Lead Scorer - Saifs AI

npx add-mcp 'https://lead-scoring-mcp.saifs.ai/mcp'

Lead Pipeline Intelligence

O Que Este Agente Realmente Faz

Pare de pensar nisso como uma coluna de pontuação de leads. Pense nisso como um analista permanente que pontua o livro aberto a partir dos registros que você já possui.

Um Agente de Pontuação de Leads, construído da maneira certa, oferece:

Pontua o pipeline aberto e o classifica

Registros brutos de leads entram — probabilidades de conversão saem. Cada lead aberto é classificado por valor esperado e prioridade de vendas, não por uma pontuação de 0–100 que significa algo diferente em cada CRM.

Valor de pipeline que você pode quantificar em dinheiro

Valor esperado do pipeline, valor em risco, valor do contato e exposição do pipeline — com uma faixa de 90% em torno da exposição quando a amostra suportar. Números incertos são mostrados como faixas, não como precisão falsa.

Engajamento que você pode ler de relance

Recência, frequência e profundidade transformam atividade em rótulos que um gestor pode usar: Quente, Aquecendo, Novo / Não Trabalhado, Esfriando, Frio ou Constante — não uma pontuação de engajamento de caixa-preta.

Probabilidades de conversão que sabem o que não sabem

O agente ajusta o tempo de conversão a partir dos seus resultados fechados e depois faz uma verificação cruzada. Quando esse ajuste não está disponível, ele recorre à conversão por etapa em vez de inventar uma taxa de fechamento. Leads abertos permanecem em jogo — não são tratados como perdas.

Perspectiva do funil, etapa por etapa

Lead → MQL → SQL → Oportunidade → Ganho/Perdido. Você vê a chance de alcançar "Ganho" a partir de onde um negócio está hoje. Quando o histórico de etapas está ausente, ele usa conversão empírica por etapa — não inventa um funil que você não enviou.

Crédito justo em cada contato

Shapley exato divide o crédito multi-toque entre canais — não um palpite de último toque. Você vê quais canais realmente moveram o pipeline, não qual aconteceu de ser o último.

Isso é o que separa inteligência de pipeline de uma ferramenta de relatórios: ela não apenas lista quem está aberto. Ela informa a probabilidade de conversão, o dinheiro em risco, o valor de um contato e o que fazer hoje — antes que o lead esfrie.

Fila de hoje

O Que Fazer Hoje — Não Outro Painel

A fila diária tem três ações. Use os rótulos como retornados. Cartões de gestor ficam ao lado deles em linguagem simples — dinheiro, dias e nomes apenas.

LIGAR

Resgate negócios parados. Esses leads são classificados para uma ligação no mesmo dia — aqueles que estão esfriando enquanto ainda têm valor.

NUTRIR

Avançar oportunidades ativas. Esses leads estão em movimento — mantenha-os em nutrição em vez de queimar uma ligação no mesmo dia.

VERIFICAR

Verifique manualmente leads de baixa confiança ou dados escassos. Não trate uma amostra pequena como um fechamento certo — verifique antes de agir.

Cartões de gestor e SDR permanecem em linguagem de negócios. Sem jargão de modelo de sobrevivência no cartão que alguém precisa usar:

LIGAR HOJE

Quem você deve ligar hoje — com o dinheiro e os dias ao lado do nome.

AVANÇAR

Quem já está em movimento e precisa de um empurrão, não de uma ligação de resgate.

QUALIFICAR

Quem ainda precisa ser qualificado antes de você tratar a pontuação como pronta para uso.

Esse é o briefing: LIGAR / NUTRIR / VERIFICAR para a equipe, LIGAR HOJE / AVANÇAR / QUALIFICAR para o gestor — não uma palestra sobre Cox.

Para Quem É Isso

Isso não é construído para cientistas de dados. É construído para pessoas que estão cansadas de adivinhar quais leads abertos devem ligar.

Se você gerencia um pipeline aberto toda segunda-feira

Você está olhando para 200 leads abertos e adivinhando quais realmente precisam de uma ligação. Isso transforma esse palpite em uma fila classificada LIGAR / NUTRIR / VERIFICAR, com dinheiro ao lado do nome.

Se você é um SDR ou AE que vive no CRM

Você não precisa de outro painel. Você precisa de quem LIGAR HOJE, quem AVANÇAR e quem ainda precisa ser QUALIFICADO — sem jargão de modelo de sobrevivência no cartão.

Se você é um fundador sem equipe de ciência de dados

Você não tem uma, e não precisa de uma. lead_id e created_date são suficientes para começar. Stage, status, closed_date, deal_size e source ajudam. Toques e histórico de etapas melhoram engajamento, funil e atribuição — são opcionais. Salesforce, HubSpot ou qualquer exportação de CRM funciona.

