Tus campañas generan contactos, pero ¿son los que necesitas? Cómo puede ayudarnos la IA

La campaña parece funcionar.

Entran formularios, el coste por contacto es razonable y, quizá, incluso estamos consiguiendo más que hace unos meses.

Hasta que hablamos con el equipo comercial:

«Sí, llegan contactos. Pero la mayoría no nos sirven.»

Algunos buscan un servicio que no ofrecemos. Otros no tienen presupuesto. Hay consultas de empresas demasiado pequeñas, personas que todavía están muy lejos de comprar o contactos que, sencillamente, no encajan con el tipo de cliente que buscamos.

Y aquí aparece el problema.

Para una campaña, todos pueden contar como una conversión. Para el negocio, evidentemente, no valen lo mismo.

Por eso, cuando una campaña genera contactos pero pocos se convierten en oportunidades reales, intentar conseguir todavía más no suele ser la primera solución.

Antes necesitamos entender qué diferencia a los contactos que sí nos interesan de los que no.

Y aquí la inteligencia artificial puede ayudarnos mucho.

No porque sepa automáticamente cuál es nuestro cliente ideal, sino porque puede ayudarnos a reunir información que normalmente tenemos repartida entre campañas, formularios, analítica, CRM y conversaciones comerciales.

En nuestro artículo sobre IA aplicada a la estrategia de campañas de pago hablábamos de utilizar la inteligencia artificial para investigar, ordenar información y tomar mejores decisiones antes de activar las campañas.

Ahora queremos llevar esa misma lógica a un problema muy concreto:

Un formulario recibido no siempre es una oportunidad

Parece evidente, pero es una diferencia importante.

Alguien rellena un formulario y nosotros registramos una conversión.

Pero después pueden pasar muchas cosas.

Quizá la empresa encaje perfectamente con nosotros. Quizá no tenga presupuesto. Puede que esté buscando otra solución. O que después de hablar con ella descubramos que existe una buena oportunidad que inicialmente no parecía tan clara.

Por eso, para saber si nuestras campañas funcionan de verdad, no podemos mirar únicamente lo que ocurre hasta el momento del formulario.

También necesitamos saber qué pasa después.

Esta es, en esencia, la lógica que existe detrás del lead scoring: utilizar la información disponible para distinguir qué contactos tienen más posibilidades de convertirse en una oportunidad real.[1]

Pero no necesitamos empezar construyendo un sistema sofisticado.

Primero necesitamos comprender nuestros propios contactos.

Tenemos la información. El problema es que está repartida

Normalmente sabemos bastante más de nuestros leads de lo que pensamos:

• La campaña nos dice de dónde llegaron.
• La analítica web puede mostrarnos qué páginas visitaron y qué hicieron en la web.
• El formulario nos explica qué necesitan.
• El CRM nos dice qué empresa es, qué servicio ha solicitado y cómo avanza.
• Y el comercial conoce probablemente la información más importante de todas: qué ocurrió cuando habló con esa persona.

El problema aparece cuando cada parte vive en un sitio diferente.

Y no siempre estamos conectando las tres cosas.

Antes de utilizar IA, por tanto, necesitamos ser capaces de responder algunas preguntas bastante sencillas:

• ¿Qué contactos acabamos considerando buenos?
• ¿Cuáles descartamos?
• ¿Por qué?
• ¿Qué características tienen unos y otros?
• ¿De qué campañas procedían?
• ¿Qué estaban buscando?
• ¿Qué nos explicaron en el formulario?
• ¿Cuáles terminaron convirtiéndose en oportunidades o clientes?

Cuando reunimos esta información, las campañas empiezan a enseñarnos mucho más que un coste por lead.

Antes de pedir ayuda a la IA, tenemos que definir qué es un buen contacto

Aquí aparece otro problema habitual.

Decimos:

«Queremos leads de más calidad.»

De acuerdo. ¿Pero qué significa exactamente?

Si queremos utilizar IA para analizar la calidad de los contactos, primero necesitamos explicar qué estamos buscando.

No hace falta crear una fórmula complicada.

Según el negocio, podemos fijarnos en cosas como:

• tipo y tamaño de empresa;
• sector;
• ubicación;
• necesidad;
• servicio solicitado;
• presupuesto;
• urgencia;
• capacidad de decisión;
• potencial económico;
• o posibilidad de trabajar juntos a largo plazo.

No siempre tendremos toda esta información. No pasa nada. Lo importante es dejar de utilizar «buen lead» como una categoría que todo el mundo parece entender pero que nadie ha definido exactamente.

Aquí es donde la IA empieza a ser realmente útil

Imaginemos que tenemos varios meses de formularios y sabemos qué ocurrió posteriormente con buena parte de ellos.

Ahora ya no tenemos simplemente una lista de contactos. Tenemos información. Podemos saber, por ejemplo:

• desde qué campaña llegó cada uno;
• qué página visitó;
• qué escribió en el formulario;
• qué servicio necesitaba;
• si el comercial lo consideró interesante;
• por qué se descartó;
• o si terminó convirtiéndose en una oportunidad.

