01 Resumen Ejecutivo
7
Factores de evaluacion
0-100
Escala de puntuacion
4
Bandas de clasificacion
3
Tipologias de promocion
Este documento describe el sistema de scoring inteligente de leads inmobiliarios desarrollado por Appgile para Foro Consultores. El sistema evalua automaticamente cada lead que llega a traves de formularios web, portales inmobiliarios u otras fuentes, asignandole una puntuacion de 0 a 100 basada en 7 factores ponderados.
Lo que distingue este sistema de los scoring tradicionales basados en reglas fijas es que:
- Los pesos cambian segun la tipologia de promocion — no es lo mismo vender un piso premium en Tetuan que una vivienda familiar en Sevilla o una segunda residencia en la costa de Malaga.
- La IA (Claude) interpreta senales indirectas — no solo puntua respuestas binarias, sino que analiza el contexto completo del lead para inferir intencion real de compra.
- El score es dinamico — se actualiza automaticamente cuando el lead abre emails, hace clic en enlaces, visita la web, o un comercial registra una interaccion.
- Cada lead recibe comunicaciones unicas — la IA genera emails personalizados basados en el perfil individual, no templates genericos.
Objetivo del sistema
Maximizar la tasa de conversion de leads en visitas y ventas, asegurando que los comerciales dedican su tiempo a los leads con mayor probabilidad de compra, mientras los leads menos cualificados reciben nurturing automatizado e inteligente.
02 Que es el Lead Scoring Inmobiliario
El lead scoring inmobiliario es un sistema de puntuacion que asigna un valor numerico a cada potencial comprador (lead) basandose en su probabilidad de conversion. En el sector inmobiliario espanol, especialmente en obra nueva, esto es critico porque:
- El ciclo de venta es largo (3-12 meses desde primer contacto hasta firma)
- El volumen de leads es alto pero la conversion baja (tipicamente 2-5% en portales)
- Los comerciales son un recurso limitado y su tiempo debe optimizarse
- Cada lead tiene motivaciones y circunstancias muy distintas
Tres dimensiones del scoring
| Dimension | Que evalua | Ejemplo en inmobiliario |
|---|---|---|
| Demografica | Quien es el lead | Ingresos, composicion familiar, ubicacion actual, edad |
| Comportamental | Que hace el lead | Abre emails, visita la web, descarga dossier, solicita visita |
| Financiera | Puede comprar | Capacidad economica, pre-aprobacion hipotecaria, ahorros disponibles |
Nuestro enfoque vs. scoring tradicional
| Aspecto | Scoring tradicional | Scoring inteligente (Appgile) |
|---|---|---|
| Pesos | Fijos para todas las promociones | Dinamicos por tipologia de promocion |
| Evaluacion | Reglas binarias (si/no) | IA interpreta contexto y senales indirectas |
| Actualizacion | Puntuacion unica al entrar | Re-scoring continuo por comportamiento |
| Comunicacion | Templates genericos por banda | Emails unicos generados por IA por lead |
| Explicabilidad | Solo numero final | Desglose por factor + razonamiento en texto |
Datos de la industria
Segun estudios recientes, las agencias inmobiliarias que implementan scoring con IA ven un aumento medio del 25% en tasas de conversion, reduccion del 20% en ciclo de venta, y mejora del 40-60% en productividad comercial.
03 Los 7 Factores de Scoring
Cada lead se evalua en 7 factores independientes, cada uno puntuado de 0 a 100. La combinacion ponderada de estos factores produce el score final.
1 Capacidad Economica
Evalua si el lead puede permitirse la promocion. Compara presupuesto declarado o inferido con el rango de precios real. Incluye ingresos, ahorros, y patrimonio existente.
2 Viabilidad Financiacion
Analiza el acceso a hipoteca viable. Considera tipo de contrato laboral, antiguedad, ratio deuda/ingreso, y si tiene pre-aprobacion bancaria. En Espana, los bancos exigen que las cuotas no superen el 35% de ingresos netos.