Se nada disso é seu trabalho, mas você gerencia alguém cujo trabalho é

Esta é a seção para encaminhar. A construção leva uma tarde para a pessoa certa na sua equipe. O custo de não ter isso é a semana que você passou ligando para os leads abertos errados enquanto um negócio parado esfriava.

Uma coisa para a qual isso não serve

Se você está procurando um chatbot para inventar uma pontuação de lead de 0–100, isso não é isso, e não vai fingir ser. Isso é para pessoas que tomam decisões com base em probabilidade de conversão, dinheiro em risco e uma fila que podem defender — não pessoas que querem uma maneira mais bonita de classificar uma planilha.

Por Que as Equipes Nos Escolhem em Vez de Outros Agentes de IA

	Agentes de IA Genéricos / Chatbots	Nós
Consistência	Resposta diferente a cada pergunta — probabilística, difícil de confiar duas vezes	Determinística — mesma entrada, mesma saída, toda vez
Custo de execução	Reprocessa todo o seu conjunto de dados por meio de um LLM a cada consulta	Modelos construídos para o propósito, uso mínimo de tokens — barato o suficiente para rodar no livro aberto; pipelines com mais de 500 leads podem ser pontuados localmente
Confiabilidade	Uma pontuação de 0–100 inventada no chat — confiantemente errada quando a amostra fechada é pequena	Ajusta conversão a partir dos seus resultados, mostra uma faixa quando deve e recusa ajustar quando não há dados suficientes — honestidade em vez de blefe
Privacidade de dados	Seus dados frequentemente saem dos seus sistemas, ficam com terceiros	Conformidade total com SOC 2 — nenhum dado sai das suas instalações

Em resumo: Outros agentes dão uma resposta. Este dá probabilidades de conversão, dinheiro em risco e uma fila diária que você pode defender, reproduzir e apresentar à sua equipe de segurança sem briga.

A Matemática por Trás do Número — Não Inventada, Apenas Aplicada

Não criamos uma nova fórmula de pontuação de leads e esperamos que seu pipeline se comporte. Tudo por baixo é ciência estatística documentada — a mesma linhagem de matemática usada onde você não pode se dar ao luxo de inventar uma probabilidade de conversão.

O Que Faz	Em Uso Desde
Divide crédito multi-toque de forma justa entre canais — não último toque	1953
Cronometra conversão tratando leads ainda abertos como em jogo, não como perdas	1958
Mostra quais fatores aceleram ou atrasam um fechamento	1972
Coloca uma faixa de 90% em torno da exposição do pipeline em vez de precisão falsa	1979
Recorre à conversão por etapa quando um modelo de sobrevivência não pode ser ajustado	—

Por que isso importa para você: cada camada aqui foi publicada, citada e executada contra pipelines reais por anos antes de tocarmos nela. Não pedimos a um LLM para "adivinhar quem vai fechar." Pontuamos suas linhas de leads, recusamos inventar um número quando a amostra fechada é muito pequena e tratamos uplift observacional como um sinal — não prova de causalidade.

É isso que "determinístico" realmente significa. Não é uma palavra de marketing. É uma palavra matemática.

FAQs

Qual é a diferença entre usar ChatGPT (ou outro LLM) e usar este Agente de Pontuação de Leads?

ChatGPT e outros LLMs são construídos para conversar. Faça uma pergunta e eles geram a resposta mais estatisticamente plausível com base em padrões de texto — exatamente por isso são brilhantes para redigir um e-mail de acompanhamento e não confiáveis para dizer qual lead aberto vai converter.

Aqui está a diferença prática:

• Um LLM adivinha. Este agente calcula. Pergunte ao ChatGPT "este lead vai fechar?" e ele dará uma resposta plausível com base no que você digitou — não uma probabilidade de conversão a partir de datas de criação, censura e (quando você tem) toques e histórico de etapas. Pergunte duas vezes, obtenha duas respostas diferentes.
• Um LLM não tem memória do seu pipeline. Toda conversa começa fria. Este agente pontua as linhas que você envia — seus leads, não texto genérico da internet.
• Um LLM não pode auditar a si mesmo. Se o ChatGPT diz "este lead parece quente," não há faixa, não há fila, nada que você possa mostrar ao seu gerente de vendas. Este agente retorna probabilidade de conversão, dinheiro em risco, valor do contato, alertas e uma ação LIGAR / NUTRIR / VERIFICAR.
• Um LLM é uma ferramenta de propósito geral usando um chapéu de vendas. Este é um sistema construído para o propósito que usa IA onde é útil (a conversa) e entrega a matemática — tempo de conversão, perspectiva do funil, crédito Shapley, valor descontado no tempo — para modelos construídos para esse problema.