Con veinte contactos podemos revisarlo manualmente. Con cientos, el trabajo cambia bastante.

La IA puede ayudarnos a ordenar toda esa información, agrupar respuestas parecidas y encontrar patrones que a simple vista nos costaría más detectar.

Quizá descubramos que:

• los contactos más interesantes preguntan por un problema muy concreto;
• una determinada campaña genera mucho volumen, pero muy pocas oportunidades;
• una página atrae empresas que encajan muy bien con nosotros;
• o un mensaje publicitario está generando muchas conversiones porque se interpreta de una manera distinta a la que pretendíamos.

No significa que la IA haya encontrado automáticamente la causa.

Pero nos ha indicado dónde merece la pena mirar.

Investigaciones realizadas con datos reales de CRM han utilizado precisamente este tipo de información para identificar patrones relacionados con la probabilidad de conversión de los leads.[2]

Y aquí hay algo importante: el patrón de una empresa no tiene por qué servir para otra. Por eso necesitamos nuestros propios datos.

Podemos empezar por algo muy sencillo

No necesitamos construir inmediatamente un sistema predictivo, podemos empezar con algo mucho más cotidiano.

Cogemos los motivos por los que el equipo comercial ha descartado los últimos cien contactos y pedimos a la IA que los agrupe.

Quizá descubramos que aquello que llamábamos simplemente «lead malo» esconde situaciones completamente diferentes:

• está fuera de nuestra zona;
• no tiene presupuesto;
• busca otro servicio;
• es una empresa demasiado pequeña;
• todavía no está preparada para comprar;
• o simplemente no hemos conseguido contactar con ella.

Y esto ya cambia completamente el problema, porque no podemos solucionar todos esos casos de la misma manera.

• Si llegan muchas consultas de zonas que no trabajamos, deberemos revisar dónde estamos haciendo publicidad.
• Si preguntan por servicios que no ofrecemos, quizá nuestro mensaje no es suficientemente claro.
• Si llegan empresas demasiado pequeñas, puede que necesitemos explicar mejor para quién trabajamos.
• Si el cliente encaja pero todavía no está preparado, quizá no tenemos un problema de calidad. Tenemos un problema de momento.

Y eso ya es mucho.

«Los leads son malos» puede significar muchas cosas

Cuando una campaña genera contactos poco interesantes, es fácil pensar que estamos llegando a la gente equivocada.

Puede ser pero también puede estar ocurriendo otra cosa.

Estamos llegando al público equivocado

En este caso sí tendremos que revisar cómo estamos planteando nuestras campañas de publicidad en buscadores o nuestra publicidad de pago en redes sociales.

Nuestro mensaje atrae a demasiada gente

Un mensaje muy genérico puede generar más interés pero también puede provocar que cada persona entienda una cosa diferente.

«Te ayudamos a hacer crecer tu negocio» puede sonar bien.

El problema es que prácticamente cualquier empresa podría sentirse identificada.

La página no deja claro para quién es el servicio

Una landing no debería limitarse a conseguir formularios, también debe ayudar a la persona a saber si esa solución es adecuada para ella.

• Qué hacemos.
• Para quién.
• Qué problema resolvemos.
• Qué tipo de proyecto tiene sentido.

A veces añadir esta información reduce el número de contactos y puede ser una buena noticia si aumenta la calidad.

Estamos dando el mismo valor a todos los formularios

Si medimos únicamente «formulario enviado», desde marketing todas las conversiones parecen iguales.

Pero sabemos que no lo son, por eso necesitamos conectar el resultado de la campaña con lo que ocurre después.

El formulario puede ayudarnos más de lo que pensamos

Intentamos que los formularios sean fáciles de completar.

Tiene sentido, pero eso no significa que debamos eliminar cualquier pregunta que nos ayude a entender a la persona.

A veces un dato sencillo puede cambiar mucho nuestra capacidad para valorar un contacto:

• ¿Qué necesitas?
• ¿Qué servicio buscas?
• ¿De qué tamaño es tu proyecto?
• ¿En qué mercado trabajas?
• ¿Cuándo necesitas ponerlo en marcha?

No se trata de hacer veinte preguntas. Se trata de pedir aquello que realmente nos ayudará después.

Además, cuando tenemos muchas respuestas abiertas, la IA puede ayudarnos a clasificarlas y encontrar temas que se repiten.

Eso sí: debemos mantener una separación muy clara entre lo que nos ha dicho el usuario y lo que la IA cree interpretar.

Los modelos de lenguaje pueden generar respuestas que parecen perfectamente razonables aunque no sean ciertas cuando les falta información.[3]

Una hipótesis puede servirnos para investigar.

No debería convertirse automáticamente en un dato real.

Lo que dice el equipo comercial también son datos

Muchas veces la mejor información sobre nuestras campañas no aparece en ningún dashboard.

