Enriquecimiento Profundo de Leads con Make

Antes de empezar

Lo que necesitas para completar este tutorial

Lo que conseguiras al terminar

Si sigues estos pasos, en 30-45 minutos tendras:

✓ Escenario Make que automatiza búsqueda y consolidación de datos
✓ Prompt ejecutable que genera perfiles comerciales accionables
✓ Criterios de confianza y pasos siguientes priorizados

Antes de empezar, asegurate de tener lo siguiente:

Obligatorio Cuenta activa en Make con permisos para crear Scenarios y conectar módulos HTTP y Google Sheets.

Obligatorio Lista inicial de leads en CSV o Google Sheets con al menos nombre y sitio web/URL del prospecto.

Recomendado Clave API de un modelo LLM (p. ej. GPT-5) para llamadas desde Make y generación de texto avanzada.

Recomendado Acceso a un servicio de enriquecimiento comercial (API) o a datos de terceros para verificación: acelera y aumenta la cobertura.

Transferencia internacional de datos: Make procesa datos en servidores externos. Sin acuerdo de procesamiento de datos (DPA) firmado, no introduzcas datos personales, financieros confidenciales ni datos especialmente protegidos. Verifica con tu departamento legal o IT antes de usar datos reales de tu empresa.

El caso

NexoLogística SA, sector logística y transporte — el problema real

El equipo de ventas recibe listas con contactos poco cualificados; las oportunidades caen por falta de contexto sobre tecnología, tamaño y responsabilidad del contacto. La gestión manual de verificación consume tiempo y retrasa el outreach.

Con Make y el prompt de este tutorial, puede resolver este reto en 30-45 minutos — sin conocimientos tecnicos previos.

Situacion real
Datos + contexto

→

Make
Prompt estructurado

→

Output ejecutivo
Listo para usar

Por que funciona: Make orquesta fuentes web y APIs sin desarrollo adicional, lo que permite combinar parsers, búsquedas y llamadas a LLM en un flujo repetible. Su capacidad para iterar y registrar resultados facilita trazabilidad y mejora continua del scoring comercial.

Contexto

Cuando usar este tutorial

✓ Usalo cuando...	× No lo uses cuando...
Tiene listas grandes de prospectos con URLs o empresas y necesita priorizar outreach. Desea reducir trabajo manual de investigación previa al contacto y estandarizar perfiles. Quieres combinar fuentes públicas y LLM para obtener insights accionables rápidamente.	Necesitas datos altamente sensibles o información interna sujeta a acceso protegido. Buscas enriquecimiento en tiempo real para interacciones de soporte al cliente individual. Requieres verificación legal o cumplimiento que solo puede aportar un proveedor certificado.

Paso 01

Preparar datos y entorno en Make

Suba la lista de leads y configure el escenario base en Make. Esto garantiza que el flujo tenga entradas limpias y destinos definidos para los resultados.

1
Crear hoja de origen en Google Sheets o subir CSV Incluya columnas mínimas: Nombre del lead, Empresa, URL (sitio web o LinkedIn), País y Tipo de prospecto. Ejemplo: fila para 'Ana Torres — Soluciones LogiCor — https://logicor.example'.
2
Crear Scenario nuevo en Make y añadir módulos esenciales Agregue módulos: Google Sheets (obtener filas), Iterator (procesar fila a fila), HTTP/Request (búsquedas y scraping ligeras) y un módulo para llamadas al LLM. Nombrar el Scenario con convención: ENR_LEADS_[FECHA].
3
Configurar variables y límites operativos Defina variables globales como máximo de fuentes por lead, tiempo máximo por ejecución y cabeceras para respetar politicas robots.txt. Esto evita bloqueo por scraping y controla coste de ejecuciones.

Checkpoint: El Scenario está creado y puede leer filas de la hoja origen; el iterator procesa al menos una fila de prueba sin errores.

Paso 02

Diseñar flujo de investigación web

Construya una secuencia de acciones para recolectar y normalizar evidencia pública sobre la empresa y el contacto. El objetivo es obtener señales relevantes para ventas: tamaño, tecnología, noticias, cargo y correo probable.

