Como criar um workflow de pontuação de MQL no Make.com?

Resposta rápida: Você pode criar um fluxo de pontuação de MQL no Make.com conectando seu CRM e suas ferramentas de marketing, trazendo sinais comportamentais (visitas a páginas, cliques em e-mails, pedidos de demo), passando esses sinais por uma etapa de lógica de AI que calcula uma pontuação ponderada e etiquetando automaticamente os contatos quando atingem o limite de MQL. O fluxo inteiro roda sem intervenção manual.

Criar um modelo de lead scoring que realmente funcione exige mais do que atribuir valores arbitrários de pontos em uma planilha. A maioria dos times monta um sistema básico de pontuação, vê que ele se afasta da realidade e acaba com vendedores atrás de leads que nunca estiveram prontos. Este tutorial mostra como criar no Make.com um fluxo de pontuação de MQL orientado por comportamento, que pontua contatos em tempo real, aplica lógica de AI para ponderar os sinais de forma inteligente e encaminha os leads qualificados para o seu CRM automaticamente.

Ao final, você terá um cenário funcional no Make.com que etiqueta e pontua MQLs sem que você toque em nenhum lead manualmente.

O que é um fluxo de pontuação de MQL?

Um fluxo de pontuação de MQL é um processo automatizado que atribui pontuações numéricas aos contatos com base no comportamento e na aderência firmográfica e, em seguida, os classifica como Marketing Qualified Leads quando ultrapassam um limite definido.

O fluxo monitora sinais como engajamento com e-mails, visitas a páginas, downloads de conteúdo e pedidos de demo. Cada sinal tem uma pontuação ponderada. Quando a pontuação acumulada de um contato passa do seu limite de MQL, o sistema o etiqueta, atualiza seu CRM e, opcionalmente, avisa seu time de vendas.

O Make.com é indicado para isso porque se conecta a praticamente todas as ferramentas de marketing e de CRM, oferece lógica condicional de forma nativa e permite incluir um módulo de AI na etapa de pontuação para lidar com ponderações mais sutis, que sistemas de pontos estáticos não captam. Se você está comparando isso com uma orquestração de canais mais ampla ou com apoio na execução de campanhas, o SaaS Hackers também mantém uma lista das melhores agências de marketing digital para B2B SaaS.

Por que o lead scoring estático falha

O lead scoring estático atribui pontos fixos a ações: 10 pontos por abrir um e-mail, 20 por visitar a página de preços, 5 por baixar um guia. O problema é que nem todos os sinais têm o mesmo peso em perfis de contato diferentes.

Um contato que visita sua página de preços duas vezes na mesma semana é um sinal mais forte do que um que abriu três newsletters. Um contato de uma empresa de SaaS com 500 pessoas acessando sua página de preços significa algo diferente de um freelancer fazendo o mesmo.

A lógica de AI no Make.com permite enviar dados de contexto para um prompt de pontuação e receber de volta uma pontuação ponderada que considera, ao mesmo tempo, a combinação de sinais, a recência e a aderência firmográfica. Essa é a diferença central entre essa abordagem e um sistema básico de soma de pontos. Times que querem combinar lead scoring com seleção de contas-alvo costumam associar esse tipo de fluxo ao apoio de agências de ABM para B2B SaaS.

O que você precisa antes de começar

Antes de montar o fluxo, deixe estes itens prontos:

Uma conta no Make.com (plano Core ou superior para cenários com várias etapas)
Um CRM conectado ao Make.com (HubSpot, Attio, Salesforce ou Pipedrive funcionam)
Uma fonte de eventos por onde chegam os sinais de comportamento (seu CRM, uma ferramenta de formulários ou um webhook do seu site)
Uma chave de API da OpenAI (para a etapa de pontuação com AI)
Um limite de MQL definido e combinado com seu time de vendas (por exemplo, 70 pontos de 100)
Uma lista de sinais de pontuação com pesos aproximados (você vai refiná-los com a lógica de AI)

Se você ainda não alinhou o limite de MQL com vendas, faça isso primeiro. O limite é a variável mais importante do modelo. A Sojourn Solutions explica bem: o limite de MQL é a pontuação em que um lead é classificado como qualificado pelo marketing e encaminhado para vendas, e defini-lo de forma incorreta é o motivo mais comum de falha dos sistemas de pontuação.

Como criar o fluxo de pontuação de MQL no Make.com

Etapa 1: configure o módulo de gatilho

Seu fluxo precisa de um gatilho que dispare sempre que ocorrer um evento relevante de um contato.

No Make.com, crie um novo cenário e adicione seu módulo de gatilho:

HubSpot: use "Watch Contacts" ou "Watch CRM Events" para disparar com mudanças de propriedades ou envios de formulário
Webhook: se o seu site dispara eventos diretamente, use o módulo "Custom Webhook" do Make como gatilho
Typeform / Tally: use os módulos nativos do Make.com para disparar quando um formulário for concluído

Configure o gatilho para disparar nos eventos mais relevantes para o seu funil: pedidos de demo, visitas à página de preços, cliques em links de e-mail, downloads de conteúdo ou cadastros em teste grátis.

