Les teves campanyes generen contactes, però són els que necessites? Com ens pot ajudar la IA

La campanya sembla que funciona.

Entren formularis, el cost per contacte és raonable i, potser, fins i tot n’estem aconseguint més que fa uns mesos.

Fins que parlem amb l’equip comercial:

«Sí, arriben contactes. Però la majoria no ens serveixen.»

Alguns busquen un servei que no oferim. Altres no tenen pressupost. Hi ha consultes d’empreses massa petites, persones que encara estan molt lluny de comprar o contactes que, senzillament, no encaixen amb el tipus de client que busquem.

I aquí apareix el problema.

Per a una campanya, tots poden comptar com una conversió. Per al negoci, evidentment, no tenen el mateix valor.

Per això, quan una campanya genera contactes però pocs es converteixen en oportunitats reals, intentar aconseguir-ne encara més no acostuma a ser la primera solució.

Abans necessitem entendre què diferencia els contactes que sí que ens interessen dels que no.

I aquí la intel·ligència artificial ens pot ajudar molt.

No perquè sàpiga automàticament quin és el nostre client ideal, sinó perquè ens pot ajudar a reunir informació que normalment tenim repartida entre campanyes, formularis, analítica, CRM i converses comercials.

En el nostre article sobre IA aplicada a l’estratègia de campanyes de pagament parlàvem d’utilitzar la intel·ligència artificial per investigar, ordenar informació i prendre millors decisions abans d’activar les campanyes.

Ara volem portar aquesta mateixa lògica a un problema molt concret:

Rebre un formulari no sempre significa tenir una oportunitat

Sembla evident, però és una diferència important.

Algú omple un formulari i nosaltres registrem una conversió.

Però després poden passar moltes coses.

Potser l’empresa encaixa perfectament amb nosaltres. Potser no té pressupost. Pot ser que estigui buscant una altra solució. O que, després de parlar-hi, descobrim que existeix una bona oportunitat que inicialment no semblava tan clara.

Per això, per saber si les nostres campanyes funcionen de veritat, no podem mirar únicament què passa fins al moment en què s’envia el formulari.

També necessitem saber què passa després.

Aquesta és, en essència, la lògica que hi ha darrere del lead scoring: utilitzar la informació disponible per distingir quins contactes tenen més possibilitats de convertir-se en una oportunitat real.[1]

Però no necessitem començar construint un sistema sofisticat.

Primer necessitem comprendre els nostres propis contactes.

Tenim la informació. El problema és que està repartida

Normalment sabem bastant més dels nostres leads del que pensem:

• La campanya ens diu d’on han arribat.
• L’analítica web ens pot mostrar quines pàgines han visitat i què han fet al web.
• El formulari ens explica què necessiten.
• El CRM ens diu quina empresa és, quin servei ha sol·licitat i com avança.
• I el comercial coneix probablement la informació més important de totes: què va passar quan va parlar amb aquella persona.

El problema apareix quan cada part viu en un lloc diferent.

I no sempre estem connectant les tres coses.

Abans d’utilitzar IA, per tant, necessitem ser capaços de respondre algunes preguntes bastant senzilles:

• Quins contactes acabem considerant bons?
• Quins descartem?
• Per què?
• Quines característiques tenen uns i altres?
• De quines campanyes provenien?
• Què estaven buscant?
• Què ens van explicar al formulari?
• Quins van acabar convertint-se en oportunitats o clients?

Quan reunim aquesta informació, les campanyes comencen a ensenyar-nos molt més que un cost per lead.

Abans de demanar ajuda a la IA, hem de definir què és un bon contacte

Aquí apareix un altre problema habitual.

Diem:

«Volem leads de més qualitat.»

D’acord. Però què significa exactament?

Si volem utilitzar IA per analitzar la qualitat dels contactes, primer hem d’explicar què estem buscant.

No cal crear una fórmula complicada.

Segons el negoci, ens podem fixar en aspectes com:

• tipus i mida d’empresa;
• sector;
• ubicació;
• necessitat;
• servei sol·licitat;
• pressupost;
• urgència;
• capacitat de decisió;
• potencial econòmic;
• o possibilitat de treballar junts a llarg termini.

No sempre tindrem tota aquesta informació. No passa res. L’important és deixar d’utilitzar «bon lead» com una categoria que tothom sembla entendre però que ningú ha definit exactament.

Aquí és on la IA comença a ser realment útil

Imaginem que tenim diversos mesos de formularis i sabem què va passar posteriorment amb bona part d’aquests contactes.

Ara ja no tenim simplement una llista de contactes. Tenim informació. Podem saber, per exemple:

• des de quina campanya va arribar cadascun;
• quina pàgina va visitar;
• què va escriure al formulari;
• quin servei necessitava;
• si el comercial el va considerar interessant;
• per què es va descartar;
• o si va acabar convertint-se en una oportunitat.

