Escrito por Fernando Maciá
Índice
Ricard Bonastre, CEO de Lead Ratings y Ex-director general de Emagister nos recomienda al comienzo de su charla dos películas: Brexit y The great hack. Más tarde, nos habla de cómo mejorar nuestro embudo de ventas con marketing predictivo.
Modelo predictivo: datos e inteligencia artificial
El funnel vs. el funnel predictivo. Un funnel tradicional nos genera preguntas o incertidumbres: ¿a qué usuarios trato primero? ¿los trato a todos? ¿voy a perder este cliente, y cuándo?
Con un modelo predictivo basado en datos y en inteligencia artificial podemos dar soluciones a todas estas preguntas con cualificación de audiencias, lead scoring, churn rate, valor de vida del cliente o segmentación predictiva.
Lead scoring
Ejemplo: la web de Banco Sabadell anima a los usuarios a que contacten con el call center para que cualifiquen si son buenos clientes para hipoteca o no. Esto crea una carga de trabajo para todos los usuarios sin cualificación. Es un problema porque no priorizamos sobre los más probables. Lo haríamos a través de un modelo predictivo de lead scoring para tratar antes o mejor los leads de acuerdo a su probabilidad de conversión. Es escalable.
Cualificación de audiencias
Otro ejemplo: UNIR. ¿Cómo captar leads similares a los que tienen mayor conversión? El modelo de cualificación de audiencias integrado con Analytics y Facebook permite identificar qué perfil de usuarios sí tienen un score alto de probabilidad de conversión.
Cálculo del valor del cliente
Fidelización: aparece Natzir Turrado en pantalla. La mayoría de e-commerce se concentran en la captación y no tanto en la fidelización. ¿Podemos saber cuántas veces me comprará este usuario? Puedo analizar el comportamiento del usuario y calcular el valor del ciclo de vida del cliente, en el plazo que uno quiera analizar. Un algoritmo puede predecir cualquier cosa que pueda observar. Si le damos los datos, lo puede hacer.
Cálculo del churn rate
Club de suscripción: La Vanguardia. ¿Cómo puedo saber qué usuarios tienen mayor riesgo de darse de baja? El modelo de churn rate permite medir cuál es la probabilidad de baja a 30 días. Segmenta usuarios con alto riesgo y además podemos focalizarlo en los que mayor valor aportarían. Detrás del marketing predictivo está el hecho de que el usuario demanda personalización. Estamos hartos de ser tratados siempre igual.
Modelo de redención de clientes
Imaginarium tiene una enorme base de datos, pero no es una compra recurrente, ni siquiera mensual. Tienes muchos usuarios inactivos. ¿A quién enviamos el catálogo? Podemos analizar toda la base y buscar gente con un análisis histórico a mayor plazo. Es un modelo para empresas que no tienen una alta recurrencia. ¿Cómo sé que me volverán a comprar juguetes? Son incertidumbres sobre el funnel de conversión. No todo es captar. Debemos explotar la base de datos. Con un modelo de redención de clientes de alto valor podemos segmentar clientes más rentables.
¿Qué necesito para aplicarlo con éxito?
- Datos. No funciona con empresas pequeñas, aunque no es big data.
- Tecnología: los algoritmos se pueden montar vía API.
- Pero sobre todo, saber qué vamos a hacer con la predicción. El proyecto falla cuando el cliente no sabe qué hacer con el modelo predictivo.
Si los datos son coherentes, los proyectos funcionan. Pero muchas veces no se aplican bien.
Si no sabemos qué hacer con un modelo predictivo, mejor vive en la ignorancia. Decide dónde vas a predecir y la accionabilidad de esa predicción.
