4.3 Pontuar e distribuir

Pergunta antes de ler

Dois MQL da Órbita têm exatamente o mesmo score somado. O primeiro é uma transportadora de 180 veículos com diretor de operações dedicado, que baixou um material técnico há três semanas e nunca mais voltou. O segundo é um estudante de logística que visitou a página de preços quatro vezes em três dias.

Qual dos dois o rodízio de segunda-feira de manhã entrega ao vendedor? Responda antes de ler.

Os dois. Na mesma fila, com a mesma prioridade, e o estudante provavelmente primeiro, porque chegou depois e está no topo da lista ordenada por data. Essa é a resposta correta e ela não depende de o modelo de score estar mal calibrado. Depende de o modelo ser um número único. Quando você soma aderência ao perfil de cliente com intenção demonstrada, você declara que as duas grandezas são intercambiáveis, e a partir daí a soma esconde a única informação que mudaria a decisão: por que esse lead pontuou.

Na Órbita o problema é anterior ao modelo, porque modelo de score não existe. O roteamento é, literalmente, o Otávio Lins distribuindo a fila à mão toda segunda-feira de manhã. Não há regra por segmento, não há regra por território, e não há verificação de quem está disponível. Guarde essa última ausência: é dela que nasceram os 612 órfãos do capítulo anterior, e é ela que este capítulo conserta.

Duas dimensões, nunca uma

Score de fit

Pontuação baseada em atributos estáveis da empresa e da pessoa: setor, porte, frota, faturamento, cargo, região. Estima a aderência ao perfil de cliente ideal independentemente de qualquer comportamento.

Por que é a dimensão dominante: fit é o que você não pode influenciar e é o que determina o teto do negócio. Um lead de fit baixo com engajamento altíssimo é, na maioria das vezes, um pesquisador, um concorrente ou um estudante. Registre o fit em letras, de A a D, e nunca em pontos que possam ser somados a comportamento. Rebaixe para D automaticamente em qualquer critério de exclusão.

Cuidado brasileiro: não pontue fit com dado autodeclarado em formulário. “Número de funcionários” digitado pelo próprio lead tem taxa de erro alta. Enriquecimento por CNPJ é mais confiável e é a razão pela qual a Órbita já paga por consulta de base fiscal.

Score de engajamento com decaimento

Pontuação baseada em ações observadas, em que cada ponto perde valor ao longo do tempo segundo uma meia-vida definida. Intenção é perecível: sem decaimento, um lead que visitou a página de preços há quatorze meses continua no topo da lista e entope a fila com ruído histórico.

O sintoma de que falta decaimento: a lista de leads quentes está cheia de contatos que ninguém reconhece, o time para de confiar no score e volta a escolher lead por intuição. Quando isso acontece, o modelo não foi rejeitado por ser complicado. Foi rejeitado por estar errado.

Score(t) = Σ pontos(i) × 0,5 ^ (dias desde a ação i ÷ meia-vida)

Leia em português: cada ação vale os seus pontos multiplicados por meio elevado ao número de meias-vidas já passadas. Uma ação de 10 pontos com meia-vida de 21 dias vale 10 hoje, 5 em três semanas e 2,5 em seis. Para um ciclo de venda de 90 dias como o da Órbita, a meia-vida útil fica entre 21 e 30 dias.

Arraste o desenho para o lado para ver inteiro

Figura 4.3 Engajamento não compensa fit, e a soma apaga exatamente essa diferença. Comece pela ressalva, porque ela muda o que este desenho pode provar: a repartição das 16 células é modelada, não medida. A Órbita não abre o ano por célula, e nenhuma célula individual existe no dataset. O que está ancorado são os dois totais, e eles prendem a matriz inteira: as células somam 3.050 MQL, que é o total do ano, e somam 119 clientes, que é 71 de inbound mais 48 de mídia paga, as duas origens que alimentam a fila de MQL. Trate a matriz como o que ela é, uma construção didática que respeita esses dois totais publicados, e não como uma medição da Órbita. O que ela ensina é a forma da relação, não a casa decimal. Feita a ressalva, leia em três passadas. Na vertical, descendo de A para D, a taxa cai de 10,9% para 1,4%. Na horizontal, da coluna 1 para a 4, ela sobe de 2,1% para 5,5%. Por fim siga a linha tracejada: as quatro células que ela atravessa têm a mesma soma de pontos e taxas que diferem em quase oito vezes. Uma advertência final de leitura: o numerador de cada célula cobre só essas duas origens e o denominador cobre os 3.050 MQL inteiros, então as taxas por célula ficam, por construção, abaixo dos 6,1% do funil completo. O que a matriz compara é célula contra célula, nunca célula contra funil.