Em resumo: ChatGPT pode ajudar você a escrever o acompanhamento. Não pode dizer com confiabilidade quem converte, o que está em risco ou quem LIGAR hoje. Essa é a lacuna que este agente existe para fechar.

Em termos simples — ele analisa seus registros de leads abertos e retorna:

1. Probabilidades de conversão em cada lead aberto — classificadas por valor esperado e prioridade de vendas. Leads ainda abertos são tratados como observações censuradas, não como perdas.
2. Uma camada de dinheiro — valor esperado do pipeline, valor em risco, valor do contato e pipeline em risco, com uma faixa de 90% em torno da exposição do pipeline quando a amostra suportar.
3. Uma fila diária classificada e decisões de gestor. LIGAR / NUTRIR / VERIFICAR para a equipe. LIGAR HOJE / AVANÇAR / QUALIFICAR nos cartões — dinheiro, dias e nomes apenas.

Esse é o ponto central do agente — ele transforma um pipeline aberto em uma lista de tarefas, com um cifrão ao lado de cada nome, para que você saiba exatamente onde uma hora do seu tempo vale mais.

Não — isso não é um projeto de engenharia. Se seu CRM pode exportar um CSV (Salesforce, HubSpot ou qualquer CRM), você já tem o que o agente precisa para começar: lead_id e created_date. Stage, status, closed_date, deal_size e source ajudam. Toques e histórico de etapas melhoram engajamento, funil e atribuição Shapley — são opcionais.

Basta seguir os tutoriais passo a passo que fornecemos, e você estará funcionando em minutos — não semanas, não uma equipe de ciência de dados, não um chamado de TI. Para 500 leads abertos ou menos, as linhas podem ser pontuadas diretamente. Para pipelines maiores, o agente retorna um script de pontuação local para que milhares de linhas nunca passem como tokens.

Em resumo: Se você pode exportar uma planilha, você pode ter isso funcionando hoje.

Sim. Isso é construído para ser totalmente compatível com SOC 2, e seus dados nunca saem das suas instalações.

Não há fornecedor de caixa-preta segurando seu pipeline como conjunto de treinamento. Para livros grandes, a pontuação pode rodar localmente a partir da exportação — as linhas não precisam passar como tokens, que é o que você quer quando o envio externo está bloqueado. Para uma empresa, um pipeline aberto é sensível por definição; isso foi construído com isso como requisito desde o primeiro dia.

Em resumo: Você obtém a inteligência, não a exposição.

Baseia-se em modelos estatísticos que foram pesquisados, testados e usados em produção por décadas — não um algoritmo novo construído e esperado que funcione.

O tempo de conversão trata leads ainda abertos como em jogo, não como perdas. A perspectiva do funil segue como os negócios realmente se movem de Lead para Ganho. O crédito multi-toque é dividido de forma justa entre canais. O valor esperado do pipeline é descontado no tempo. Valor em risco e valor do contato se apoiam nessas probabilidades. Quando não há resultados fechados suficientes, o modelo recusa ajustar em vez de alucinar uma curva. Uplift observacional é um sinal, não prova de causalidade. Previsões de baixa confiança não devem ser tratadas como certas.

Em resumo: Não é adivinhar com base em padrões de texto, como um chatbot de IA geral faria. É calcular, usando matemática que teve décadas para provar que funciona — e salvaguardas que dizem isso quando a amostra é muito pequena.

Qual é a diferença entre resultados determinísticos e não determinísticos — e qual estamos usando?

Não determinístico significa: faça a mesma pergunta duas vezes, obtenha duas respostas diferentes. É assim que a maioria dos chatbots de IA geral funciona — eles geram a resposta mais plausível a cada vez, que pode mudar mesmo quando nada mudou no seu pipeline. Tudo bem para escrever uma mensagem de aniversário. Arriscado quando a "resposta" é quanto pipeline está em risco.

Determinístico significa: mesmas linhas de leads entram, mesmas pontuações saem — toda vez. Sem aleatoriedade extra, sem "hoje o número pareceu diferente." Se o resultado muda, é porque os leads subjacentes, toques ou histórico de etapas mudaram — não porque o modelo rolou dados diferentes. O que usamos: determinístico, todas as vezes. Os números que este agente fornece vêm de modelos estatísticos ajustados, não de um modelo de linguagem que adivinha um valor plausível. É isso que permite que você mostre a exposição do pipeline para o financeiro ou para seu chefe e saiba que ela se sustentará se alguém reexecutá-la amanhã.

Em resumo: não damos a você uma resposta em que você precisa torcer para estar certa. Damos a mesma resposta defensável, todas as vezes que você pergunta — e nos recusamos a inventar uma pontuação quando os dados não conseguem sustentar o ajuste.