Todos hemos recibido al menos una llamada de ventas en algún momento. Como individuos no siempre es agradable recibirlas, pero como empresa, estas son una de las formas principales de conseguir que los “leads” se conviertan en clientes y paguen por el producto o servicio.

Un lead es cualquier persona a la que tu empresa puede contactar con la intención de venderle. Son personas que han dado sus datos voluntariamente, junto con su consentimiento para ser contactadas por una variedad de canales, desde llamadas telefónicas hasta publicidad en redes sociales. 

Sin embargo, con lo poco que gusta recibir llamadas de ventas, sabemos que el que tu empresa pueda contactar a una persona no quiere decir automáticamente que esta persona sea o vaya a convertirse en un cliente. Por ello, es necesario clasificar a los leads en etapas dependiendo de qué tan cerca están de convertirse en clientes. Este proceso de clasificación es el lead scoring.

Primero hablemos del lead scoring tradicional para entender las bases del tema y después entraremos en las limitaciones que tiene y cómo se ve el futuro utilizando inteligencia artificial.

 

Qué es el lead scoring y para qué sirve

El lead scoring se define como un método para determinar el valor de un lead, al cual se le asigna una puntuación con base en una variedad de factores, como sus características demográficas y su comportamiento con tu empresa. Con base en esa puntuación, el lead entonces puede ser clasificado en etapas.

Esta metodología de clasificación permite que tu empresa pueda decidir con mayor facilidad el tipo de comunicación más apropiado para cada lead según la etapa en la que se encuentra. Además, también permite nutrir ese lead para estrechar relaciones con él y lograr que avance por las etapas hasta acercarse a la conversión.

 

Criterios de puntuación de leads

Los leads se pueden puntuar con base en las características de los mismos y en su comportamiento. En cuanto a las características, esto tiene que ver con qué tanto el lead se asemeja al buyer persona ideal de tu empresa. Esta buyer persona establece las características demográficas, intereses y preocupaciones de los mejores clientes para la empresa. Una sola empresa puede tener varias buyer personas. 

Por ejemplo, el buyer persona de un neobanco catalán puede ser un joven entre 18 y 30 años que vive en la provincia de Barcelona y tiene un empleo, aunque sea a tiempo parcial. Por otro lado, una empresa de equipos médicos puede tener como buyer persona a una persona de mediana edad y con hijos que ocupe un cargo directivo en clínicas públicas y privadas en toda España.

Con estas características definidas, a cada lead se le puede asignar una puntuación dependiendo de si cumple los requisitos o no. Por ejemplo, en el caso del neobanco, una persona que vive y trabaja en la provincia de Barcelona pero tiene 35 años solo cumple en un 75% los requisitos, aproximadamente.

En cuanto al comportamiento, este tiene que ver con la forma en que la persona interactúa con la empresa cuando es contactada. Por ejemplo, si un lead cumple el 100% de las características pero al llamarle muestra poco interés, su clasificación será diferente a la de otra persona que tal vez cumple solo el 75% de las características, pero muestra interés en la llamada. 

Algunos de los comportamientos deseables en un lead pueden ser abrir correos electrónicos enviados por la empresa, interactuar con posts en redes sociales, descargar recursos gratuitos, visitar ciertas páginas en el sitio web, responder favorablemente a llamadas de ventas, entre otros. Cada empresa tiene comportamientos deseables diferentes dependiendo de su producto y su buyer persona.

Las características de los leads se pueden medir a través de herramientas como formularios de registro en el sitio web, donde cada cliente rellena la información por sí mismo; sin embargo, pedirles demasiada información puede hacer que desistan de llenar el formulario. Por ello, es común que el primer formulario pida solo el nombre y los datos de contacto, y posteriormente se haga una llamada inicial para evaluar el lead o se les pida que rellenen otro formulario corto a través de un correo electrónico.

 

Etapas de los leads

Los leads se pueden clasificar en 3 etapas: 

• Leads fríos: estos son leads que conocen a la empresa pero no han interactuado lo suficiente como para comprar. Están en la parte superior del embudo, por lo que la empresa tiene que tener una estrategia sólida para hacer que bajen al siguiente nivel.

• Leads cualificados para marketing: estos son leads que han interactuado más con la empresa y mostrado cierto interés, pero que necesitan un poco más de contacto antes de tomar la decisión de compra. 