Na práticaÓrbita Software · 2025 · fit por engajamento e a fila que sai daí

Antes de somar qualquer coisa. A repartição por célula é modelada e respeita dois totais publicados, os 3.050 MQL do ano e os 119 clientes de origem inbound e mídia paga. Nenhuma célula é uma medição da Órbita, e é por isso que as contas abaixo comparam ordens de grandeza entre linhas e colunas, nunca casas decimais. Num módulo que cobra premissa declarada antes de multiplicar, esta é a premissa, e ela está declarada.

O que a matriz mostra que a soma esconde. Some as quatro células da linha A: 412 MQL produziram 45 clientes, ou 10,9%. Faça o mesmo na linha D: 808 MQL produziram 11 clientes, ou 1,4%. A razão entre as duas pontas é de 8,0 vezes. Agora repita nas colunas: da coluna 1 para a 4 a taxa vai de 2,1% a 5,5%, uma razão de 2,6 vezes. As duas dimensões informam, e informam quantidades muito diferentes.

A prova pela diagonal. Atribua quatro pontos ao fit A, três ao B, dois ao C e um ao D, e some com o nível de engajamento. As células A1, B2, C3 e D4 recebem todas cinco pontos. São 710 MQL, 23,3% da fila do ano, que um modelo de score único trata como idênticos. As taxas modeladas são 6,3%, 4,6%, 2,8% e 0,8%. Quase oito vezes de diferença dentro do mesmo número.

Onde isso bate no bolso. O dataset da Órbita já registra o efeito de ignorar fit, e não é sutil: 41% dos logos novos do ano estão fora do perfil de cliente ideal e respondem por 68% do churn. O espelho é ainda mais eloquente: os clientes que cumprem o perfil por inteiro são 27% da base e produzem 6% do churn. A empresa não tem um problema de volume de topo de funil. Tem um problema de quem ela deixa entrar.

A fila que sai da matriz. Seis células vão para contato humano no mesmo dia: 766 MQL, que converteram a 8,9%. Quatro vão para nutrição com alerta de intenção. Duas vão para nutrição automática sem humano. E as quatro células da linha D não vão para pessoa nenhuma, 808 MQL, seja qual for o engajamento. Isso reduz a fila de trabalho humano de 3.050 para 766 registros, uma queda de 74,9%. E diga também o que se perde, porque nenhuma regra é de graça: 68 dos 119 negócios inbound do ano ficam na faixa de contato imediato, 40 continuam alcançáveis por nutrição, e 11 vinham da linha D e são abertamente abandonados. Abandonar 11 negócios para devolver 74,9% da fila de trabalho humano é uma decisão, não um efeito colateral, e é assim que ela vai ao comitê.

O veredito. O ganho do modelo de duas dimensões não é vender mais. É devolver ao time o tempo que hoje é gasto na linha D, e o tempo do time comercial da Órbita já tem preço: o dataset mede R$ 615 mil de custo da empresa por ano só no que os AE gastam em sistema e proposta.

O roteamento e o losango que não existia

Pontuar bem e rotear mal é o erro mais comum do mercado, e é um erro caro porque a parte elegante do trabalho fica pronta e a receita continua vazando no mesmo lugar. Roteamento é uma cascata de precedências, e a ordem não é negociável.

Roteamento de leads

Regra determinística que decide qual pessoa recebe qual lead. Tem quatro arquétipos, e eles se aplicam em ordem fixa, um depois do outro:

Primeiro, conta existente. Se o CNPJ raiz já tem dono, o lead vai para o dono. Ignorar isso é a causa número um de conflito de comissão.
Segundo, território ou segmento. Na Órbita seria o segmento derivado por regra, nunca o campo digitado pelo AE, que o próprio dataset mede errado em 22% dos casos.
Terceiro, especialidade. Produto, vertical ou idioma.
Quarto, rodízio entre os elegíveis e disponíveis.
Quinto, fila de exceção com dono nomeado e acordo de nível de serviço próprio, de quatro horas.

