Lead Qualification B2B: Scoring System Google Sheets + ChatGPT 2025

Contactar 2,000 leads sin criterio = 2-4% conversión. Puntuar los leads y priorizar top 20% = 15-22% conversión. El lead scoring convierte prospección aleatoria en proceso científico con ROI predecible.

Esta guía te enseña a construir un sistema scoring B2B completo con Google Sheets + ChatGPT API: modelo firmographic + technographic, fórmulas automáticas, integración IA para análisis website, y templates listos para 10 nichos B2B.

1. Fundamentos Lead Scoring B2B

1.1. Qué es lead scoring (definición práctica)

Lead scoring = Asignar puntuación numérica (0-100) a cada lead basándose en 2 tipos de datos:

1. Firmográficos: Características empresa (tamaño, sector, ubicación, revenue)
2. Tecnográficos: Tecnologías/herramientas que usa la empresa
3. Comportamentales (opcional): Interacciones con tu web/emails (clicks, opens, downloads)

Ejemplo scoring restaurante:

Restaurante A:
- Rating 4.7★ (25 puntos)
- 680 reviews (20 puntos)
- Zona centro Madrid (25 puntos)
- Email + teléfono + web (15 puntos)
- Cocina alta gama (15 puntos)
SCORE TOTAL: 100/100 → TIER A

Restaurante B:
- Rating 3.2★ (5 puntos)
- 18 reviews (5 puntos)
- Zona rural Toledo (3 puntos)
- Solo teléfono (5 puntos)
- Fast food (3 puntos)
SCORE TOTAL: 21/100 → TIER C

1.2. Por qué Google Sheets (no Salesforce/HubSpot)

2. Modelo Scoring: Definir Criterios ICP

Antes de fórmulas, necesitas definir qué hace a un lead "bueno" para tu negocio específico. Esto es tu ICP (Ideal Customer Profile).

2.1. Plantilla ICP para MapiLeads (ejemplo SaaS B2B)

Total: 100 puntos distribuidos en 5 criterios (ajusta pesos según tu ICP).

2.2. Plantillas ICP 10 nichos B2B comunes

Nicho 1 - Agencias marketing local:

Criterios (peso):
1. Ubicación urbana grande (30%): Madrid/Barcelona 30pts, otras capitales 20pts
2. Presencia online (25%): Web + blog + RRSS activas 25pts
3. Tamaño 5-25 empleados (20%): Sweet spot agencia boutique
4. Reviews Google (15%): >20 reviews positivas = clientes satisfechos
5. Servicios SEO/SEM (10%): Keyword "SEO" en web = target perfecto

Nicho 2 - Restaurantes franquicia/cadena:

1. Rating 4.0+ (25%): Calidad confirmada
2. Reviews >200 (20%): Tráfico alto, ROI herramientas mayor
3. Múltiples ubicaciones (30%): Detectar "2+ locations" en Maps
4. Zona premium (15%): Centro ciudad, turística
5. Tipo cocina mid-high (10%): No fast food

Nicho 3 - SaaS B2B tecnología:

1. Empleados 20-500 (30%):企业级 pero no enterprise huge
2. Funding reciente (25%): Crunchbase API "Series A/B último año"
3. Tech stack moderno (25%): React, AWS, Stripe = tech-savvy
4. Hiring activo (10%): Jobs publicados LinkedIn = crecen
5. USA/EU (10%): Mercados mayor purchasing power

3. Construir Sheet Scoring (Paso a Paso)

3.1. Estructura Google Sheet

Crea nuevo Google Sheet con 3 pestañas:

1. LEADS: Datos raw importados MapiLeads
2. SCORING: Fórmulas cálculo puntuación
3. CONFIG: Pesos criterios (para ajustar fácil)

3.2. Pestaña LEADS (importar datos MapiLeads)

Columnas base (exportar desde MapiLeads CSV):

A: Lead ID
B: Business Name
C: Address
D: City
E: Rating
F: Review Count
G: Category
H: Phone
I: Email
J: Website
K: Description
L: Hours

Importar CSV MapiLeads:

1. Descargar CSV búsqueda MapiLeads
2. Google Sheets → File → Import → Upload CSV
3. Replace current sheet o Create new sheet

3.3. Pestaña CONFIG (definir pesos criterios)

3.4. Pestaña SCORING (fórmulas cálculo)

Añadir columnas calculadas:

3.5. Visualización resultados

Añadir formato condicional columna TIER:

• Seleccionar columna S (TIER)
• Format → Conditional formatting
• Format cells if... "Text is exactly" "A" → Background verde (#d1fae5)
• Añadir regla: "B" → Background amarillo (#fef3c7)
• Añadir regla: "C" → Background rojo claro (#fee2e2)

Crear gráfico distribución Tier:

1. Insert → Chart
2. Chart type: Pie chart
3. Data range: Columna S (TIER)
4. Muestra % leads en cada tier

4. Integración ChatGPT API: Scoring Inteligente Website

Las fórmulas Google Sheets cubren criterios numéricos/textuales básicos. Pero analizar quality website, tone, target audience requiere IA.

