¿Cómo obtener leads calificados a través de Machine Learning?

Solemos invertir mucho tiempo y esfuerzo consiguiendo información de usuarios para lograr, finalmente, convertirlos en clientes.

Una vez obtenida toda esa información ¿sabemos siempre qué hacer exactamente con todos esos datos? La respuesta es no

Podemos reconocer que es información valiosa, sí. Pero necesitamos saber cómo explotarla al máximo para conseguir buenos clientes para nuestra startup.

¿Qué entendemos por lead calificado?

En marketing se denomina lead a todo usuario o persona que, de alguna manera, entregó sus datos a nuestra empresa. El usuario generalmente ofrece esta información de forma intencional. 

¿Por qué un usuario nos entregaría sus datos intencionalmente? Puede que para obtener información sobre los servicios que ofrecemos, para pedir cotizaciones sobre nuestros servicios, para solicitar un catálogo de productos, etc. 

Las formas de obtener esa información son diversas: pueden ser formularios online o en papel donde deberán ingresar sus datos para contacto futuro  (aceptando políticas de privacidad de nuestra empresa). El usuario también puede ponerse en contacto con nosotros a través de nuestros canales de comunicación, ya sea telefónicamente o a través de redes sociales.

De una u otra manera llegamos a tener información de una persona que, a partir de ese momento, deja de ser desconocida para nosotros: se transforma en un potencial cliente.

El resultado de este proceso, y como adelantamos al comienzo de este artículo, es que terminamos contando con demasiados leads y, en ocasiones, no sabemos qué hacer con ellos. Además, de todos ellos, solo algunos terminarán convirtiéndose en clientes. 

El desafío entonces es cómo identificar a los más propensos en convertirse en nuestros clientes. 

Profundizando un poco más, también nos podemos preguntar: 

¿Cuál es el lead que más probabilidad tiene de efectuar una compra?

¿Cómo me aseguro que el cliente que estoy sumando tiene buen comportamiento comercialmente?

La respuest a estos interrogantes se encontrarán identificando a los leads calificados.

Los leads calificados no sólo se encontrarán en personas que no son clientes, sino también entre clientes ya existentes. Usuarios a los que buscamos mejorarles el servicio, obtener una mayor ganancia o venderles otro producto o servicio (lo que conocemos como upselling).

¿Qué rol juega Machine Learning?

Machine Learning puede ser la llave para encontrar a estos leads calificados. 

Sin embargo, primero debemos conocer el dominio con el que estamos trabajando, el cual vamos a tratar de automatizar y potenciar. 

Algunas de las definiciones y puntos donde debemos atacar son:

  • Lead scoring: es una forma de puntuar a los leads respecto de las acciones que realicen. Por ejemplo: suma 1 punto si abre un mail, 2 puntos si entra al link desde el mail, 3 puntos si envía una consulta, 4 si se registra en nuestra página, etc. De esta manera obtenemos un ranking de usuarios, considerando que los de más puntaje son los más calificados.
  • Lead nurturing: se trata de estimular a los usuarios para que ‘maduren’ hacia la compra o contratación de nuestro servicio. Se logra, principalmente, a través de envíos de mails de forma progresiva y continua.
  • El Customer Lifetime Value (LTV) es una medida a largo plazo que considera el valor de un cliente a partir de la relación que mantiene con nuestro sitio o marca a lo largo del tiempo. Atendiendo al LTV es que podremos brindar un mejor servicio al cliente para fortalecer su fidelidad con nuestra marca. Un lead calificado tiene un alto LTV.
  • MQL: un Marketing Qualified Lead es un lead calificado para marketing. Esto quiere decir que está en una etapa avanzada del ciclo de compra y, con algunas estimulaciones, estará cerca de transformarse en un SQL (ver siguiente). 
  • SQL: un Sales Qualified Lead es un lead calificado para la venta. Es un lead más avanzado que un MQL. Ya se encuentra en la etapa final del proceso de marketing y está listo para la compra. Son futuros clientes que responden muy positivamente a las ofertas que nuestra empresa propone (una demo, un trial, etc.)

Una gran cantidad de datos valiosos

De todos los datos que disponemos de los clientes (o futuros clientes) queremos obtener el mayor potencial. En este caso, los usaremos para encontrar los leads más calificados para una venta. Por lo visto anteriormente, solamente podríamos identificarlos a través del lead scoring, puntuando a los usuarios en base a sus acciones. 

La desventaja de este recurso es que son reglas estáticas que solamente nos ofrecen el umbral de puntaje que nos permite categorizar a un lead. A modo de repaso, estos son los datos que nos permitirá obtener:

  • Datos personales de los leads: nombre, apellido, email, edad, dirección, documento de identidad, etc.
  • Fecha y hora de las interacciones que tuvieron con nosotros:
    • Apertura/lectura de mail
    • Click en el link del mail
    • Registro a través de nuestra página web
  • Cantidad de interacciones
  • Información del dispositivo a través del cual interactúa con nosotros: pc, tablet, smartphone. Y gama de cada uno de esos dispositivos (gama alta, media o baja)
  • En ciertos casos también podemos tener cierta información financiera asociada al lead: si está bancarizado, si usa tarjetas, etc.