A palavra que carrega o capítulo é “disponíveis”. Rodízio puro atribui e segue em frente. Se a pessoa está de férias, de licença ou já foi desligada, o lead entra numa caixa que ninguém abre e morre lá, sem aparecer em nenhum relatório de conversão.

Desenhe o fluxo de roteamento como uma sequência de losangos de decisão, e teste cada um com a mesma pergunta: qual é a saída “nenhuma das anteriores”, e quem é o dono dela? Um losango sem saída de exceção não é um losango, é um funil sem fundo. Na Órbita, o losango ausente é o de disponibilidade, e o buraco que ele deixou tem tamanho conhecido: 612 registros, entre R$ 800 mil e R$ 1,4 milhão de ARR, e um custo de correção de uma semana de trabalho.

Descrever esse fluxo em prosa é a segunda melhor forma de ensiná-lo. Desenhe. Um roteamento em texto corrido parece razoável porque a frase esconde a ordem; no desenho a ordem fica presa na página e a decisão que falta vira um buraco que você pode apontar com o dedo numa reunião.

Arraste o desenho para o lado para ver inteiro

Figura 4.3-b A cascata de roteamento, e a decisão que ninguém escreveu. Leia de cima para baixo. A coluna da esquerda é a ordem de precedência, e ela não é negociável: cada decisão só faz sentido depois de a anterior ter respondido não. A coluna do meio diz o que acontece quando a resposta é sim. A da direita diz o que a Órbita tem hoje, e é onde o desenho dói. O retângulo pontilhado é a única decisão desenhada sem texto dentro, porque ela não existe em lugar nenhum para ser transcrita, e a linha que sai dele termina numa cruz em vez de numa caixa, também de propósito. É a única ausência do fluxo com preço medido no dataset, e é por isso que é a única em vermelho.

Critério	Peso	De onde o dado viria sem perguntar ao lead
Frota própria ou dedicada ≥ 40 veículos	25	Registro nacional de transportadores, cruzado por CNPJ raiz no enriquecimento que a empresa já paga.
Já opera com roteirizador ou planilha estruturada	20	Não há fonte externa. É pergunta de descoberta, então vira critério de SQL, não de MQL.
Diretor ou gerente de operações dedicado	20	Rede profissional, por cargo declarado na empresa alvo. Verificável sem contato.
Receita anual entre R$ 30 milhões e R$ 800 milhões	15	Base fiscal enriquecida. Nunca o campo de faturamento digitado em formulário.
Múltiplos centros de distribuição	10	Cadastro de filiais por CNPJ da mesma raiz, que é o mesmo dado que resolveria a hierarquia de matriz e filial.
Setor: varejo, alimentos, farma, indústria	10	Código de atividade econômica do cadastro, sem intervenção humana.

Critérios do perfil de cliente ideal da Órbita, do Bloco 0.13. Existem num PDF aprovado em 2024 e não existem como campo no CRM, o que é a razão mecânica de o roteamento não conseguir usá-los. Corte de aceitação como oportunidade: 60 pontos.

Cinco dos seis critérios podem ser preenchidos por enriquecimento, sem perguntar nada a ninguém. Só o segundo exige conversa, e por isso ele não pertence ao score de MQL: pertence ao critério de saída da qualificação, que é assunto do próximo capítulo. Essa separação parece detalhe de arrumação e não é. Um score de fit que depende de informação que só existe depois da primeira conversa não consegue decidir quem merece a primeira conversa.

Arraste o desenho para o lado para ver inteiro

Figura 4.3-c Cinco dos seis critérios de fit podem ser lidos sem falar com ninguém. Cada barra é o peso do critério na tabela acima, e os pesos somam 100. A cor separa o que uma máquina lê de uma base externa do que só existe depois de uma conversa. Leia a conta impressa no alto: retirando o único critério que exige conversa restam 80 pontos, e o corte de 60 é atingível sem eles. É por isso que o segundo critério pertence ao critério de saída da qualificação, e não ao score de MQL.