1
Solicitar búsquedas dirigidas y recoger URLs relevantes Use módulos HTTP para consultar motores de búsqueda o APIs de Bing/Google Custom Search. Filtre por dominio y relevancia, priorizando sitios corporativos, notas de prensa y perfiles profesionales.
2
Extraer datos clave de cada URL Parsee títulos, metadescripciones, encabezados H1/H2, presencia de palabras clave (ej. 'plataforma logística', 'WMS') y detecte menciones de tecnología. Guarde fragmentos y URL en la fila del lead.
3
Calcular puntuaciones de confianza y relevancia Asigne pesos a tipo de fuente (sitio corporativo > medios > perfiles) y a coincidencia de cargo. Normalice a un score 0-100 para priorización comercial.

Checkpoint: Cada lead tiene una lista de URLs recolectadas, campos extraídos y un score de confianza calculado.

Paso 03

Ejecutar el prompt principal

Este es el prompt central del tutorial. Cópialo completo, rellena las variables entre corchetes con los datos de tu empresa o situación, y envíalo.

1
Copia el prompt completo Selecciona todo el texto del prompt y cópialo. No modifiques la estructura — está diseñado para obtener el output más útil posible.
2
Rellena las variables entre corchetes Sustituye cada [VARIABLE] con información real de tu empresa. Cuanto más específico seas, mejor será el output.
3
Envía el prompt y espera la respuesta Pega el prompt en el chat y envíalo. El modelo puede tardar entre 10 y 60 segundos dependiendo de la complejidad.

Variables del prompt — sustituye cada [VARIABLE] con datos reales

[NOMBRE_LEAD]Nombre completo del contacto o del lead tal como aparece en la lista.

[WEBSITE_PROSPECT]URL principal de la empresa o perfil público del prospecto (sitio web corporativo o LinkedIn).

[OBJETIVO_COMERCIAL]Qué pretende el equipo comercial (p. ej. 'validar fit para piloto WMS', 'identificar decisores para oferta SaaS').

Prompt principal — Enriquecimiento profundo de leads Eres un analista ejecutivo de inteligencia comercial. Tu tarea es enriquecer y sintetizar información pública sobre un prospecto B2B para uso del equipo de ventas. Recibirás los siguientes datos: [NOMBRE_LEAD], [EMPRESA], [WEBSITE_PROSPECT] y [OBJETIVO_COMERCIAL]. Extrae y estructura información accionable en formato JSON con las siguientes secciones: 1) resumen_ejecutivo (3-4 frases que expliquen por qué este lead es relevante para [EMPRESA] y el [OBJETIVO_COMERCIAL]); 2) perfil_empresa (nombre legal, sector, tamaño estimado, sede, tecnologías detectadas, indicios de internacionalización); 3) perfil_contacto (cargo probable, responsabilidades clave, correo estimado con método y nivel de confianza); 4) indicadores_comerciales (necesidades detectadas, timing estimado de compra, presupuesto aproximado si hay evidencia); 5) datos_enriquecidos (email, teléfono, Linkedin público, listado de URLs con fragmentos de evidencia y tipo de fuente); 6) fuentes (lista de hasta [MÁXIMO_FUENTES] URLs con breve justificación y un score de confianza por fuente 0-100); 7) riesgos_y_alertas (posibles problemas: competencia ya implementada, problemas regulatorios, conflicto de interés); 8) recomendaciones_outreach (tres mensajes: breve inicial, técnico con pain points y ejecutivo con ROI estimado; cada uno de 2-4 frases y adaptado al cargo); 9) siguiente_accion (prioridad 1-3, acción recomendada y tiempo estimado para ejecutar). Emplea un tono ejecutivo y conciso. Prioriza fuentes primarias (sitio oficial, notas de prensa, registros comerciales) y marca claramente cuando la información es estimada. Si no encuentras un dato clave, indica el dato como 'NO_VERIFICADO' y sugiere la fuente o la acción para verificarlo. Devuelve únicamente JSON válido. Limita la extensión de cada campo narrativo para que el output sea ejecutable por un CRM o por Make. Variables a sustituir: [NOMBRE_LEAD], [EMPRESA], [WEBSITE_PROSPECT], [OBJETIVO_COMERCIAL], [PAÍS], [MÁXIMO_FUENTES].

Checkpoint: El modelo ha respondido con un output estructurado que incluye las secciones solicitadas en el prompt.

Paso 04

Iterar y ajustar scoring

Valide los resultados en lote y ajuste umbrales para automatizar priorización. Este paso reduce falsos positivos y mejora el rendimiento comercial.

1
Revisar muestra aleatoria de 20-50 leads Compruebe que los datos recolectados son correctos, que las URLs citadas justifican los campos extraídos y que el score refleja prioridad comercial.
2
Ajustar pesos y reglas en Make Modifique la lógica de scoring (p. ej. aumentar peso a fuentes corporativas o detectar títulos ejecutivos) y ejecutar nuevamente para comparar métricas de calidad.