3 Interes Real en Zona
Mide si el lead conoce y desea genuinamente la ubicacion de la promocion. Senales: vive cerca, trabaja en la zona, tiene familia alli, ha visitado previamente, o busca activamente en el barrio.
4 Tipologia Demandada
Compara lo que el lead busca (dormitorios, metros, orientacion) con lo que la promocion ofrece. Un match exacto (ej: busca 2 dormitorios y la promocion tiene 2 dormitorios) puntua maximo.
5 Plazo de Compra
Evalua la urgencia temporal. Un lead que quiere comprar en 0-3 meses es mucho mas accionable que uno que "se lo esta pensando para el ano que viene". En obra nueva, plazos de 6-12 meses son normales.
6 Disposicion al Contacto
Mide cuanto quiere interactuar el lead. Desde "solo quiero informacion por email" (bajo) hasta "quiero visitar el piso de muestra este fin de semana" (muy alto). Se acumula con multiples senales.
7 Perfil de Uso
Analiza la coherencia entre el uso previsto (vivienda habitual, inversion, segunda residencia, vacacional) y el tipo de promocion. Critico en costa donde el mix de compradores es muy diverso.
Formula de calculo
Score Final = Σ(score_factori × pesoi) / Σ(pesoi) × 100
Cada factor se puntua de 0 a 100 independientemente. Los pesos determinan la importancia relativa de cada factor segun la tipologia de la promocion. La suma de pesos siempre es 100, por lo que el score final queda normalizado en escala 0-100.
04 Tipologias y Pesos Dinamicos
El insight clave de nuestro sistema es que los mismos factores no pesan igual en todas las promociones. Un comprador de piso premium en Madrid tiene un perfil radicalmente distinto a uno que busca segunda residencia en la costa de Malaga.
Hemos definido 3 tipologias basadas en las promociones piloto de Foro Consultores:
Urbano Premium
Serentia Gardens • Tetuan, Madrid
389.000 - 819.000 EUR • 1-2 dorm
Familiar Consolidado
Abauco • Los Bermejales, Sevilla
259.000 - 440.000 EUR • 2-4 dorm
Costero Mixto
Finca La Plata • Benajarafe, Malaga
315.000 - 560.000 EUR • 2-3 dorm
Por que cambian los pesos
| Tipologia | Factor dominante | Razon |
|---|---|---|
| Urbano Premium | Capacidad economica (25%) | Precios altos (hasta 819K). El filtro principal es si puede pagarlo. Muchos leads son aspiracionales. |
| Familiar Consolidado | Financiacion + Tipologia (20% cada uno) | Compradores estiran presupuesto para primera vivienda o mejora. Necesitan hipoteca viable y que la tipologia encaje con la familia. |
| Costero Mixto | Perfil de uso (25%) | Mix muy diverso de compradores (inversion, vacacional, residencia). La coherencia del uso previsto con la promocion es el mejor predictor. |
05 Bandas de Clasificacion y Acciones
El score final (0-100) clasifica cada lead en una de 4 bandas. Cada banda dispara automaticamente un conjunto diferente de acciones:
75-100
HOT
Asignacion comercial inmediata. Llamada en menos de 4h. Dossier personalizado. Maximo 10 leads HOT por comercial.
50-74
WARM
Secuencia nurturing de 3 semanas. 4 emails personalizados por IA. Re-scoring tras cada interaccion.
25-49
MILD
Newsletter quincenal + contenido de zona. Re-scoring mensual. Maximo 6 meses activo antes de archivo.
0-24
COLD
Archivo automatico. Campanas de remarketing digital. Re-evaluacion trimestral pasiva.