Exercício 4.360 minutos, planilha

Uma ação vale 20 pontos e a meia-vida é de 21 dias. Quanto ela vale 60 dias depois? Mostre a conta.
Um lead visitou a página de preços seis vezes em quatro dias, abriu cinco e-mails e pediu uma demonstração. É uma empresa de doze funcionários, sem frota, fora dos setores do perfil. Em que célula ele cai e qual é a ação?
Escreva a regra de roteamento da Órbita em cinco linhas numeradas, na ordem correta de precedência, incluindo a saída de exceção.
Descreva, em português, a consulta que encontra leads órfãos. Explique por que ela não é uma taxa de conversão.
Item metacognitivo. Volte ao número que você escreveu na Pergunta de abertura deste capítulo. Você escolheu um dos dois leads ou disse que os dois iam para a mesma fila? Se escolheu um, explique qual informação você usou que o score somado não teria.

Conferir respostas

Decaimento. 20 × 0,5 elevado a 60÷21 = 20 × 0,5^2,857 = 20 × 0,138 = 2,8 pontos. A ação valia 20 e vale 2,8. É essa queda que impede a lista de leads quentes de virar um arquivo histórico.
A célula é D4, e a ação é não rotear. Doze funcionários, sem frota, fora dos setores do perfil: são três critérios de fit reprovados, o que joga o lead na linha D. Seis visitas à página de preços em quatro dias, cinco e-mails abertos e um pedido de demonstração colocam o engajamento no topo da escala, que é a coluna 4. Engajamento máximo com fit baixo é o retrato do pesquisador, do concorrente e do estudante. Olhe agora a matriz, e repare em duas coisas, nesta ordem. A primeira é o que ela mostra: D4 fica em 0,8%, 1 cliente em 128 MQL, contra 0,8% em D1, 2 em 262, que tem engajamento mínimo. Atravessar o eixo inteiro de engajamento dentro da linha D não move nada. A segunda é onde esse argumento se apoia, e aqui vale a disciplina do módulo: a repartição por célula é modelada, então uma diferença de um negócio entre duas células não prova coisa alguma sozinha. Quem prova é o dataset, que mede o mesmo efeito por fora da matriz: 41% dos logos novos do ano estão fora do perfil de cliente ideal e respondem por 68% do churn, enquanto quem cumpre o perfil por inteiro é 27% da base e produz 6% do churn. Fit decide o resultado do ano; engajamento só decide a ordem da fila depois que o fit passou. Compare com o mesmo salto na linha A, onde a taxa sai de 6,3% para 16,2%. Engajamento informa dentro do fit e não informa nada fora dele, e é por isso que somar as duas dimensões é um erro de construção, não de calibragem: nenhum peso conserta uma soma entre uma grandeza que prevê e outra que só prevê quando a primeira já passou. Quem responde “ligar, porque está quente” acabou de descrever o mecanismo pelo qual o pipeline enche de negócios que não fecham.
A regra de roteamento. Conta existente, depois território ou segmento derivado por regra, depois especialidade, depois rodízio entre elegíveis e disponíveis, depois fila de exceção com dono nomeado. Qualquer resposta que comece pelo rodízio está invertida: rodízio é o último recurso, não o primeiro.
A consulta que encontra órfãos. Não é uma taxa de conversão. São duas contagens sobre a mesma janela: MQL criados no período, menos MQL com pelo menos uma atividade registrada em até trinta dias. A diferença são os órfãos. Quem tentou responder olhando a conversão de MQL para SQL não encontra nada, porque os órfãos nunca entraram no denominador.
Item metacognitivo. A resposta esperada é que você confiou na aparência de precisão do número decimal. Score único com uma casa decimal transmite rigor e não transmite informação: ele é a soma de duas grandezas que não se somam. Se a sua explicação começou a descrever o lead depois de olhar o número, você racionalizou. A ordem correta é olhar a célula e só depois o número.

Arraste o desenho para o lado para ver inteiro

Figura 4.3-d Quem entra pela porta da frente é quem sai pela dos fundos. As quatro barras não compartilham denominador, e isso é de propósito: as de logos respondem quantos são, as de churn respondem quanto do estrago é deles. Compare dentro de cada grupo, nunca uma barra de cima com uma de baixo. O grupo de cima é minoria na entrada e maioria na saída; o de baixo é o inverso exato. A distância entre 68% e 6% de churn é o preço anual de deixar engajamento compensar fit no roteamento.

