El lead scoring se ha convertido una herramienta básica dentro de la estrategia de inbound marketing de cualquier retailer o e-commerce. Nos permite identificar cuáles de nuestros leads son clientes con un mayor Lifetime Value (LTV) potencial.
Las promociones si no se dirigen a los clientes adecuados pueden resultarnos muy costosas o incluso contraproducentes y hacernos perder clientes. En cambio si se realizan al grupo de clientes más receptivo en cada momento adecuado suponen una gran inversión y rentable en términos financieros.
Ahora bien, la cuestión clave es ¿cómo puedo diferenciar un cliente bueno de uno malo sin apenas conocer nada de ellos?
En un nuevo marketing que forzosamente debe ser automatizado (marketing automation) por el volumen de clientes y transacciones, la típica analogía del tendero que conoce a su clientela resulta tan manida como poco viable.
¿Cómo funciona el lead scoring tradicional?
Habitualmente el lead scoring se realiza asignando una puntuación arbitraria en cada interacción con el cliente a lo largo del funnel de ventas.
Por ejemplo, si el cliente abre un correo electrónico se le asigna 1 punto, si hace clic en el enlace 2 puntos, si se registra en nuestra página 3, si llena el carrito con algún producto 4 y si finalmente pasa por caja 5.
De esta forma a cada cliente potencial se le asigna una puntuación de acuerdo a un grado de engagement conseguido. Cuanto más alto sea el “score”, más ha avanzado en su camino a convertirse en cliente.
Esta, llamémosle estrategia de scoring, basada en reglas estáticas, se automatiza gracias a las plataformas estándar de marketing automático como Seligent, Hubspot o Marketo. Estas herramientas se han convertido en imprescindibles, pero su función no es otra que la de automatizar las acciones, si estas acciones están basadas en un scoring erróneo, su resultado no será satisfactorio.
¿Por qué Machine Learning para realizar el lead scoring?
En primer lugar, este sistema de reglas de lead scoring necesita que se hayan producido una serie de interacciones con el cliente, bien sea a través de nuestra página web o a través de una oficina o contact center, para poder puntuarlo.
Es decir vamos aprendiendo si un cliente es interesante o no a medida que avanza en la relación, gracias a la analítica predictiva en cambio, podemos anticipar o predecir si este lead acabará siendo cliente o no y cómo de bueno será.
El lead scoring basado en el aprendizaje automático de los datos funciona de forma diferente, en lugar de intentar asignar unas puntuaciones predefinidas en función de las acciones consumadas del cliente, lo que hace es aprender de los patrones de nuestros clientes actuales que ya conocemos en profundidad. De acuerdo al perfil de nuestro nuevo cliente los algoritmos son capaces de detectar los patrones similares al de nuestros clientes y otorgarle al nuevo lead un “scoring” de acuerdo a nuestros segmentos de clientes.
La gran capacidad de proceso de los algoritmos basados en la ciencia de los datos resulta siempre mucho más exacta que los sistemas basados en reglas predefinidas. ¿Por qué? Muy sencillo, los algoritmos pueden aprender de los miles de combinaciones de valores de decenas de atributos del cliente y reconocer patrones en los nuevos leads con una alta confianza matemática.
Si utilizamos esta técnica de scoring para alimentar a nuestras herramientas de marketing automation estaremos tomando las mejores decisiones en términos de inversión en marketing llegando a multiplicar hasta por 10 la efectividad de nuestras acciones.
El Machine Learning funciona, y no es magia señores, es ciencia.