Secuencia WARM: 4 pasos en 15 dias
| Dia | Accion | Contenido | Objetivo |
|---|---|---|---|
| Dia 0 | Email bienvenida | Presentacion + dossier de la promocion | Establecer relacion y dar informacion clave |
| Dia 2 | Follow-up adaptado | Contenido segun engagement del email anterior | Medir interes real y profundizar |
| Dia 7 | Contenido de valor | Articulo/video seleccionado por IA segun perfil | Aportar valor sin presion comercial |
| Dia 15 | Ultimo intento | CTA directo + re-score final | Conversion o reclasificacion a MILD/COLD |
Secuencia MILD: nurturing largo
| Frecuencia | Accion | Duracion maxima |
|---|---|---|
| Cada 2 semanas | Newsletter con contenido de zona y mercado | 6 meses |
| Cada mes | Re-scoring automatico con datos de engagement | 6 meses |
| Si sube de banda | Transicion automatica a secuencia WARM o asignacion HOT | Inmediato |
Protocolo de escalacion HOT
Tiempos maximos de respuesta
Si un comercial no contacta al lead HOT: 4h primera alerta → 6h notificacion al responsable → 8h reasignacion automatica → 12h alerta a direccion. Un lead HOT sin contactar en 24h pierde un 78% de probabilidad de conversion segun datos del sector.
06 El Rol de la IA en el Scoring
Utilizamos Claude (Anthropic) como motor de IA para tres funciones criticas del sistema:
6.1 Scoring inicial con contexto
A diferencia de un scoring por reglas que simplemente asigna puntos a respuestas predefinidas, Claude interpreta el contexto completo del lead. Por ejemplo:
| Senal del lead | Scoring por reglas | Scoring con IA |
|---|---|---|
| "Presupuesto 300-400K" | Asigna 70/100 en capacidad economica | Cruza con precio de la promocion (389-819K). Detecta que solo cubre la franja baja. Puntua 50/100 y explica: "Presupuesto ajustado para las unidades disponibles, solo accede a los pisos mas pequenos de 1 dormitorio" |
| "Vivo en Barcelona" | Asigna 20/100 en interes de zona | Si la promocion es en Tetuan (Madrid): "Vive fuera de la zona. Sin embargo, si ha rellenado un formulario especifico de Tetuan, hay interes declarado que compensa la distancia." Puntua 40/100 |
| "Quiero para inversion" | Asigna valor fijo segun tipo | Si la promocion es costera: "Perfil coherente, la zona tiene alta demanda de alquiler vacacional." 85/100. Si es familiar: "Perfil poco coherente con zona residencial de familias." 30/100 |
6.2 Generacion de emails personalizados
Cada email enviado al lead es unico y generado por Claude basandose en:
- Datos especificos del lead (nombre, preferencias, respuestas del formulario)
- Datos reales de la promocion (precios, caracteristicas, ubicacion)
- Historial de engagement previo (que abrio, que cliclickeo)
- Momento de la secuencia (bienvenida, follow-up, contenido de valor, ultimo intento)
Reglas de generacion de emails
Maximo 150 palabras para follow-up, 250 para bienvenida. Espanol de Espana (sin latinismos). Usar nombre de pila del lead. Datos reales de la promocion (nunca inventar). Firma como el comercial asignado. Tono profesional pero cercano.
6.3 Analisis de engagement y re-scoring
Claude analiza patrones de comportamiento del lead para ajustar el score. No se limita a "abrio el email = +5 puntos", sino que interpreta el contexto:
- "Abrio los 3 emails pero no hizo clic en ninguno" → Interes pasivo, posible indecision. Ajuste moderado +3.
- "Hizo clic en planos y lista de precios" → Interes activo en compra. Ajuste fuerte +15.
- "No ha abierto ningun email en 30 dias" → Desinteres. Ajuste negativo -10.