Checkpoint: El flujo produce perfiles con tasa de precisión aceptable (>75% en revisión manual) y las prioridades coinciden con el juicio del equipo de ventas.

Iteracion

Prompts para refinar el output

Estos son los ajustes mas frecuentes que se piden despues del primer output. Copialos directamente en el chat:

Hacer el output más específico

cuando el output es demasiado genérico. "Reduce la generalidad y vuelve a generar el informe centrando cada sección en evidencia concreta tomada de las URLs citadas. Para cada afirmación, indica la URL que la respalda y asigna un nivel de confianza (ALTO, MEDIO, BAJO)."

Cambiar el nivel de detalle

cuando necesitas más o menos profundidad. "Devuélveme una versión condensada en 6-8 frases clave para comité y una versión ampliada con evidencia por fuente separada. Mantén la misma estructura JSON y añade campos 'resumen_ejecutivo_corto' y 'resumen_ejecutivo_largo'."

Adaptar el tono

cuando el tono no es el adecuado para tu audiencia. "Reescribe las recomendaciones_outreach en tono: 1) totalmente ejecutivo (directo, enfocado en ROI), 2) técnico (enfocado en integraciones y pain points), 3) comercial (enfocado en beneficio y prueba gratuita)."

Versión ejecutiva resumida

para compartir con el Comité de Dirección. "Genera una versión ejecutiva con máximo 120 palabras: problema detectado, ajuste del lead al ICP, prioridad recomendada y una recomendación de primer contacto con KPI objetivo."

Resultado

Que vas a obtener

Este es el tipo de output que genera Make con el prompt de este tutorial. El contenido varia segun tu empresa y situacion, pero la estructura es siempre esta:

Ejemplo de output — NexoLogística SA, sector logística y transporte

Estructura del output

El prompt genera un JSON estructurado con secciones: resumen ejecutivo, perfil de empresa, perfil de contacto, indicadores comerciales, datos enriquecidos, fuentes con score, riesgos y recomendaciones de outreach. Está pensado para ser consumido por un CRM o por el Scenario de Make para automatizar pasos siguientes.

Senales de un buen output

Incluye URLs de fuentes con justificación y score por cada afirmación
Contiene datos de contacto con un nivel de confianza cuantificado
Proporciona 3 plantillas de outreach distintas y accionables
Ofrece siguiente_accion priorizada con tiempos estimados

Senal de que el output es bueno: El informe presenta datos verificados con fuentes citadas y recomendaciones de outreach accionables.

Costes

Inversion y retorno

29$ Make Pro / mes

3-8 min Por ejecucion del tutorial

∞ Reutilizaciones del prompt

ROI: Automatizar enriquecimiento reduce el tiempo de investigación por lead (de horas a minutos) y aumenta la tasa de conversión al permitir outreach personalizado y priorizado. El coste de la suscripción se amortiza con una mejora del ratio de oportunidades y la reducción del tiempo de SDRs.

Errores frecuentes

Que hacer cuando algo no funciona

Sintoma	Causa probable	Solucion exacta
El Scenario devuelve filas vacías o nulas	Formato del CSV/Google Sheet no coincide con los campos mapeados en Make.	Revisar el mapeo de columnas en el módulo Google Sheets y ejecutar una prueba con una fila ejemplo que contenga todos los campos requeridos.
HTTP requests devuelven errores 403 o bloqueos constantes	Restricciones del sitio (robots.txt, rate limiting) o encabezados ausentes.	Reducir la frecuencia de llamadas, añadir cabeceras User-Agent y utilizar endpoints oficiales/APIs cuando sea posible. Registrar fallos para monitoreo.
Datos del LLM son vagos o contradictorios	Prompt insuficiente o falta de contexto en la entrada.	Enviar al LLM fragmentos de evidencia junto con el prompt y aumentar el número de fuentes máximas para contraste. Usar el prompt de iteración 'Hacer el output más específico'.
Puntuaciones de confianza no reflejan la realidad comercial	Pesos y reglas de scoring mal calibrados.	Ajustar pesos en el cálculo del score, validarlo con una muestra manual y documentar las reglas para iteración.
El Scenario se ejecuta lentamente o consume muchas operaciones	Número excesivo de requests por lead o lógica ineficiente en el iterador.	Limitar [MÁXIMO_FUENTES], agrupar requests cuando sea posible y usar caché para resultados ya procesados.