Amb vint contactes podem revisar-ho manualment. Amb centenars, la feina canvia bastant.

La IA ens pot ajudar a ordenar tota aquesta informació, agrupar respostes semblants i trobar patrons que a simple vista ens costaria més detectar.

Potser descobrim que:

• els contactes més interessants pregunten per un problema molt concret;
• una determinada campanya genera molt volum, però molt poques oportunitats;
• una pàgina atrau empreses que encaixen molt bé amb nosaltres;
• o un missatge publicitari està generant moltes conversions perquè s’interpreta d’una manera diferent de la que preteníem.

Això no significa que la IA hagi trobat automàticament la causa.

Però ens ha indicat on val la pena mirar.

Investigacions realitzades amb dades reals de CRM han utilitzat precisament aquest tipus d’informació per identificar patrons relacionats amb la probabilitat de conversió dels leads.[2]

I aquí hi ha una cosa important: el patró d’una empresa no té per què servir per a una altra. Per això necessitem les nostres pròpies dades.

Podem començar per una cosa molt senzilla

No necessitem construir immediatament un sistema predictiu, podem començar amb una cosa molt més quotidiana.

Agafem els motius pels quals l’equip comercial ha descartat els últims cent contactes i demanem a la IA que els agrupi.

Potser descobrim que allò que anomenàvem simplement «lead dolent» amaga situacions completament diferents:

• està fora de la nostra zona;
• no té pressupost;
• busca un altre servei;
• és una empresa massa petita;
• encara no està preparada per comprar;
• o simplement no hem aconseguit contactar-hi.

I això ja canvia completament el problema, perquè no podem solucionar tots aquests casos de la mateixa manera.

• Si arriben moltes consultes de zones on no treballem, haurem de revisar on estem fent publicitat.
• Si pregunten per serveis que no oferim, potser el nostre missatge no és prou clar.
• Si arriben empreses massa petites, potser necessitem explicar millor per a qui treballem.
• Si el client encaixa però encara no està preparat, potser no tenim un problema de qualitat. Tenim un problema de moment.

I això ja és molt.

«Els leads són dolents» pot voler dir moltes coses

Quan una campanya genera contactes poc interessants, és fàcil pensar que estem arribant a la gent equivocada.

Pot ser, però també pot estar passant una altra cosa.

Estem arribant al públic equivocat

En aquest cas sí que haurem de revisar com estem plantejant les nostres campanyes de publicitat en cercadors o la nostra publicitat de pagament a les xarxes socials.

El nostre missatge atrau massa gent

Un missatge molt genèric pot generar més interès però també pot provocar que cada persona entengui una cosa diferent.

«T’ajudem a fer créixer el teu negoci» pot sonar bé.

El problema és que pràcticament qualsevol empresa podria sentir-s’hi identificada.

La pàgina no deixa clar per a qui és el servei

Una landing no s’hauria de limitar a aconseguir formularis, també ha d’ajudar la persona a saber si aquella solució és adequada per a ella.

• Què fem.
• Per a qui.
• Quin problema resolem.
• Quin tipus de projecte té sentit.

De vegades afegir aquesta informació redueix el nombre de contactes i pot ser una bona notícia si n’augmenta la qualitat.

Estem donant el mateix valor a tots els formularis

Si mesurem únicament «formulari enviat», des de màrqueting totes les conversions semblen iguals.

Però sabem que no ho són, per això necessitem connectar el resultat de la campanya amb el que passa després.

El formulari ens pot ajudar més del que pensem

Intentem que els formularis siguin fàcils de completar.

Té sentit, però això no significa que hàgim d’eliminar qualsevol pregunta que ens ajudi a entendre la persona.

De vegades una dada senzilla pot canviar molt la nostra capacitat per valorar un contacte:

• Què necessites?
• Quin servei busques?
• De quina mida és el teu projecte?
• En quin mercat treballes?
• Quan necessites posar-lo en marxa?

No es tracta de fer vint preguntes. Es tracta de demanar allò que realment ens ajudarà després.

A més, quan tenim moltes respostes obertes, la IA ens pot ajudar a classificar-les i trobar temes que es repeteixen.

Això sí: hem de mantenir una separació molt clara entre allò que ens ha dit l’usuari i allò que la IA creu interpretar.

Els models de llenguatge poden generar respostes que semblen perfectament raonables encara que no siguin certes quan els falta informació.[3]

Una hipòtesi ens pot servir per investigar.

No s’hauria de convertir automàticament en una dada real.

El que diu l’equip comercial també són dades

Moltes vegades la millor informació sobre les nostres campanyes no apareix en cap dashboard.