6.4 Enfoque hibrido: reglas + IA
El sistema usa un enfoque hibrido en dos fases:
| Fase | Enfoque | Ventaja |
|---|---|---|
| Fase 1 (MVP) | Scoring por reglas con pesos configurables + IA para interpretacion de senales indirectas | Rapido de implementar, explicable, facil de ajustar |
| Fase 2 (v2.0) | ML predictivo entrenado con datos reales de conversion + IA para explicabilidad | Autoajuste de pesos, deteccion de patrones ocultos |
07 Prompt Engineering para Scoring
La calidad del scoring con IA depende fundamentalmente de como se estructura el prompt. Estas son las mejores practicas que aplicamos:
7.1 Estructura del prompt de scoring
SYSTEM PROMPT
Eres un experto evaluador de leads inmobiliarios para el mercado espanol de obra nueva. Tu trabajo es evaluar cada lead en 7 factores y asignar una puntuacion de 0 a 100 para cada uno.
Reglas:
- Puntua cada factor de 0 a 100 siguiendo estrictamente la rubrica proporcionada
- Razona ANTES de puntuar — analiza cada senal disponible
- Usa SOLO datos proporcionados, nunca inventes informacion
- Responde UNICAMENTE en el formato JSON especificado
USER PROMPT (ejemplo)
PROMOCION: Serentia Gardens, Tetuan, Madrid. Urbano Premium. 1-2 dorm, 41-75 m2. Precio: 389.000-819.000 EUR.
PESOS: capacidad_economica=25, tipologia=20, financiacion=15, plazo=15, zona=10, contacto=10, uso=5
LEAD: Maria Garcia, 34 anos, email: maria@email.com. Presupuesto: 400-500K. Trabaja en Madrid centro. Busca 1 dormitorio. Quiere comprar en 3-6 meses. Quiere recibir dossier y que la llamen. Vivienda habitual.
RUBRICA: [Ver seccion 10 de este documento]
EJEMPLOS DE CALIBRACION: [2-3 leads ya evaluados como referencia]
7.2 Salida estructurada (JSON)
Usamos la funcionalidad de structured outputs de Claude para garantizar que la respuesta siempre siga el esquema esperado:
{
"factors": {
"economic_capacity": { "score": 72, "reasoning": "Presupuesto 400-500K cubre unidades de 1 dorm..." },
"financing_viability": { "score": 65, "reasoning": "No menciona pre-aprobacion pero trabaja..." },
"zone_interest": { "score": 70, "reasoning": "Trabaja en Madrid centro, Tetuan es accesible..." },
"typology_match": { "score": 95, "reasoning": "Busca exactamente 1 dormitorio, match perfecto..." },
"purchase_timeline": { "score": 75, "reasoning": "3-6 meses es plazo corto y realista..." },
"contact_willingness": { "score": 85, "reasoning": "Quiere dossier Y llamada, alto interes..." },
"usage_profile": { "score": 90, "reasoning": "Vivienda habitual coherente con ubicacion urbana..." }
},
"final_score": 78,
"band": "HOT",
"summary": "Lead altamente cualificado. Match excelente en tipologia..."
}7.3 Principios clave
| Principio | Que hacemos | Por que |
|---|---|---|
| Rubricas explicitas | Definimos que significa cada rango (0-29, 30-49, etc.) para cada factor | Elimina ambiguedad y mejora consistencia entre evaluaciones |
| Chain-of-thought | Pedimos a Claude que razone antes de asignar puntuacion | Mejora calidad del juicio en evaluaciones complejas |
| Few-shot calibration | Incluimos 3-5 ejemplos ya evaluados como referencia | Ancla las puntuaciones a un estandar consistente |
| Separar scoring de generacion | Nunca pedimos score + email en la misma llamada | Scoring requiere precision analitica; emails requieren creatividad |
| Test de consistencia | El mismo lead evaluado N veces debe dar varianza menor a +-5 puntos | Asegura fiabilidad del sistema |
08 Re-Scoring Dinamico y Triggers
El score no es estatico. Se recalcula automaticamente cuando ocurren eventos que indican cambio en el interes o cualificacion del lead.