4.1. Por qué añadir ChatGPT al scoring

ChatGPT puede analizar:

• Profesionalidad website (diseño, copywriting, UX)
• Target audience (B2B vs B2C, sector específico)
• Señales crecimiento (hiring, blog reciente, prensa)
• Tech stack visible (identifica CRM, herramientas SaaS usadas)
• Pain points expresados (analiza "problemas" mencionados en web)

4.2. Setup Google Apps Script + OpenAI API

Paso 1 - Obtener API key OpenAI:

1. Ir a platform.openai.com
2. Login → API keys → Create new secret key
3. Copiar key (empieza sk-...)

Paso 2 - Crear función Apps Script:

1. Google Sheets → Extensions → Apps Script
2. Borrar código default
3. Pegar siguiente código:

function analyzeWebsite(websiteUrl) {
  // API Key OpenAI (reemplazar con tu key)
  const apiKey = 'sk-TU_API_KEY_AQUI';

  // Si no hay website, retornar 0
  if (!websiteUrl || websiteUrl === '') {
    return 0;
  }

  // Fetch contenido website (limitado, solo homepage)
  let websiteContent = '';
  try {
    const response = UrlFetchApp.fetch(websiteUrl, {muteHttpExceptions: true});
    websiteContent = response.getContentText().substring(0, 3000);
  } catch (e) {
    return 0; // Si falla fetch, score 0
  }

  // Llamar ChatGPT API para análisis
  const prompt = `Analiza este website B2B y asigna puntuación 0-20 según:
  - Profesionalidad diseño/copy (5pts)
  - Claridad propuesta valor (5pts)
  - Señales crecimiento/modernidad (5pts)
  - Fit target B2B tech/servicios (5pts)

  Website content (primeros 3000 chars):
  ${websiteContent}

  Responde SOLO con número 0-20.`;

  const payload = {
    model: 'gpt-4o-mini',
    messages: [
      {role: 'system', content: 'Eres experto análisis websites B2B.'},
      {role: 'user', content: prompt}
    ],
    temperature: 0.3,
    max_tokens: 10
  };

  const options = {
    method: 'post',
    contentType: 'application/json',
    headers: {
      'Authorization': 'Bearer ' + apiKey
    },
    payload: JSON.stringify(payload),
    muteHttpExceptions: true
  };

  try {
    const apiResponse = UrlFetchApp.fetch(
      'https://api.openai.com/v1/chat/completions',
      options
    );
    const json = JSON.parse(apiResponse.getContentText());
    const score = parseInt(json.choices[0].message.content.trim());
    return isNaN(score) ? 0 : score;
  } catch (e) {
    Logger.log('Error ChatGPT: ' + e);
    return 0;
  }
}

Paso 3 - Usar función en Sheet:

Ajustar score total incluyendo AI:

5. Casos Uso: Aplicar Scoring a Decisiones

5.1. Priorizar outreach (80/20 regla)

Estrategia basada datos:

Tier A (score 80-120):
- 18% de leads totales
- 60% de conversiones históricas
- ACCIÓN: Outreach manual personalizado CEO/decisor
- Secuencia: 5 emails + LinkedIn + llamada telefónica
- Tiempo dedicado: 15 min/lead investigación previa

Tier B (score 45-79):
- 52% de leads totales
- 32% de conversiones históricas
- ACCIÓN: Email automation semi-personalizado
- Secuencia: 3 emails + 1 follow-up
- Tiempo: 3 min/lead validación datos

Tier C (score 0-44):
- 30% de leads totales
- 8% de conversiones históricas
- ACCIÓN: Secuencia test genérica low-touch
- Secuencia: 2 emails automáticos
- Tiempo: 0 min (100% automatizado)

5.2. Asignación leads equipo comercial

Distribuir según score + capacidad SDR:

Fórmula automática asignación en Sheet:

5.3. Predicción revenue por tier

Análisis histórico conversión:

Datos históricos 6 meses:
- Tier A: 420 leads → 84 clientes (20% conversión) → LTV medio €2,400
- Tier B: 1,680 leads → 134 clientes (8% conversión) → LTV medio €1,800
- Tier C: 900 leads → 27 clientes (3% conversión) → LTV medio €900

Nueva campaña 3,000 leads:
- 540 Tier A × 20% × €2,400 = €259,200 revenue esperado
- 1,560 Tier B × 8% × €1,800 = €224,640 revenue esperado
- 900 Tier C × 3% × €900 = €24,300 revenue esperado

TOTAL REVENUE PROYECTADO: €508,140

6. Optimización Continua: Ajustar Pesos Criterios

El scoring inicial es hipótesis. La optimización basada en conversión real mejora modelo continuamente.

