Cómo diseñé mi primer sistema de calificación automática de leads con IA
El problema que el sistema debía resolver era específico y cuantificable: el equipo de ventas dedicaba en promedio 22 minutos por lead a la calificación inicial, un proceso que consistía en revisar el formulario de contacto, verificar la empresa en LinkedIn, consultar el sector en el CRM para ver si había historial previo y asignar una prioridad de seguimiento. Con 45 leads semanales en promedio, eso representaba más de 16 horas semanales del equipo en una actividad que seguía la misma lógica en cada caso y que un sistema con acceso a las mismas fuentes de datos podía ejecutar en segundos.
El diseño del sistema partió de documentar explícitamente la lógica de calificación que el equipo aplicaba de forma implícita. Pasé 3 días acompañando a 3 representantes diferentes en sus procesos de calificación, observando qué información buscaban, en qué orden, qué les hacía elevar o bajar la prioridad de un lead y cómo llegaban a la decisión final. El resultado fue un árbol de decisión de 23 nodos que describía el proceso con suficiente precisión para que pudiera ser implementado de forma algorítmica.
Las fuentes de datos que el sistema consultaba para replicar ese proceso eran 4: el formulario de contacto del prospecto con el análisis del texto usando procesamiento de lenguaje natural para detectar señales de urgencia e intención de compra, la verificación del perfil de la empresa usando la API de LinkedIn con enriquecimiento de datos de tamaño, industria y tecnología instalada, el historial del CRM para detectar si la empresa o el contacto había tenido interacciones previas con la organización, y el modelo de scoring que pesaba las variables según su correlación histórica con los cierres registrados en el CRM.
El sistema producía en menos de 90 segundos un score de calificación de 0 a 100 con 3 categorías de acción: score mayor a 70 requería contacto del representante en menos de 2 horas, score entre 40 y 70 entraba en nurturing automatizado con alerta al representante para revisión en 48 horas, score menor a 40 entraba en nurturing de largo plazo sin alerta inmediata. Cada categoría tenía su propia lógica de seguimiento automatizado para garantizar que ningún lead de ninguna categoría cayera sin atención.
Los resultados a 10 semanas de operación del sistema mostraron una reducción del 78% en el tiempo de calificación manual del equipo, que pasó de 16 horas a 3.5 horas semanales dedicadas a revisar los casos donde el sistema tenía baja confianza en su clasificación. La precisión del sistema, medida por la correlación entre su clasificación inicial y la clasificación que el representante hubiera asignado de forma manual, fue del 84% en los primeros meses y subió al 91% al mes 4 después de ajustar los pesos del modelo con los datos de los primeros meses de operación. El 9% de error residual requería revisión humana y era exactamente el tipo de caso atípico donde el criterio humano agregaba valor que el algoritmo no podía replicar.