Además de todos estos datos (y más) que podemos obtener de los leads, también tenemos los mismos datos de leads que se convirtieron en clientes y de leads que nunca compraron nada. Esta información es valiosísima.

¿Por qué? Porque podemos usar toda esa información y, a través de técnicas de Machine Learning, obtener leads calificados. 

Los aprendizajes que nos deja Machine Learning

Los datos mencionados anteriormente pueden ser utilizados como input para diferentes técnicas de Machine Learning, cada una de ellas con un enfoque distinto.

Repasemos algunas de las cosas que podemos hacer con esos datos:

Red Neuronal o Árbol de Decisión

Podemos utilizar los datos que tenemos de los usuarios para predecir el comportamiento de aquellos a los que aún no conocemos. Por ejemplo:

Ya conocemos a los usuarios que son actualmente nuestros clientes . También conocemos usuarios que, luego de una ventana de tiempo considerable, no son clientes. 

Entonces podemos aprender de esos datos (casos positivos y negativos) para predecir el comportamiento de los leads que aún están en posibilidad de convertirse en clientes y, así, asignarles un scoring que ya deja de ser estático (como vimos anteriormente).

Clustering

Es una técnica de agrupamiento que podemos utilizar para formar grupos de usuarios y dividirlos según su comportamiento. Nos permite saber en qué grupo de usuarios podemos focalizarnos dependiendo de la acción que queremos tomar (incentivar con promociones, no invertir en publicidad, etc). 

Primero creamos un embedding de usuarios en base a todos los datos que tenemos (representación vectorial de los mismos). 

Luego con clustering (por ejemplo K-Means) podemos formar grupos en base a la distancia vectorial de los usuarios e ir descubriendo qué usuarios hay en cada grupo: usuarios compradores que ya no necesitan ningún estímulo; usuarios que han comprado alguna vez pero necesitan estímulo para reactivarlos; usuarios que han sido estimulados pero nunca compraron; etc.

De esta manera, podemos sacarle más valor a nuestros datos yendo un poco más allá de lo ya conocido. 

El gran potencial que tienen estos algoritmos resulta mucho más beneficioso y exacto que un sistema basado en reglas predefinidas como puede ser el lead scoring. Esto se debe a la gran capacidad que tienen los modelos matemáticos de aprender las diferentes características y combinaciones que tienen los atributos de nuestros leads, y así poder encontrar insights que, de otra forma, no podríamos haber obtenido.

Predicción del comportamiento

Como conclusión de lo visto anteriormente, podemos afirmar que, con unas u otras técnicas, podemos entender y predecir el comportamiento de los usuarios, ya sean futuros clientes o clientes activos.

Para el caso de futuros clientes, podemos categorizarlos en diferentes niveles, basándonos en el scoring que obtenemos mediante técnicas de Machine Learning:

  • Un scoring bajo nos indica que todavía esa persona no llegó a ser MQL
  • Un scoring medio nos indica que esa persona ya es un MQL
  • Un scoring más alto nos indica que esa persona ya es un SQL
  • Y, finalmente, un scoring aún más alto nos llevará a hacernos la siguiente la pregunta: ¿por qué esta persona tiene todo para ser cliente y aún no lo es?

Por otro lado, también podemos aplicar estas técnicas para clientes existentes, pero cambiando un poco el enfoque: en lugar de usar datos de clientes y leads, utilizamos sólo datos de todos los clientes para encontrar cuáles son más propensos a hacer un upselling: encontrar qué clientes tienen una alta probabilidad de contratar un producto/servicio más caro. 

Encontrá más información de valor sobre upselling en nuestro post anterior

Ya sea encontrar leads calificados o clientes para un upselling son estrategias que nos permitirán aumentar el churn negativo, maximizando el revenue mes a mes.

Es probable que en tu startup desarrollen en forma manual estas estrategias desde el día 1, midiendo resultados de las campañas en redes sociales, Analytics o Landing Pages, por ejemplo. 

Si estás empezando a notar que los volúmenes de datos exceden tu capacidad analítica, quiere decir que la previsión del comportamiento de tus usuarios o clientes empieza a debilitarse. Dejar pasar esta debilidad limita tu capacidad de expansión y te deja en desventaja frente a tu competencia, a la vez que te aleja de las rondas de financiación más exigentes. 

En 7Puentes todos los días trabajamos con modelos de Machine Learning, ayudando a nuestros clientes a maximizar sus ganancias, encontrando qué leads son los más aptos para las diferentes estrategias comerciales

Trabajamos con métodos ágiles de desarrollo, lo cual aporta rapidez en conseguir un primer modelo que aporte valor al negocio, mejorándolo de manera iterativa e incremental al trabajar codo a codo con nuestros clientes.

Somos un equipo altamente capacitado para ayudarte a anticipar el comportamiento de tus usuarios/clientes y lograr un churn negativo.

No dudes en contactarnos.