Modo avanzado

Como hacer este tutorial con Make en modo avanzado

En modo agente, Make orquesta búsquedas, scraping controlado y llamadas a LLM en paralelo, mantiene estado y reintentos, y persiste resultados en una base estructurada. Es útil para ejecutar campañas continuas de enriquecimiento con supervisión mínima.

Modo avanzado

Flujo de trabajo avanzado

1
Configurar un Scenario con webhook de entrada para recibir leads automáticamente
2
Implementar módulos para búsqueda, scraping y llamadas al LLM en ramas paralelas
3
Almacenar resultados en Google Sheets / base de datos y ejecutar lógica de deduplicación
4
Emitir alertas o tareas en el CRM para leads con prioridad alta

Actúa como agente automatizado de investigación para cada lead que reciba vía webhook. Para la entrada {nombre, empresa, url, objetivo} realiza: 1) Ejecuta búsquedas dirigidas y recoge hasta [MÁXIMO_FUENTES] URLs relevantes; 2) Extrae título, metadescripción, fragmento relevante y fecha de publicación; 3) Llama al LLM con el prompt principal aportando la evidencia extraída; 4) Normaliza el JSON de salida y guarda en la hoja destino; 5) Si el score de confianza es >=75, crea una tarea en el CRM con la plantilla de outreach ejecutiva; 6) Si hay más de una fuente contradictoria, marca el lead para revisión manual. Gestiona reintentos, respeta tiempos entre requests y registra errores en un log centralizado. Devuelve únicamente el JSON final y un campo 'estado_agente' con valor OK o ERROR y mensaje de contingencia.

Cuando usar el modo avanzado en este tutorial: Útil cuando hay volúmenes altos de leads entrantes, necesidad de actualización periódica de perfiles o cuando se requiere integración directa con CRM y asignación automática de tareas.

Siguiente paso

Que hacer ahora?

Ahora que has completado este tutorial, hay dos caminos naturales:

Tutorial relacionado · Make

Explorar mas tutoriales de Make

Descubre otros casos de uso de Make para directivos en diferentes funciones y sectores.

Biblioteca completa

Ver todos los tutoriales

Explora los tutoriales del programa organizados por herramienta, funcion y nivel de dificultad.

Para sacarle mas partido: Tras validar la primera tanda de leads, configure reglas automáticas para mover leads con score ≥80 a un playbook de outbound y monitorice CTR/respuesta durante las primeras 4 semanas para recalibrar el scoring.

Alternativa segura

Puedo hacer esto sin que mis datos salgan de la empresa?

Si. Este caso de uso trabaja con datos que, por su naturaleza confidencial, estrategica o regulada, son candidatos optimos para ejecutarse con un modelo de lenguaje open source desplegado en infraestructura propia (on-premises o nube privada). Con esta configuracion, ningun dato abandona nunca los servidores de tu organizacion y el modelo no puede ser entrenado con tu informacion.

Modelos recomendados

Llama 3.3 70B — Ideal para analisis de documentos largos y generacion de texto estructurado (contexto 128K tokens).

Mistral Large 2 — Excelente para extraccion de informacion y clasificacion con alta precision.

Qwen 2.5 72B — Especialmente potente para analisis de datos tabulares y financieros.

Plataformas de despliegue

Ollama — Para equipos pequenos o uso individual en hardware propio.

vLLM — Para entornos de produccion con multiples usuarios simultaneos.

LM Studio — Para pruebas y uso individual sin configuracion de servidor.

Infraestructura minima

Para un modelo de 70B parametros en produccion:

GPU: 2x NVIDIA A100 40GB o 4x RTX 4090.

RAM: 128GB minimo.

Alternativa cloud privada: AWS Private Cloud, Azure Government o Google Cloud Confidential Computing.

Garantia de privacidad: Con un modelo on-premises correctamente configurado, los datos nunca salen de tu red corporativa, el modelo no se entrena con tu informacion, no hay transferencia internacional de datos y el cumplimiento normativo es total incluso para datos del art. 9 RGPD.

Necesitas implementar esta solucion en tu organizacion?

La configuracion de modelos open source on-premises requiere un proveedor tecnico especializado. Agere puede ayudarte a desplegar esta solucion en tu infraestructura de forma segura, con garantias legales y sin que tus datos salgan nunca de tu organizacion.

Contactar con Agere Conocer Agere