Triggers de alto impacto (re-score inmediato)
| Evento | Impacto tipico | Ejemplo |
|---|---|---|
| Solicita visita al piso de muestra | +15 a +25 pts | Lead WARM (62) solicita visita → sube a HOT (82) |
| Presenta pre-aprobacion hipotecaria | +15 a +20 pts | Factor financiacion sube de 40 a 90 |
| Llama o responde a llamada | +10 a +15 pts | Confirmacion de interes activo |
| Descarga dossier detallado | +5 a +10 pts | Interes en informacion concreta |
Triggers de medio impacto (re-score en horas)
| Evento | Impacto tipico | Frecuencia habitual |
|---|---|---|
| Abre email | +2 a +5 pts | Tracking via Resend webhooks |
| Hace clic en enlace del email | +5 a +8 pts | Especialmente clicks en precios/planos |
| Visita repetida a la web | +5 a +10 pts | Mas de 2 visitas en una semana |
| Usa calculadora de hipoteca | +5 a +8 pts | Senal fuerte de consideracion activa |
Triggers de decay (reduccion de score)
| Evento | Impacto | Logica |
|---|---|---|
| Sin engagement 30+ dias | -5 a -10 pts | Interes se enfria con el tiempo |
| Email rebotado (bounced) | -10 a -15 pts | Email invalido, contacto perdido |
| Se desuscribe de emails | -15 a -20 pts | Rechazo explicito de comunicacion |
| Expresa desinteres al comercial | → COLD | Descalificacion directa |
Recency weighting
Los eventos recientes pesan mas que los antiguos. Aplicamos un factor de decaimiento exponencial:
effective_score = base_score × e^(-λ × dias) donde λ controla la velocidad de olvido. Un clic de hace 2 dias vale mas que uno de hace 2 semanas.
09 Flujo Tecnico Completo
El sistema se orquesta con Temporal.io, que gestiona workflows durables de larga duracion (semanas/meses).
FORMULARIO WEB TEMPORAL.IO SERVICIOS EXTERNOS
================ =========== ==================
[Lead rellena POST ┌──────────────────┐
formulario] ─────────────────▶ │ Supabase Edge │
│ Function: │
│ ingest-lead │
└────────┬─────────┘
│ Inicia workflow
▼
┌──────────────────┐
│ LeadLifecycle │
│ Workflow │──────────▶ Supabase (enrichLead)
│ │ normalizar telefono
│ Fase 1: Ingesta │ deduplicar
│ Fase 2: Scoring │──────────▶ Claude API (aiScoreLead)
│ │ evaluar 7 factores
│ Fase 3: Routing │ generar razonamiento
│ │
└──┬──┬──┬──┬──────┘
│ │ │ │
┌───────────┘ │ │ └──────────────┐
▼ │ │ ▼
Score 75-100 │ │ Score 0-24
┌────────┐ │ │ ┌────────┐
│ HOT │ │ │ │ COLD │
│ Asignar│──▶ Resend │ │ │ Archivo│
│comercial│ (alerta) │ │ └────────┘
└────────┘ │ │
│ │
Score 50-74 │ Score 25-49
┌─────────────┐ │ ┌─────────────────┐
│ WARM │ │ │ MILD │
│ Nurturing │ │ │ Nurturing │
│ (child wf) │ │ │ (child wf) │
│ │ │ │ │
│ Dia 0: Welcome │ │ Cada 2 sem: │
│ Dia 2: Follow-up │ │ Newsletter │
│ Dia 7: Valor │ │ │ Cada mes: │
│ Dia 15: CTA │ │ │ Re-scoring │
└──────┬──────┘ │ │ Max 6 meses │
│ │ └──────┬───────────┘
▼ │ ▼
┌────────────┐ │ ┌────────────┐
│ Re-score │ │ │ Si sube │
│ ¿Sube a HOT?│──▶ │ │ de banda │──▶ Transicion automatica
└────────────┘ │ └────────────┘
│
◀── SIGNALS ──────────┘
contactMade | leadUpdated | forceReScore
leadConverted | leadDisqualified
Stack tecnologico
| Componente | Tecnologia | Funcion |
|---|---|---|
| Orquestador | Temporal.io (TypeScript SDK) | Workflows durables de larga duracion |
| Base de datos | Supabase (PostgreSQL) | Almacenamiento de leads, scores, eventos |
| IA / LLM | Anthropic Claude (claude-sonnet-4-5) | Scoring, generacion de emails, analisis |
| Resend | Envio transaccional con tracking | |
| API / Webhooks | Supabase Edge Functions (Deno) | Captacion de leads, webhooks de email |
| Dashboard | React + Tailwind CSS | Visualizacion interactiva del scoring |
10 Rubricas de Puntuacion por Factor
Estas rubricas definen exactamente que significa cada rango de puntuacion para cada factor. Se incluyen en el prompt de scoring para garantizar consistencia.
