Lead scoring CRM: modelos prontos, regras acionáveis e segmentos para moda atacado

Introdução

lead scoring CRM deve ser operacional: não é só teoria, é um conjunto de arquivos, pesos e regras que o sistema e a IA executam por você. Neste guia você recebe arquivos de importação (CSV/JSON) com as colunas mínimas, três modelos prontos, regras do tipo SE→ENTÃO para automações, uma tabela de sinais com pesos (incluindo sinais negativos) e matrizes de segmentação para atacado de moda.

Lead scoring CRM: modelos prontos e arquivo de importação

Colunas mínimas do arquivo (CSV/JSON) para importar no seu CRM:

• lead_id
• created_at (UTC ISO8601)
• nome
• telefone
• email
• cnpj (se houver)
• segmento_proposto
• last_event
• last_event_at
• score_base
• score_dynamic
• score_total
• tags (array)
• pipeline_stage
• prazo_estimado_dias
• ticket_estimado
• origem_campanha

Três modelos prontos (descrição sucinta e thresholds):

Modelo 1 — Genérico B2C/B2B leve

Thresholds: ≥70 alto, 40–69 médio, <40 baixo. Use para negócios com mix de B2C e B2B onde você precisa priorizar intenção sem muitos campos de cadastro.

Modelo 2 — Moda atacado (detalhado)

Inclui CNPJ, volume estimado, prazo de compra e região logística. Score_base incorpora CNPJ válido, histórico de compra e ticket estimado; score_dynamic soma eventos de conversa (pediu preço, abriu catálogo, confirmou amostra). Thresholds operacionais: ≥70 handover, 40–69 sequência IA prioritária, <40 nurture.

Modelo 3 — Revendedor pequeno

Foco em frequência, ticket e proximidade geográfica. Peso maior para repetição de compra e proximidade (facilita logística). Use quando seu time tem rotas/visitas regionais.

Formato CSV mínimo e exemplo de linha (campos separados por vírgula):

12345,2026-10-01T09:00:00Z,Loja Modelo,+5511999999999,contato@ex.com,12345678000199,revenda_regional,"respondeu_precisa_preco",2026-10-01T09:05:00Z,30,80,"lead-quente,amostra-reservada",oportunidade,30,5000,google_ads

Exemplo de JSON sugerido para import (estrutura que o time técnico deve usar):

{"lead_id": "12345", "fields": {"created_at": "2026-10-01T09:00:00Z", "nome": "Loja Modelo", "telefone": "+5511999999999", "email": "contato@ex.com", "cnpj": "12345678000199", "segmento_proposto": "revenda_regional", "last_event": "respondeu_precisa_preco", "last_event_at": "2026-10-01T09:05:00Z", "score_base": 30, "score_dynamic": 80, "score_total": 110, "tags": ["lead-quente","amostra-reservada"], "pipeline_stage": "oportunidade", "prazo_estimado_dias": 30, "ticket_estimado": 5000, "origem_campanha": "google_ads"}, "score_components": [{"name":"resposta_positiva","value":40}], "tags": ["lead-quente","amostra-reservada"]}

Onde usar: importe o CSV/JSON no pipeline sugerido no post que mapeia a jornada do cliente (mapeando-a-jornada-cliente-whatsapp-modelos-e-templates-prontos) e ajuste os campos obrigatórios conforme seu CRM. Use o modelo do post sobre perda de leads (como-a-ia-reduz-a-perda-de-leads-no-whatsapp-mapeamento-pratico) como baseline de pontos.

Regras acionáveis: gatilho → condição → ação (templates prontos)

Formato padrão para regras: SE E <condição> ENTÃO <ação>. Cada regra deve ser importável no motor de automação do CRM.

Exemplos prontos para importar:

• SE novo_lead E origem = 'catalogo' ENTÃO atribuir_tag 'abriu_catalogo' + adicionar_score +10
• SE last_event = 'não_respondeu' E horas_desde_last_event > 24 ENTÃO aplicar -10 E mover_para 'sequencia_reengajamento'
• SE score_total ≥ 70 ENTÃO handover_para_vendedor(resumo_auto, SLA_min=30)
• SE tag = 'não_interessa' OU opt_out = true ENTÃO aplicar_tag 'arquivar' E bloquear_campanhas
• SE feedback = 'concorrente' ENTÃO aplicar_tag 'competitor' E remover_de_sequencias_comerciais

Snippets pseudo-SQL/expressões para colar no motor de regras:

UPDATE leads SET score_dynamic = score_dynamic + 30 WHERE last_event = 'pediu_preco'; INSERT INTO tasks (lead_id, assignee, sla_min) SELECT lead_id, seller_id, 30 FROM leads WHERE score_total >= 70 AND pipeline_stage != 'negociação';

Regra de handoff e template de mensagem para vendedor (gerado automaticamente):

Lead {{lead_id}} — Score {{score_total}} — Motivo: {{top_signal}} — SLA: {{sla_min}} — Resumo: {{resumo_auto}}. Últimas 3 interações: {{last_3_texts}}.

Regras de segurança e bloqueio (obrigatórias):

• SE rejeição explícita ('não tenho interesse') ENTÃO aplicar -100, tag 'não_interessa' e bloquear futuras campanhas.
• SE bounce_email OU telefone_invalido ENTÃO aplicar -20 e marcar para limpeza de base.