6.1. Workflow optimización mensual

1. Mes 1: Implementar scoring con pesos ICP estimados
2. Mes 2: Trackear conversiones por tier (Airtable/CRM columna "Converted: Yes/No")
3. Mes 3: Analizar correlación criterios individuales vs conversión
4. Mes 4: Ajustar pesos criterios según correlación real

Ejemplo análisis correlación:

Hipótesis inicial: "Review Count" peso 20%
Datos reales tras 90 días:
- Leads >500 reviews: 12% conversión
- Leads 200-499 reviews: 18% conversión ← MAYOR conversión
- Leads <200 reviews: 6% conversión

Insight: Sweet spot 200-499 reviews (negocios consolidados pero
         no saturados). Ajustar fórmula:

ANTES: ≥500 reviews → 20pts, 200-499 → 15pts
DESPUÉS: 200-499 reviews → 20pts, ≥500 → 16pts

6.2. A/B testing scoring models

Testear 2 modelos scoring en paralelo:

Tras 60 días, modelo con mayor conversión Tier A gana.

7. Templates Scoring 10 Nichos B2B

Modelos scoring pre-optimizados para verticales comunes:

Nicho 1: Agencias Marketing Digital

Criterios (peso max):
1. Web profesional + blog activo (30pts)
2. Presencia RRSS activa (25pts)
3. Tamaño 5-30 empleados (20pts)
4. Ubicación urbana (15pts)
5. Portfolio clientes visible (10pts)

Nicho 2: Clínicas Dentales

1. Rating ≥4.5★ (30pts)
2. Reviews >100 (25pts)
3. Zona residencial alta renta (20pts)
4. Web con booking online (15pts)
5. Especialidades premium (implantes, estética) (10pts)

Nicho 3: Despachos Abogados

1. Antigüedad >10 años (Google Maps "in business since") (25pts)
2. Especialización corporativo/mercantil (30pts)
3. Tamaño 3-15 abogados (20pts)
4. Ubicación distrito financiero (15pts)
5. Website con blog legal (10pts)

Nicho 4: Gimnasios/Fitness

1. Superficie >500m² (30pts) - proxy: "amplio" en descripción
2. Rating 4.3+ (25pts)
3. Clases dirigidas variadas (20pts)
4. Zona residencial media-alta (15pts)
5. App propia / tech moderno (10pts)

Nicho 5: Inmobiliarias

1. Cartera >50 inmuebles (website scrape) (30pts)
2. Cobertura múltiples zonas (25pts)
3. Reviews ≥4.0 (20pts)
4. Website con buscador avanzado (15pts)
5. Presencia redes (idealista, fotocasa) (10pts)

8. Errores Comunes Lead Scoring

❌ Error 1: Demasiados criterios (parálisis análisis)

Problema: Modelo con 15 criterios, pesos 5-8% cada uno. Difícil mantener, poca diferenciación.

Solución: Máximo 5-7 criterios. Regla 80/20: Los 3 criterios top explican 70% conversión.

❌ Error 2: No actualizar modelo con datos reales

Problema: Mismo scoring 18 meses. Mercado cambia, ICP evoluciona.

Solución: Review trimestral pesos. Correlacionar score vs LTV real clientes.

❌ Error 3: Scoring sin acción (paralysis by analysis)

Problema: Sheet scoring perfecto pero leads no contactados. Scoring es medio, no fin.

Solución: Scoring debe generar ACCIÓN inmediata: asignar SDR, trigger email, priorizar llamada.

Conclusión

Lead scoring con Google Sheets + ChatGPT transforma prospección de lotería a ciencia:

• ✅ Priorización objetiva: Score 0-100 elimina sesgo "este lead me gusta"
• ✅ 3-5x conversión: Focalizando top 20% (Tier A) vs spray-and-pray
• ✅ ROI predecible: Score histórico predice LTV, permite forecast revenue
• ✅ Setup 30 min: Template + fórmulas copy-paste, funciona inmediato
• ✅ Gratis: Google Sheets $0, ChatGPT API $2-3/1000 leads

Descarga template, importa CSV MapiLeads, ajusta pesos ICP, y empieza a puntuar. Los datos deciden, tú ejecutas.