Armadilha: somar fit e engajamento num único número

A cena é sempre a mesma e acontece em empresas boas. Alguém apresenta o modelo de lead scoring novo, com pesos calibrados, validação sobre a base histórica e um gráfico de aderência convincente. A soma vai de 0 a 100, o corte fica em 60, e a fila passa a ser ordenada por esse número. Todo mundo aprova, porque o trabalho é tecnicamente bom e a apresentação é honesta.

O que ninguém pergunta na sala é se o modelo permite que engajamento compense fit. Se permite, e a soma quase sempre permite, você acabou de autorizar o sistema a colocar D4 na mesma fila de A1. Na Órbita esse erro tem endereço: 41% dos logos novos estão fora do perfil e geram 68% do churn. Num ano em que a empresa perdeu R$ 2,7 milhões de ARR por cancelamento, isso é da ordem de R$ 1,84 milhão de receita que entrou pela porta da frente e saiu pela dos fundos, pagando comissão nas duas passagens.

Essa última multiplicação carrega uma premissa, e o capítulo que acabou de exigir premissa escrita não vai esconder a própria. O dataset diz que 68% do churn vem de fora do perfil e não diz se esse percentual é de logos perdidos ou de receita perdida. O número acima assume receita, porque foi aplicado sobre o churn de receita. Se os 68% forem de logos, a conta troca de base e o valor muda, provavelmente para baixo, já que cliente fora do perfil tende a ter contrato menor que a média. A ação correta não é escolher a interpretação mais conveniente: é pedir a desambiguação a quem mantém o dado, e apresentar o número com a premissa colada nele até que a resposta chegue.

Um modelo que deixa intenção compensar aderência não enche o pipeline: enche a fila de renovação de contas que nunca deveriam ter sido vendidas.

Recuperação

Responda antes de abrir. Tentar e errar consolida mais que reler.

1Por que fit se registra em letras e engajamento em pontos?
Para tornar a soma impossível. Letra e ponto não se somam, e é exatamente esse atrito de notação que impede o modelo de deixar engajamento compensar aderência. Não é preciosismo tipográfico: é uma restrição de desenho que carrega a decisão. Na matriz modelada do capítulo a diferença entre os dois eixos é de 8,0 vezes contra 2,6 vezes, e o dataset confirma a direção por fora do modelo: 41% dos logos novos fora do perfil respondem por 68% do churn.
2Uma ação vale 12 pontos e a meia-vida é de 30 dias. Quanto ela vale 45 dias depois, e o que acontece com a ordenação da fila se a meia-vida for encurtada para 10 dias?
12 × 0,5 elevado a 45÷30 = 12 × 0,5^1,5 = 12 × 0,354 = 4,2 pontos. Com meia-vida de 10 dias, a mesma ação valeria 12 × 0,5^4,5 = 0,53 ponto. A fila passa a ser dominada pelo que aconteceu na última semana, o que é adequado a ciclo curto e destrutivo em ciclo longo. O ciclo enterprise da Órbita tem 186 dias de mediana: meia-vida de 10 dias apagaria o engajamento de todos os negócios abertos.
3No Módulo 2 você calculou que um AE sênior custa cerca de R$ 6,6 mil por negócio fechado, considerando só a remuneração alvo e o melhor caso de três negócios por mês. Use esse número para precificar o tempo que a linha D da matriz consome.Módulo 2 · 2.3
A linha D tem 808 MQL e produziu 11 clientes, o que dá 1,4%. O ponto da pergunta não é o custo exato, é a ordem de grandeza: cada MQL da linha D que chega a um vendedor consome minutos que valem dinheiro e devolve quase nada. Precificar o tempo do vendedor é o que transforma “esse lead é ruim”, que é opinião, em “essa célula consome capacidade e devolve 1,4%”, que é um argumento de orçamento.
4Escreva de memória a fórmula do score de engajamento com decaimento e a ordem de precedência do roteamento.
Score(t) = Σ pontos(i) × 0,5 elevado a (dias desde a ação i ÷ meia-vida). Precedência: conta existente, território ou segmento, especialidade, rodízio entre elegíveis e disponíveis, fila de exceção com dono nomeado. Se você escreveu quatro itens em vez de cinco, o que faltou foi a fila de exceção, e é ela que impede o lead de cair no vazio.