Hay una constante fundamental en la íntima relación que mantenemos los de marketing con los de ventas: si a comercial le hinchas a leads que no valen nada, al final te van a crujir muy fuerte.
No importa en absoluto lo que vendas, ya coloques seguros o captes para toda una trama de mariachis que animan bodas, bautizos o comuniones.
Al final, si quienes tienen que cerrar el negocio se tiran unas jornadas llamando para nada, llegará la frustración por sus incentivos perdidos. Frustración que, lógicamente, elevarán a su dirección, y la cual, frustrada también por no sacar dineros, se lo comunicará “amigablemente” al que maneje el cotarro de captación, que se asegurará de extender esta misma frustración, porque no le dejan de dar la matraca con “lo de siempre” cuando intenta desayunar con un mínimo de tranquilidad.
Y así, la tenemos liada.
¿Merece la pena? No.
¿Qué podemos hacer? Cribar lead.
¿Cómo lo hacemos? Usando los datos.
El primer paso es aceptar que no todos los leads valen lo mismo. Y esta lección puede ser un poco dura, porque, al principio, a todos nos mola poder fardar de que sacamos 5.000 lead al día por solo 0,03€… Somos unas fieras…. pero la leche de realidad que te van a dar no te la quita nadie.
Por esto, es imprescindible que busquemos un método de cualificación para controlar la calidad de los leads que vamos a entregar a red comercial y, de regalo, nos deje optimizar el presupuesto general.
Esto lo conseguimos explotando la parrilla de datos que sacamos de cada lead, la que nos da el usuario y la que enriquecemos aparte, así, conjugando toda esa información, podremos contar con un sistema de puntuación que haga que, si la red comercial no vende, no sea por la calidad del contacto.
Componiendo un lead scoring
Veo muy a menudo que, cuando se piensa en un lead, únicamente nos limitamos a considerarlo como el conjunto de datos que amablemente nos ofrece un usuario para que alguien pueda venderle algo luego… Pero esto es una visión terriblemente limitada y que no nos va a ayudar en absoluto a crear un sistema de scoring mínimamente competente.
Hay que enriquecer y darle un par de vueltas a esos datos. Un ejemplo sencillo:
El usuario nos da su código postal: de eso podemos sacar el barrio, la provincia y la comunidad autónoma, pero también el nivel de renta medio, el salario, tasa de desempleo, porcentaje de ingreso por pensiones en cada vivienda, etc….. Supongo que no hace falta explicar el valor de esa información cuando tenemos que clasificar un potencial cliente en función del poder adquisitivo.
Otro ejemplo, algo más rebuscado:
El usuario nos deja su lead en un artículo del blog donde hablamos de las diferencias salariales entre Policía Local, Nacional o Guardia Civil. Otro nos lo deja en una landing page específica de nuestra academia para aprobar las oposiciones de policía nacional, ya que hay 7.000 plazas este año…. ¿Cual está más cerca de comprar? ¿Valen lo mismo los dos leads?
Por entendernos, cuando me toca diseñar un mapa de datos que compongan un lead, normalmente los campos que va a ofrecer el usuario no son más del 10%. El resto se saca del contexto desde el que deja el lead, su histórico, información de atribución, completando con BBDDs, etc….
El sistema de valoración de los datos
Una vez que tenemos nuestros leads calentitos, empieza el procesamiento. Esto no es una secuencia lineal de: tengo el lead, le pongo un valor y lo mando a CRM.
El ciclo de vida del lead desde que llega hasta que eclosiona en un precioso cliente es cosa compleja, que da para unos cuantos artículos más. Pero, en resumen, desde que el usuario da los datos, el lead debe de transcurrir por diferentes procesos de validación y transformaciones. En cada una de estos, asignaremos diferentes valores que, tras su análisis, determinarán la puntuación final del lead, reflejando sus probabilidades de convertirse en una venta.
Voy a ponerme osado y simplificar este maremágnum de posibilidades en dos tipos, ya que estamos de rebajas:
Las reglas de negocio
Es decir, las condiciones que pone el propio negocio. Estas son limitantes y normalmente servirán para tenerse en cuenta en las cribas, condicionando mucho las calificaciones finales.
Por ejemplo, vendemos seguros, pero no queremos que se atiendan contactos que ya son clientes. Entonces, cuando entra un lead, si detectamos duplicidad, le damos un valor negativo a esta regla, lo que evidentemente hará que no llegue a la red de ventas.
Pero no por esto tenemos que considerar estas reglas como blancas o negras. Hay que granular de cara a la puntuación final. Ese mismo cliente al que no le queremos colocar este seguro, puede obtener una puntuación final que le haga entrar en procesos de fidelización, mientras que otro duplicado puede dar un resultado diferente y simplemente lo descartaremos del todo.
