3 mar 2026 | 5 minutos
Guía histórica de Make (la fuente indica el 3 de marzo de 2026). Este artículo reproduce una guía publicada entonces por Make. Los ejemplos, plantillas, módulos y funciones citados son los de esa guía y ese momento, no una ejecución real de este sitio ni una garantía de disponibilidad, compatibilidad, precios o resultados vigentes. Para el estado actual, consulta las fuentes oficiales. Descubre cómo usar Make para transformar datos alternativos en bruto en un sistema de scoring de empresas estructurado y explicable para inversión, desarrollo corporativo o priorización de GTM.
La mayoría de los sistemas de scoring de empresas se basan en datos firmográficos estáticos o en modelos de machine learning poco transparentes. El resultado son conclusiones desactualizadas o puntuaciones imposibles de explicar. ¿Y si pudieras construir un sistema de scoring de empresas sensible al tiempo y explicable usando señales del mundo real sin escribir código? En esta guía veremos cómo usar Make y datos alternativos para construir un flujo de scoring de empresas de grado de inversión con Google Sheets como capa de salida. Es el ejemplo que describía el autor; no constituye asesoramiento de inversión ni una garantía sobre la fiabilidad o el acierto de las puntuaciones.
Por qué los datos alternativos importan para el scoring de empresas
Los conjuntos de datos tradicionales responden preguntas como:
- ¿Cómo de grande es la empresa?
- ¿Dónde está ubicada?
- ¿En qué sector opera?
Los datos alternativos responden preguntas más importantes:
- ¿Está contratando la empresa ahora mismo?
- ¿Está invirtiendo en liderazgo y nuevas herramientas?
- ¿Está cambiando algo internamente?
Usando señales como ofertas de empleo, eventos de actualidad y adopción de tecnología, puedes medir impulso en lugar de atributos estáticos.
Casos de uso reales: para quién es
Este tipo de sistema de scoring se puede usar para:
- Filtrado de inversiones
- Priorización de objetivos de desarrollo corporativo
- Scoring de cuentas de ventas y GTM
- Evaluación de socios
- Monitorización de mercado
Qué hace que un sistema de scoring sea “de grado de inversión”
Antes de construir el flujo de trabajo, definamos los requisitos. Un sistema de scoring de grado de inversión debería ser:
- Basado en el tiempo: centrado en la actividad reciente y no en instantáneas
- Explicable: cada puntuación se puede rastrear hasta sus señales
- Componible: las señales se pueden añadir o quitar con facilidad
- Automatizado: sin actualizaciones manuales ni scripts
Visión general: la arquitectura del flujo de trabajo en Make
A grandes rasgos, el escenario tiene este aspecto:
Cada empresa se procesa de forma independiente y todas las señales se escriben de vuelta una vez por ejecución.
Paso 1: preparar tu lista de empresas en Google Sheets
Crea una hoja de Google con una fila por empresa: Columnas de ejemplo:
- domain
- jobs_90d
- jobs_30d
- senior_roles_90d
- score
Esta hoja actuará como capa de entrada y de salida a la vez.
Paso 2: crear un nuevo escenario de Make
- Inicia sesión en tu cuenta de Make
- Haz clic en Create a new scenario
- Añade Google Sheets → Get rows como primer módulo
- Selecciona tu hoja de lista de empresas
Crea automatizaciones conversando en lenguaje natural con Maia
Paso 3: iterar por las empresas
Añade:
- Tools → Iterator
Mapea las filas de Google Sheets. A partir de aquí, cada paso se ejecuta una vez por dominio de empresa.
Paso 4: contar ofertas de empleo en los últimos 90 días
Ahora añadamos la primera y más potente señal: la actividad de contratación.
PredictLeads → List Job Openings
Configura:
- Domain = dominio de la fila actual
- first_seen_at_from = now - 90 days
Esto devuelve un bundle por oferta de empleo.
Tools → Array Aggregator
Agrupa todos los bundles de empleos en un único array.
Tools → Set variable
Crea: jobs_90d = length(aggregated_jobs) Esto te da el número total de nuevas vacantes abiertas en los últimos 90 días.
Paso 5: Detectar actividad de contratación de perfiles senior
La contratación de liderazgo suele ser una señal de crecimiento estratégico.
PredictLeads → List Job Openings (90 days)
Vuelve a usar la misma consulta de 90 días.
Filter
Mantén solo los roles donde:
- seniority ∈ manager, director, head, VP, executive
Agregador de arrays + Establecer variable
Crea: senior_roles_90d = length(aggregated_senior_jobs)
Paso 6: (Opcional) Añadir impulso a corto plazo
Repite el mismo patrón con una ventana de 30 días: jobs_30d = vacantes detectadas por primera vez en los últimos 30 días Esto te permite medir la aceleración de la contratación.
Paso 7: Actualizar Google Sheets (una sola escritura)
Al final del escenario: Añade Google Sheets → Update row Coincide filas por:
- domain
Actualiza:
- jobs_90d
- jobs_30d
- senior_roles_90d
- last_scored_at
En el ejemplo, esto buscaba que todas las métricas quedaran en la misma fila.
Qué te aporta
Según el ejemplo del autor, este enfoque aporta:
- Sin condiciones de carrera dentro de esta estrategia de escritura única
- Sin actualizaciones incompletas en este ejemplo
- Números totalmente explicables
- Depuración sencilla
- Fácil de ampliar
Cada fuente de datos se procesa de forma independiente, y Make actúa como capa de orquestación.
Ampliar el flujo de trabajo con más señales
Una vez que el bloque de empleos esté estable, puedes añadir fácilmente:
Eventos de noticias
- Contar eventos de alta confianza
- Detectar señales negativas como despidos
Todas las categorías se pueden encontrar aquí.
Adopción tecnológica
- Medir el uso de una pila tecnológica moderna
- Detectar cambios recientes en herramientas
Cada señal sigue el mismo patrón:
Obtener → Filtrar → Agregador → Variable