Apareix en frases com:

«Aquests contactes són massa petits.»

«Últimament pregunten molt per una cosa que no fem.»

«Aquests arriben molt interessats, però cap té pressupost.»

«Aquest tipus d’empresa normalment funciona molt bé.»

Això és informació de moltíssim valor. El problema és que, si queda únicament en una conversa, no la podem utilitzar per millorar les campanyes.

La IA ens pot ajudar a convertir aquests comentaris en categories més clares.

Per exemple, motius de descart:

• falta de pressupost;
• empresa que no encaixa;
• servei incorrecte;
• ubicació no vàlida;
• projecte massa petit.

O motius pels quals un contacte sí que resulta interessant:

• necessitat clara;
• encaix amb els nostres serveis;
• empresa adequada;
• pressupost;
• urgència;
• potencial a llarg termini.

No estem substituint l’opinió del comercial.

Estem convertint el seu coneixement en informació que màrqueting també pot utilitzar.

I llavors podem tornar a les campanyes amb millors preguntes

Aquí és on tota aquesta feina comença a tenir sentit.

Suposem que descobrim que els nostres millors contactes acostumen a ser empreses d’una determinada mida, tenen un problema concret i arriben a través d’una pàgina específica.

Ara podem tornar a les campanyes i preguntar-nos:

Ja no estem optimitzant únicament per aconseguir més formularis. Estem intentant aconseguir més formularis dels que ens interessen.

Però compte: si les dades són dolentes, la IA aprendrà de dades dolentes

Aquest punt és especialment important.

Suposem que tenim centenars de leads històrics classificats com a bons o dolents.

Sembla una base perfecta, fins que descobrim que cada comercial utilitzava un criteri diferent, que alguns contactes es van marcar com a dolents simplement perquè ningú va aconseguir localitzar-los o que estem utilitzant dades d’una línia de negoci que ja no ens interessa.

La recerca sobre sistemes de lead scoring insisteix precisament en la importància de la qualitat i de les fonts de dades utilitzades per construir aquests models.[1]

Abans de confiar en una classificació, convé revisar què significa realment.

No volem substituir el comercial

L’objectiu tampoc és crear una màquina que decideixi automàticament:

Aquest contacte sí. Aquest contacte no.

La realitat és molt més complexa.

Un comercial pot detectar una oportunitat que les dades no reflecteixen, pot saber que una empresa petita pertany a un grup important, pot entendre que un projecte poc atractiu avui té molt potencial demà o pot detectar ràpidament que un lead que sobre el paper sembla perfecte no avançarà mai.

La IA ens pot ajudar a prioritzar i detectar patrons.

El criteri comercial continua sent necessari per interpretar les excepcions. No volem eliminar la conversa entre màrqueting i vendes. Volem que aquesta conversa ens ajudi a fer millors campanyes.

El veritable canvi és tancar el cercle

Normalment pensem les campanyes així:

Però ens falta una pregunta fonamental:

Què va passar després?

Quan incorporem aquesta informació, el procés canvia:

Aquí la IA pot resultar especialment útil.

Perquè enmig d’aquest recorregut hi ha formularis, textos, notes comercials, estats del CRM i molta informació difícil de revisar manualment.

Ens pot ajudar:

• A ordenar-la.
• A detectar patrons.
• A comparar grups.
• A assenyalar coses que val la pena investigar.

Però després hem de tornar al negoci i comprovar si tot això té sentit.

Potser no necessitem més leads. Potser en necessitem de millors

Quan una campanya no genera cap contacte, resulta evident que tenim un problema.

Quan en genera molts, però gairebé cap interessa, podem trigar més a detectar-lo.

El dashboard sembla funcionar, el cost per lead fins i tot pot millorar, però el negoci no ho nota i per això hi ha una pregunta que em sembla molt més interessant que simplement:

Com aconseguim més leads?

I és aquesta:

La intel·ligència artificial ens pot ajudar a buscar aquesta resposta entre informació que ja tenim però que fins ara estava massa dispersa.

Després continua venint la part realment important: interpretar el que veiem, decidir què hem de canviar i comprovar si aquests canvis aconsegueixen apropar-nos una mica més al client que volem.

Fonts consultades

[1] Meire et al. — The state of lead scoring models and their impact on sales performance. Revisió d’investigacions sobre sistemes de lead scoring, fonts d’informació i rendiment comercial.

[2] González-Flores, Rubiano-Moreno i Sosa-Gómez — The relevance of lead prioritization: a B2B lead scoring model based on machine learning. Investigació realitzada utilitzant informació real procedent d’un CRM B2B.

[3] OpenAI — Per què els models de llenguatge al·lucinen. Investigació sobre per què un model pot generar informació plausible però incorrecta quan no disposa de prou dades.