Aparece en frases como:

«Estos contactos son demasiado pequeños.»

«Últimamente preguntan mucho por algo que no hacemos.»

«Estos llegan muy interesados, pero ninguno tiene presupuesto.»

«Este tipo de empresa normalmente funciona muy bien.»

Eso es información de muchísimo valor. El problema es que, si queda únicamente en una conversación, no podemos utilizarla para mejorar las campañas.

La IA puede ayudarnos a convertir estos comentarios en categorías más claras.

Por ejemplo, motivos de descarte:

• falta de presupuesto;
• empresa que no encaja;
• servicio incorrecto;
• ubicación no válida;
• proyecto demasiado pequeño.

O razones por las que un contacto sí resulta interesante:

• necesidad clara;
• encaje con nuestros servicios;
• empresa adecuada;
• presupuesto;
• urgencia;
• potencial a largo plazo.

No estamos sustituyendo la opinión del comercial.

Estamos convirtiendo su conocimiento en información que marketing también puede utilizar.

Y entonces podemos volver a las campañas con mejores preguntas

Aquí es donde todo este trabajo empieza a tener sentido.

Supongamos que descubrimos que nuestros mejores contactos suelen ser empresas de determinado tamaño, tienen un problema concreto y llegan a través de una página específica.

Ahora podemos volver a las campañas y preguntarnos:

Ya no estamos optimizando únicamente para conseguir más formularios. Estamos intentando conseguir más de los formularios que nos interesan.

Pero cuidado: si los datos son malos, la IA aprenderá de datos malos

Este punto es especialmente importante.

Supongamos que tenemos cientos de leads históricos clasificados como buenos o malos.

Parece una base perfecta, hasta que descubrimos que cada comercial utilizaba un criterio diferente o que algunos contactos se marcaron como malos simplemente porque nadie consiguió localizarlos o que estamos utilizando datos de una línea de negocio que ya no nos interesa.

La investigación sobre sistemas de lead scoring insiste precisamente en la importancia de la calidad y de las fuentes de datos utilizadas para construir estos modelos.[1]

Antes de confiar en una clasificación, conviene revisar qué significa realmente.

No queremos sustituir al comercial

El objetivo tampoco es crear una máquina que decida automáticamente:

Este contacto sí. Este contacto no.

La realidad es mucho más compleja.

Un comercial puede detectar una oportunidad que los datos no reflejan, puede saber que una pequeña empresa pertenece a un grupo importante, puede entender que un proyecto poco atractivo hoy tiene mucho potencial mañana o puede detectar rápidamente que un lead que sobre el papel parece perfecto nunca va a avanzar.

La IA puede ayudarnos a priorizar y detectar patrones.

El criterio comercial sigue siendo necesario para interpretar las excepciones, no queremos eliminar la conversación entre marketing y ventas. Queremos que esa conversación nos ayude a hacer mejores campañas.

El verdadero cambio es cerrar el círculo

Normalmente pensamos las campañas así:

Pero nos falta una pregunta fundamental:

¿Qué ocurrió después?

Cuando incorporamos esa información, el proceso cambia:

Aquí la IA puede resultar especialmente útil.

Porque en medio de ese recorrido hay formularios, textos, notas comerciales, estados de CRM y mucha información difícil de revisar manualmente.

Puede ayudarnos:

• A ordenarla.
• A detectar patrones.
• A comparar grupos.
• A señalar cosas que merece la pena investigar.

Pero después tenemos que volver al negocio y comprobar si todo eso tiene sentido.

Quizá no necesitemos más leads. Quizá necesitemos mejores

Cuando una campaña no genera ningún contacto, resulta evidente que tenemos un problema.

Cuando genera muchos, pero casi ninguno interesa, puede tardar más en detectarse.

El dashboard parece funcionar, el coste por lead incluso puede mejorar pero el negocio no lo nota y por eso hay una pregunta que me parece mucho más interesante que simplemente:

¿Cómo conseguimos más leads?

Y es esta:

La inteligencia artificial puede ayudarnos a buscar esa respuesta entre información que ya tenemos pero que hasta ahora estaba demasiado dispersa.

Después sigue viniendo la parte realmente importante: interpretar lo que vemos, decidir qué cambiar y comprobar si esos cambios consiguen acercarnos un poco más al cliente que queremos.

Fuentes consultadas

[1] Meire et al. — The state of lead scoring models and their impact on sales performance. Revisión de investigaciones sobre sistemas de lead scoring, fuentes de información y rendimiento comercial.

[2] González-Flores, Rubiano-Moreno y Sosa-Gómez — The relevance of lead prioritization: a B2B lead scoring model based on machine learning. Investigación realizada utilizando información real procedente de un CRM B2B.

[3] OpenAI — Por qué los modelos de lenguaje alucinan. Investigación sobre por qué un modelo puede generar información plausible pero incorrecta cuando no dispone de datos suficientes.