Factor 1: Capacidad Economica
| Rango | Criterio |
|---|---|
| 90-100 | Presupuesto supera claramente el precio de la promocion. Puede comprar al contado o con financiacion minima. |
| 70-89 | Presupuesto comodo dentro del rango de precios. Financiacion estandar viable. |
| 50-69 | Presupuesto ajustado pero factible. Solo accede a la franja baja del rango. |
| 30-49 | Presupuesto insuficiente para la mayoria de unidades. Requiere condiciones excepcionales. |
| 0-29 | Brecha significativa entre capacidad y precio. Compra improbable sin cambio de circunstancias. |
Factor 2: Viabilidad de Financiacion
| Rango | Criterio |
|---|---|
| 90-100 | Pre-aprobacion bancaria confirmada o compra sin hipoteca. Contrato indefinido con antiguedad. |
| 70-89 | Situacion laboral estable (indefinido). Ahorros para entrada del 20%. Ratio deuda <30%. |
| 50-69 | Empleo estable pero sin confirmar acceso a hipoteca. Ahorro parcial para entrada. |
| 30-49 | Autonomo o temporal. Necesita aval o condiciones especiales. Sin confirmacion bancaria. |
| 0-29 | Sin ingresos estables declarados. Sin ahorros para entrada. Dificultad severa de acceso a credito. |
Factor 3: Interes Real en Zona
| Rango | Criterio |
|---|---|
| 90-100 | Vive actualmente en el barrio o zona inmediata. Conocimiento profundo del area. |
| 70-89 | Trabaja en la zona o tiene vinculos familiares/sociales fuertes. Busca activamente alli. |
| 50-69 | Conoce la zona por referencias o visitas previas. Interes declarado pero no arraigado. |
| 30-49 | Ha oido hablar de la zona. Explorando opciones en varias ubicaciones. |
| 0-29 | No conoce la zona. Sin conexion visible. Probablemente lead por curiosidad general. |
Factor 4: Tipologia Demandada
| Rango | Criterio |
|---|---|
| 90-100 | Match exacto: dormitorios, metros y precio coinciden con unidades disponibles. |
| 70-89 | Match parcial: coincide en la mayoria pero hay una desviacion menor (ej: quiere 3 dorm y hay hasta 2). |
| 50-69 | Match flexible: el lead podria adaptarse pero no es exactamente lo que busca. |
| 30-49 | Desajuste notable en una dimension clave (metros, dormitorios o precio). |
| 0-29 | Desajuste completo: busca algo fundamentalmente distinto a lo que ofrece la promocion. |
Factor 5: Plazo de Compra
| Rango | Criterio |
|---|---|
| 90-100 | Inmediato (0-3 meses). Listo para reservar. Busca activamente. |
| 70-89 | Corto plazo (3-6 meses). Planificando activamente la compra. |
| 50-69 | Medio plazo (6-12 meses). Alineado con tiempos de obra nueva. |
| 30-49 | Largo plazo (12-18 meses). Explorando con intencion futura. |
| 0-29 | Sin plazo definido o mas de 18 meses. "Algun dia" o solo curioseando. |
Factor 6: Disposicion al Contacto
| Rango | Criterio |
|---|---|
| 90-100 | Solicita visita presencial + llamada + toda la informacion. Maxima apertura. |
| 70-89 | Acepta llamada telefonica y quiere dossier. Buena disposicion. |