Variables predictivas (y llegó la IA)
Matemática durísima. Analizar toda la masa de datos que genera el negocio a través de algoritmos donde, evidentemente, cuanto más histórico y más información tengamos, más podrá afinar el maquinillo.
Aquí, la IA predictiva hace un buen resuelve. Nos permite apoyarnos en sus sistemas de aprendizaje automatizado para sonsacarle las probabilidades de conversión de cada lead con cada vez mayor precisión.
Aunque no solo de IA vive el analista, y no siempre vamos a tener un histórico descomunal con el que alimentar a la bestia artificial. Por esto, yo sigo siendo buen defensor del oficio en los humanos… es un grado… Cuando tenemos que arremangarnos saliendo un poco de “cero”, podemos arrancar con predicciones basadas en la experiencia.
Básicamente, como hemos visto, un lead debe dar el género, la edad, el poder adquisitivo, la residencia, etc… Toda esta información nos permite, usando la lógica de ventas, diseñar un modelo de scoring inicial y competente.
No será tan reluciente, pero como recurso inicial, es mejor que no poner controles de cualificación y, según vayamos acumulando datos, podremos ir reemplazándolo por un modelo predictivo automatizado.
Mezclo los valores, coctelera y… ¡lead scoring!
Ahora viene la parte divertida 😊. Juntamos los diferentes valores que hemos obtenido en todo el proceso y componemos el lead scoring, que le da sentido a esta parrafada que estoy soltando.
No hay una composición infalible: depende del desarrollo estratégico que le vayas a dar y el partido que le saques. Puede ser un simple “apto” – “no apto” o un sistema alfabético que clasifica el lead de la A a la Z, del 0 al 1, o usar el alfabeto griego, al gusto.
Evidentemente, un sistema de clasificación complejo es mucho más pro y hasta le puedes meter toneladas de la palabra “IA” para romperlo en las presentaciones, pero no siempre es el mejor método. En función de tu juego y los volúmenes con los que te muevas, a veces vale más una clasificación simple basada en asegurar que el lead cumpla con sus requisitos mínimos, y a volar.
El valor está en las consecuencias que conllevará cada valoración, porque está claro que, simplemente por tener un lead clasificado con un scoring de “A”, “0.9”, “ἄλφα”, no vamos a conseguir gran cosa, pero con esto podemos influir en:
- Apoyo a ventas: darle pistas de por dónde respira el contacto para cuando toque la llamadita.
- Cribado: San Pedro, dejar pasar lead o no a la red comercial u otros procesos automatizados.
- Lead Routing: distribuir un contacto entre equipos de ventas o comerciales concretos que se ajusten bien al potencial del lead.
- Recualificación: arrancar procesos automatizados para mejorar la puntuación del lead y poder entrar a comercial.
- Venta cruzada: redirigir clientes a cosas que sí puedan comprar.
- Revalidación: solicitar automáticamente al usuario que complete o corrija información imprescindible para poder valorarlo mejor.
- Recuperación: encauzar a clientes díscolos que no quisieron comprar la primera.
¿Y esto qué nos aporta?
El objetivo último de todo esto es claro: optimizar el proceso de ventas.
Por un lado, queremos conseguir que cada contacto que realicemos sea todo lo óptimo posible y, por otro, ceder a procesos automatizados aquellos con los que tengamos dudas, para que vuelvan al redil o, en su defecto, no hagan perder el tiempo.
Y no solo nos limitamos al ámbito comercial. La información es poder. A nivel de marketing, todos estos datos podemos bajarlos a la estrategia del día a día. Optimizar campañas, mejorar tasas de conversión, clasificar nuestros activos según potencial de venta, incentivar nuevos funnels, personalizar contenido, mejorar experiencias de clientes…
Lo que está claro, es que, como siempre, a los datos podemos –y tenemos que- sacarles juego. Como decoración en un informe, pues vale, muy bonitos.
Desplegar un modelo de scoring no es sencillo, requiere implicación de varios departamentos y una infraestructura de recogida-tratamiento-distribución del dato fiable y no muy encorsetada. Pero no se me ocurre razonamiento posible para que, si se juega con un cierto volumen de lead, no se afronte este esfuerzo.
Y oye, de tripas corazón. Piensa que, al final, la felicidad del equipo comercial, a la postre, puede representar también tu felicidad 😉.
David Barajas
Fundador y CEO de Esgalla, con una trayectoria consolidada en el mundo del marketing digital. Me dedico a ayudar a empresas de diversos sectores a optimizar su inversión en marketing, aunando tecnología y estrategia. Actualmente, mi misión es impulsar la integración de tecnología avanzada y analítica para ofrecer a nuestros clientes soluciones aún más efectivas en la captación de leads y el uso de los datos.