# Lead scoring CRM: modelos prontos, regras acionáveis e segmentos para moda atacado > Você terá modelos de lead scoring prontos para importar, regras gatilho→condição→ação para automatizar follow-ups e handoffs, e matrizes de segmentação específicas para atacado de moda — tudo em formato operacional para rodar no seu CRM agora. - Fonte: [Space Sales](https://blog.spacesales.app) - URL: https://blog.spacesales.app/p/lead-scoring-crm-modelos-prontos-regras-acionaveis-e-segmentos-p - Publicado: 2026-10-14 - Atualizado: 2026-10-14 - Categoria: Gestão Inteligente de Leads - Tags: CRM para WhatsApp, Atacado de moda, Automação de vendas, Gestão de leads, WhatsApp Business API --- ## 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](/p/crm-para-whatsapp-por-que-sua-loja-de-moda-atacado-precisa-e-com): - 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, ENTÃO . 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 - 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 = 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](/p/agendamento-automatizado-whatsapp-scripts-cadencia-e-fluxos-de-i) 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. ## Perguntas frequentes ### Como eu atualizo scores em tempo real quando a IA detecta novas intenções na conversa do WhatsApp? Configure o agente de IA para emitir eventos padronizados (ex.: 'pediu_preco', 'resposta_positiva') que o motor de regras consome. O motor então atualiza score_dynamic e dispara regras (handovers, tarefas) em tempo real. ### Quais sinais devo priorizar se meu negócio de moda atacado tem logística restrita (alto custo de frete)? Priorize sinais que reduzam risco logístico: região com logística favorável (+10), ticket estimado alto (+20) e proximidade geográfica. Dê menor peso a leads com endereço distante ou custo de frete proibitivo. ### Como definir thresholds iniciais sem dados históricos robustos? Use os thresholds sugeridos (≥70 alto, 40–69 médio, <40 baixo) como baseline e rode um POC de 14 dias com 100–500 leads. Ajuste pesos por A/B test até observar uplift na conversão da coorte alta. ### O que faço se um vendedor reclama que o scoring está entregando leads 'frios' demais? Revise o handover: aumente o threshold de mão para vendedor ou ajuste pesos de sinais de intenção (p.ex. aumentar +30 para 'pediu_preco'). Monitore TMR e conversão da coorte para validar mudanças. ### Como monitorar se o modelo de scoring realmente melhora receita (quais relatórios devo configurar imediatamente)? Configure relatórios por cohort: conversão (%) por score, tempo médio até fechamento por cohort, taxa de contato dentro do SLA e receita por cohort. Compare com histórico para calcular uplift de receita.