Sinais e regras de pontuação: tabela operacional

Como organizar: divida entre sinais dinâmicos (eventos de conversa) e sinais estáticos (perfil cadastrado). Mantenha score_base (persistente) e score_dynamic (recalculado a cada evento). score_total = score_base + soma(score_dynamic).

Sinais positivos prioritários (dinâmicos):

• resposta afirmativa: +40 (dinâmico) — indica intenção clara de compra
• pediu preço/proposta: +30 (dinâmico) — sinal direto de intenção de compra
• clicou link/checkout: +20 (dinâmico) — sinal de interesse em produto
• confirmou agendamento: +25 (dinâmico) — compromisso agendado
• abriu catálogo: +10 (dinâmico) — sinal de descoberta
• respondeu questão de prazo/volume: +15 (dinâmico) — melhora qualificação

Sinais negativos e de penalização:

• sem resposta >24h: -10 (dinâmico) — sinal de perda de prioridade
• rejeição explícita ('não tenho interesse'): -100 (dinâmico) — arquivar imediatamente
• bounce/email inválido: -20 (estático/dinâmico) — limpar base
• conversa com tom de reclamação: -15 (dinâmico) — mover para pós-venda

Sinais estáticos (perfil):

• CNPJ válido: +10 — indica cliente B2B mais sério
• compra anterior registrada: +30 — histórico forte de conversão
• ticket médio estimado > threshold: +20 — valor comercial
• região com logística favorável: +10 — reduz custo e tempo

Justificativa prática: prioridade máxima para sinais que explicitam intenção (pedido de preço, resposta afirmativa, agendamento). Penalizações evitam gasto de esforço do time com leads que não responderão ou que são inválidos.

Thresholds operacionais (recomendações):

• ≥70: Alto — handover imediato ao vendedor com SLA curto
• 40–69: Médio — sequência prioritária conduzida pela IA
• <40: Baixo — nurturing automático e campanhas de reengajamento

Segmentos para moda atacado: regras de entrada/saída, tags e workflows por segmento

Segmentos e regras de entrada (operacionais):

• Ateliê/boutique: (CNPJ ausente OU microempresa) E ticket_estimado < R$5.000 — tag: 'atelie'
• Revenda regional: CNPJ válido E estado diferente da sua base E ticket_estimado entre R$5.000 e R$20.000 — tag: 'revenda'
• Grande distribuidor: CNPJ válido E (compras_passadas > 3 pedidos/ano OU pedido_esperado > R$20.000) — tag: 'distribuidor'

Regras de saída/migração:

• Migrar para 'distribuidor' se histórico de compras exceder threshold em 90 dias.
• Mover para 'reengajar' se sem interação por 60 dias e score_total < 40.

Tags padrão por segmento e uso operacional:

• atelie, revenda, distribuidor
• prioridade: alta, média, baixa
• logística: frete_grande, pickup

Workflows por segmento (exemplo: revenda_regional):

1. Qualificação automática pela IA (captura: tipo de loja, volume mensal, prazo de compra)
2. Envio de catálogo e oferta de amostra (abrir catálogo +10)
3. Se confirmou interesse (+30) → criar proposta automática e agendar call
4. Se não respondeu em 24h → sequência de reengajamento por 7–14 dias

Priorização e SLAs sugeridos:

• Distribuidor: SLA de resposta = 30 min
• Revenda regional: SLA = 2 horas
• Ateliê/boutique: SLA = 6 horas

Automatize roteamento com base em tag+score: tag 'distribuidor' E score ≥70 → atribuir vendedor sênior.

Próximo passo: métricas, testes A/B, playbook de rollout e checklist de importação

KPIs e relatórios para validar o modelo:

• Taxa de conversão por cohort (score ≥70, 40–69, <40)
• Tempo médio até fechamento (TMR) por cohort
• Taxa de contato inicial dentro do SLA
• Lead-to-opportunity rate e receita por cohort

Queries e cohorts de exemplo:

SELECT COUNT(*) FROM leads WHERE score_total >= 70 AND created_at BETWEEN X AND Y; Comparar conversão (%) entre cohorts e calcular uplift: conversao_cohort_alto − conversao_historica.

Testes A/B práticos:

• Cadência: testar primeiro follow-up em 4h vs 12h para leads com score inicial 40–69.
• Pesos: reduzir +40 → +30 para 'resposta afirmativa' e medir impacto na conversão em 30 dias.

Playbook de rollout em 5 passos:

1. Importar CSV/JSON de teste com 100–500 leads
2. Rodar scoring e ativar regras automatizadas em sandbox
3. Monitorar KPIs por 14 dias
4. Ajustar pesos e thresholds conforme resultado
5. Liberar produção e treinar time com templates de handover

Checkpoints: 14 dias (validação inicial), 60 dias (ajuste de pesos), 90 dias (revisão estratégica).

Checklist técnico rápido antes da importação:

• Confirmar mapeamento de colunas no Space Sales CRM (IDs e nomes exatos)
• Garantir carimbo de tempo em UTC e formato ISO8601
• Validar campos obrigatórios: lead_id, telefone
• Testar 1 regra de automação e 1 handover em sandbox
• Se houver agendamento, alinhar campos com o módulo de agendamento automático

Próximo passo prático que você pode pedir agora: escolha (A) gerar os 3 arquivos prontos (CSV + JSON) com exemplos reais para import ou (B) gerar o playbook detalhado de regras gatilho→condição→ação em formato pronto para import no Space Sales — diga qual prefere.