| 50-69 | Quiere informacion por email y dossier. Evita contacto telefonico directo. |
| 30-49 | Solo quiere informacion basica por email. Minima interaccion. |
| 0-29 | No indica preferencia de contacto o rechaza explicitamente comunicacion. |
Factor 7: Perfil de Uso
| Rango | Criterio (varia por tipologia) |
|---|---|
| 90-100 | Uso perfectamente coherente con la promocion. Ej: vivienda habitual en zona familiar, inversion en zona costera turistica. |
| 70-89 | Uso coherente con matices. Ej: segunda residencia en costa (coherente pero ciclo largo). |
| 50-69 | Uso aceptable pero no ideal. Ej: inversion pura en zona familiar (posible pero no el perfil tipico). |
| 30-49 | Uso poco coherente. Ej: vacacional en zona urbana premium de Madrid. |
| 0-29 | Uso contradictorio o incoherente con las caracteristicas de la promocion. |
11 Scoring por Promocion Piloto
Ejemplos concretos de como el scoring se comporta diferente en cada promocion piloto.
Serentia Gardens — Tetuan, Madrid (Urbano Premium)
Perfil comprador tipico
Profesional 30-50 anos, pareja sin hijos o inversor, vive en Madrid, presupuesto 400-800K, busca 1-2 dormitorios, vivienda habitual o inversion. Valora certificacion BREEAM, zonas comunes premium (piscina, gimnasio, coworking, cine).
| Lead ejemplo | Score estimado | Banda | Razon principal |
|---|---|---|---|
| Profesional Madrid, 500K, busca 1 dorm, quiere visita | 85 | HOT | Match completo en todos los factores |
| Pareja joven, 350K, vive en Tetuan, 3-6 meses | 62 | WARM | Presupuesto justo pero gran interes en zona |
| Inversor Barcelona, 400K, largo plazo | 41 | MILD | Capacidad OK pero sin urgencia ni conexion local |
| Familia con 3 hijos, busca 4 dorm | 15 | COLD | Desajuste total de tipologia (1-2 dorm disponibles) |
Abauco — Los Bermejales, Sevilla (Familiar Consolidado)
Perfil comprador tipico
Familia con hijos 28-45 anos, primera vivienda o mejora, vive en Sevilla o alrededores, presupuesto 250-440K, busca 3-4 dormitorios, necesita hipoteca, valora colegio cercano y zonas verdes.
| Lead ejemplo | Score estimado | Banda | Razon principal |
|---|---|---|---|
| Familia Sevilla, pre-aprobacion hipotecaria, busca 3 dorm, inmediato | 92 | HOT | Financiacion confirmada + match tipologia + urgencia |
| Pareja con bebe, 300K, vive en Dos Hermanas, 6-12 meses | 68 | WARM | Buen perfil familiar pero plazo medio |
| Soltero Madrid, 280K, inversion | 32 | MILD | Perfil uso no coherente con zona familiar |
| Jubilado, busca 1 dorm, sin hipoteca | 18 | COLD | Desajuste tipologia (minimo 2 dorm en Abauco) |
Finca La Plata — Benajarafe, Malaga (Costero Mixto)
Perfil comprador tipico
Mix diverso: jubilados relocalizandose, compradores de segunda residencia, inversores buscando alquiler vacacional, remote workers europeos. Presupuesto 315-560K, busca 2-3 dormitorios, valora vistas al mar y clima.