Mapeie os seguintes campos do payload do gatilho:

E-mail ou ID do contato
Tipo de evento (por exemplo, "pricing_page_visit", "demo_request")
Carimbo de data e hora
Nome e tamanho da empresa (se disponível)
Qualquer pontuação já armazenada no seu CRM

Etapa 2: recupere os dados atuais do contato

Adicione um segundo módulo para buscar o registro completo do contato no seu CRM. Isso dá acesso a:

A pontuação de lead atual (se houver)
Dados firmográficos (tamanho da empresa, setor, cargo)
Histórico de atividades anteriores
Estágio atual no ciclo de vida

No HubSpot, use o módulo "Get a Contact" com o e-mail ou o ID do contato da Etapa 1. No Attio, use "Get Record". No Pipedrive, use "Get Person".

Você precisa desses dados para que a etapa de AI, na Etapa 4, tenha o contexto completo e não apenas o único evento que disparou o gatilho.

Etapa 3: agregue os sinais comportamentais com um Data Store

O módulo Data Store do Make.com funciona como um banco de dados leve. Use-o para acumular os eventos comportamentais de cada contato antes de pontuar.

Configure um Data Store com os seguintes campos:

Campo	Tipo
contact_id	Texto
event_type	Texto
event_count	Número
last_event_date	Data
company_size	Número
job_title	Texto
current_score	Número

Cada vez que o fluxo rodar, use "Search Records" para encontrar o registro existente do contato e depois use "Update a Record" (ou "Add a Record", se não houver nenhum) para registrar o novo evento.

Essa etapa de agregação faz seu módulo de pontuação com AI receber um resumo comportamental completo, e não apenas o sinal de um único evento. Se o engajamento com conteúdo é um dos seus principais insumos de MQL, também pode ser útil conhecer as melhores agências de content marketing para B2B SaaS e ter ideias de quais sinais pesar mais.

Etapa 4: pontue o lead com uma etapa de lógica de AI

É aqui que o fluxo do Make.com vai além da pontuação estática. Adicione um módulo OpenAI "Create a Completion" (ou o módulo "Create a Chat Completion" para o GPT-4o).

Escreva um prompt de sistema que instrua o modelo a atuar como um mecanismo de lead scoring. Esta é uma estrutura 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]"}

Mapeie as variáveis da saída do seu Data Store no prompt usando o painel de mapeamento de variáveis do Make.com.

Defina o modelo como GPT-4o mini para ter eficiência de custo em fluxos de alto volume, ou como GPT-4o se você precisar de um raciocínio mais refinado para regras de pontuação complexas.

Etapa 5: interprete a resposta da AI

Adicione um módulo JSON "Parse JSON" depois da etapa da OpenAI. Aponte-o para o choices[0].message.content da saída do módulo de AI.

Isso extrai três valores que você usará nas próximas etapas:

score (a pontuação numérica)
mql (verdadeiro ou falso)
reason (uma explicação em linguagem simples da pontuação)

Se a AI às vezes retornar um JSON malformado, adicione um módulo Tools "Set Variable" com um valor de contingência igual a {"score": 0, "mql": false, "reason": "parse error"} e direcione os erros para ele antes de continuar.

Etapa 6: adicione um Router para os caminhos de MQL e não MQL

Adicione um módulo Router depois do JSON parser. Configure dois caminhos:

Caminho 1: MQL = true

Condição do filtro: mql igual a true

Caminho 2: MQL = false

Condição do filtro: mql igual a false

Isso divide o fluxo para que os leads qualificados recebam um tratamento diferente dos leads que ainda estão em nutrição.

Etapa 7: atualize o CRM e etiquete os MQLs

No caminho de MQL:

Adicione um módulo "Update Contact" no seu CRM. Defina a propriedade de lead score com o valor de score vindo da saída da AI.
Defina o estágio do ciclo de vida como "Marketing Qualified Lead" (ou o equivalente no seu CRM).
Adicione uma tag ou etiqueta: "MQL - Auto-scored".
Se quiser, adicione um módulo de notificação por Slack ou e-mail para avisar o vendedor responsável.

No caminho de não MQL:

Atualize o campo de pontuação do contato com o novo valor de score .
Mantenha o estágio do ciclo de vida inalterado.
Se quiser, inclua o contato em uma sequência de nutrição caso a pontuação tenha passado de um limite intermediário (por exemplo, 40 a 69 pontos).

Etapa 8: armazene o histórico de pontuação

Depois dos dois caminhos, adicione uma última etapa "Update a Record" do Data Store para gravar a nova pontuação de volta no seu repositório de agregação. Assim, na próxima vez que o fluxo disparar para esse contato, a etapa de AI parte da pontuação-base correta, e não do zero.

Como definir corretamente seu limite de MQL

O limite de MQL é a pontuação em que um contato é classificado como pronto para vendas. Se for baixo demais, vendas é inundada de leads não qualificados. Se for alto demais, seu pipeline seca.

