiten. Si tu modelo de scoring necesita recoger señales de más de una plataforma o aplicar ponderaciones según el contexto, Make.com te da más control que la mayoría de las implementaciones nativas. Si quieres ampliar los flujos nativos del CRM, SaaS Hackers también tiene un directorio de agencias de HubSpot para B2B SaaS.

¿Qué CRM funcionan con este flujo de scoring de MQL en Make.com?
HubSpot, Salesforce, Pipedrive, Attio y Zoho CRM tienen módulos nativos en Make.com que permiten recuperar y actualizar contactos. La estructura del flujo de esta guía funciona con cualquiera de ellos. Solo tienes que cambiar los módulos específicos del CRM en los pasos 2 y 7 y mantener idénticos la lógica de AI y los pasos de enrutamiento.

¿Cuánto cuesta ejecutar este flujo en Make.com?
El principal coste variable es el uso de la API de OpenAI. Ejecutar GPT-4o mini para las respuestas de puntuación cuesta aproximadamente 0,15 $ por cada millón de tokens de entrada. En un flujo que procese 1000 contactos al mes con un prompt de unos 300 tokens cada uno, el coste de la AI es inferior a 0,05 $ al mes. El coste de las operaciones de Make.com depende de tu plan, y cada ejecución de un módulo cuenta como una operación.