| Lead ejemplo | Score estimado | Banda | Razon principal |
|---|---|---|---|
| Inversor que ya tiene piso en Nerja, 450K, alquiler vacacional | 88 | HOT | Conoce la zona + perfil uso coherente + capacidad |
| Pareja nordica, segunda residencia, 400K, visitaron en verano | 71 | WARM | Buen perfil pero ciclo decision largo |
| Familia Madrid, primera vivienda, no conoce Benajarafe | 35 | MILD | Uso como vivienda habitual poco coherente en costa |
| Estudiante, curiosidad, presupuesto 150K | 8 | COLD | Sin capacidad economica ni perfil comprador |
12 Mejores Practicas y Recomendaciones
12.1 Recomendaciones de implementacion
| # | Recomendacion | Detalle |
|---|---|---|
| 1 | Acumular datos de conversion desde el dia 1 | Registrar cada lead que convierte (visita, reserva, venta) para entrenar el modelo predictivo de Fase 2. Cada conversion es un dato de entrenamiento valioso. |
| 2 | Calibrar con leads reales semanalmente | Los primeros 30 dias, revisar manualmente el score de los 20 leads mas recientes. Si la IA puntua consistentemente alto o bajo, ajustar rubricas. |
| 3 | Incluir senales negativas | No solo puntuar lo positivo. Desuscripciones, bounces, desinteres explicito y desajuste presupuestario deben reducir el score activamente. |
| 4 | Dashboards en tiempo real para comerciales | Los comerciales deben ver el score, desglose de factores, y razonamiento de la IA en su panel. Esto genera confianza y permite corregir. |
| 5 | A/B testing de pesos | Probar variaciones de pesos (ej: capacidad economica 25% vs 20% en Tetuan) y medir impacto en conversion. |
| 6 | Feedback loop del comercial | Permitir que el comercial valide o dispute el score tras la primera llamada. Este feedback entrena al modelo. |
12.2 Roadmap de evolucion
| Fase | Alcance | Motor de scoring |
|---|---|---|
| Fase 1 (actual) | MVP con 3 promociones piloto | Reglas ponderadas + IA para interpretacion de senales indirectas y generacion de comunicaciones |
| Fase 2 | Escalado a todo el portfolio de Foro | ML predictivo (XGBoost/LightGBM) entrenado con datos reales de conversion + IA para explicabilidad |
| Fase 3 | Plataforma multi-promotor | Deep learning con auto-calibracion de pesos por promocion + scoring multimodal (texto + comportamiento + demografico) |
12.3 KPIs del sistema de scoring
| KPI | Objetivo | Como se mide |
|---|---|---|
| Conversion HOT → Visita | >60% | Leads HOT que llegan a visita presencial / total HOT |
| Conversion WARM → HOT | >25% | Leads WARM que suben a HOT tras nurturing / total WARM |
| Tiempo respuesta HOT | <4 horas | Tiempo medio desde score HOT hasta primer contacto comercial |
| Precision del scoring | >80% | Leads HOT que realmente convierten vs leads que la IA puntuo bajo y no convierten |
| Consistencia IA | +-5 pts | Varianza al evaluar el mismo lead multiples veces |
| Tasa engagement nurturing | >35% open rate | Emails personalizados abiertos / emails enviados |
Conclusiones
El sistema de scoring inteligente que hemos disenado combina lo mejor de los enfoques basados en reglas (transparencia, control, facilidad de ajuste) con el poder de la IA generativa (interpretacion de contexto, personalizacion, explicabilidad). Los pesos dinamicos por tipologia de promocion son un diferenciador clave frente a los CRMs inmobiliarios tradicionales, y la arquitectura con Temporal.io garantiza que ningun lead se pierda en el proceso, independientemente de lo largo que sea su ciclo de compra.