Use este processo para encontrar o número certo:

Extraia de 3 a 6 meses de negócios fechados e ganhos do seu CRM
Identifique os sinais comportamentais que esses contatos demonstraram antes de virarem clientes
Passe esses sinais pelo seu modelo de pontuação e anote qual nota eles teriam recebido
Encontre a nota que captura 80% dos seus contatos closed-won sem incluir mais de 30% de contatos que nunca converteram

Comece com um limite de 65 a 75 para a maioria dos modelos de B2B SaaS. Revise-o a cada 90 dias com base nos dados reais de conversão. Se o seu modelo de pontuação está muito ligado à operação inbound, a lista das melhores agências de inbound marketing para B2B SaaS pode ser útil como referência de como outras equipes estruturam a qualificação.

Como testar seu workflow de pontuação de MQL no Make.com

Antes de colocar no ar, execute o cenário em modo de teste com contatos conhecidos:

Use um contato que já se tornou cliente. A nota dele deve ficar acima do seu limite de MQL.
Use um contato frio, sem nenhuma atividade. A nota dele deve ficar abaixo de 20.
Use um contato com sinais mistos (algumas aberturas de e-mail, nenhuma ação de alta intenção). A nota dele deve ficar na faixa intermediária.

Confira o resultado da AI no log de execução do cenário. Se as notas parecerem estranhas, ajuste os pesos do prompt no Passo 4 e execute de novo.

O histórico de execução do Make.com mostra a entrada e a saída de cada módulo, então você consegue rastrear exatamente de onde veio uma nota e por quê.

Erros comuns a evitar

Pular a etapa de agregação de dados. Pontuar com base em um único evento isolado gera resultados muito imprecisos. Sempre agregue os sinais antes de pontuar.

Não alinhar o limite com vendas. Um modelo de pontuação tecnicamente perfeito falha se vendas não confia no resultado. Mostre a lógica de pontuação ao time e obtenha concordância explícita sobre o limite antes do lançamento.

Ignorar o decaimento da nota. Um contato que visitou sua página de preços há seis meses não representa o mesmo sinal que um que visitou ontem. O prompt do Passo 4 inclui uma regra de decaimento de 30 dias. Ajuste o período de acordo com a duração do seu ciclo de vendas.

Complicar demais o prompt de AI. Mais regras no prompt nem sempre geram notas melhores. Comece com 5 a 7 tipos de sinal, rode o modelo por 30 dias e só depois aumente a complexidade com base no que os dados mostrarem.

Perguntas frequentes

O que é um workflow de pontuação de MQL no Make.com?
Um workflow de pontuação de MQL no Make.com é um cenário automatizado que coleta sinais comportamentais do seu CRM e das suas ferramentas de marketing, passa esses sinais por uma etapa de lógica de pontuação (incluindo um módulo de AI para pontuação ponderada) e marca automaticamente os contatos como Marketing Qualified Leads quando ultrapassam um limite de nota definido. Ele elimina por completo a qualificação manual de leads do processo.

Como defino o limite certo de nota de MQL no Make.com?
Levante os negócios closed-won dos últimos 3 a 6 meses, identifique quais sinais comportamentais esses contatos mostraram antes de converter, simule as notas deles no seu modelo e encontre a nota que captura pelo menos 80% deles. Para a maioria das empresas de B2B SaaS, o limite de MQL fica entre 65 e 75 de 100. Revise-o a cada 90 dias com base nos dados reais de conversão do pipeline.

O Make.com pode substituir uma ferramenta dedicada de lead scoring, como a pontuação nativa do HubSpot?
O Make.com não substitui a pontuação nativa do seu CRM em modelos simples, mas agrega muito quando você precisa de pontuação ponderada por AI, agregação de sinais entre ferramentas ou lógica de roteamento personalizada que as ferramentas nativas não oferecem. Se o seu modelo de pontuação precisa reunir sinais de mais de uma plataforma ou aplicar pesos contextuais, o Make.com oferece mais controle do que a maioria das implementações nativas. Para equipes que estão ampliando os workflows nativos do CRM, o SaaS Hackers também tem um diretório de agências de HubSpot para B2B SaaS.

Quais CRMs funcionam com este workflow de pontuação de MQL no Make.com?
HubSpot, Salesforce, Pipedrive, Attio e Zoho CRM têm módulos nativos no Make.com que permitem buscar e atualizar contatos. A estrutura do workflow deste guia funciona com qualquer um deles. Basta trocar os módulos específicos do CRM nos Passos 2 e 7, mantendo idênticas a lógica de AI e as etapas de roteamento.

Quanto custa rodar este workflow no Make.com?
O principal custo variável é o uso da API da OpenAI. Rodar o GPT-4o mini para as conclusões de pontuação custa cerca de US$ 0,15 por 1 milhão de tokens de entrada. Para um workflow que processa 1.000 contatos por mês, com um prompt de aproximadamente 300 tokens cada, o custo de AI fica abaixo de US$ 0,05 por mês. O custo das operações no Make.com depende do seu plano, e cada execução de módulo conta como uma operação.