• Leads calientes o cualificados para ventas: estos leads están listos para comprar y solo necesitan un último empujón para dar el paso. Además, son leads a los que es importante nutrir para fidelizarlos y mantenerlos en el tiempo.

El lead scoring te permite determinar en qué nivel está cada lead, pero es importante ir más allá. Lo ideal es tener un sistema que vaya captando más leads fríos y otro sistema que vaya “calentando” los leads nuevos poco a poco, llevándolos al punto en que estén cualificados para ventas.

En el caso de la etapa, esto se mide principalmente con las interacciones con la empresa y se hace a través de herramientas de marketing y de gestión de relaciones con clientes (CRM). Por ejemplo:

• En el sitio web, tu empresa podría registrar a los visitantes que vienen desde el perfil de alguna red social; estos podrían ser leads fríos que se pueden nutrir con publicidad.

• Aquellos leads que descargan un material gratuito y se suscriben a la newsletter son leads cualificados para marketing.

• Y aquellos leads que abren los correos electrónicos de tu empresa con frecuencia son leads calientes. 

En este caso se utiliza el sitio web y una herramienta de marketing por correo electrónico. Pero esto también puede aplicarse a otras herramientas y otros tipos de contacto con los clientes. Una empresa que vende a través de visitas en persona a los clientes entrena a sus vendedores para calificar la etapa de los leads con base en comportamientos como hacer preguntas sobre el producto que muestren interés o aceptar una prueba gratis.

 

Seis pasos para hacer lead scoring

Elabora el perfil de cliente ideal

Lo primero es tener un estándar con el cual comparar a los otros clientes para poder calificarlos. Si ya tienes clientes existentes, puedes analizar sus datos para encontrar puntos en común en su demografía y comportamiento. De esta forma, tendrás información verídica de quienes te compran y cómo interactúan con tu empresa. 

Además de analizar datos, también podrías entrevistar a algunos de tus mejores clientes para entender en mayor profundidad por qué te compran y qué es más importante para ellos. Esto te permite ver partes de su psicología y comportamiento que no son tan fáciles de interpretar a partir de datos. 

Selecciona los criterios de puntuación

En este paso se extraen del buyer persona aquellos criterios que mejor identifiquen la idoneidad y la etapa de un lead. Es aquí donde seleccionas si la zona donde vive el cliente es importante, o si su cargo en el trabajo es más relevante, por ejemplo. 

Aquí también es importante determinar cómo se va a medir esa información, ya sea que tu empresa la esté midiendo actualmente o se deban establecer los sistemas para medirla de ahora en adelante. Por ejemplo, si determinas que los mejores clientes de la empresa tienen familia, tal vez deberías añadir una pregunta sutil al guion de llamadas iniciales para tratar de averiguar esa información. 

Asigna valores a cada criterio

Aquí es donde se decide cuántos puntos o cuánto porcentaje un determinado criterio suma al score total del lead. Por ejemplo, que un lead viva en Barcelona podría sumar 10 puntos, mientras que el que tenga un cargo de gestión en el trabajo podría sumar 20 puntos. En cuanto al comportamiento, suscribirse a la newsletter podría sumar 20 puntos y abrir la mayoría de los emails podría sumar 30, ya que el lead está mostrando más interés en la empresa.

Define los umbrales y categorías

En este paso toca determinar cuántos puntos debe tener un lead para ser considerado lead cualificado para marketing y cuántos debe alcanzar para pasar a ser lead cualificado para ventas. Esto depende por completo del sistema de valores que hayas asignado, ya que los criterios y valores determinan cuál es el máximo que puede obtener un lead. El más común es un sistema de 100 puntos.

Automatiza la recolección y puntuación

Realizar la recolección de datos y asignar valores de forma manual es un proceso tedioso y lento, y solo se pone más difícil conforme la cantidad de leads que tienes aumenta. Por ello se utilizan herramientas de automatización para hacerlo más rápido. Esto es especialmente importante si se utilizan distintas herramientas que no se suelen comunicar entre sí, porque trasladar datos de una a otra de forma manual es poco eficiente.

Por ejemplo, si por un lado tienes un CRM y por el otro tienes una herramienta de email marketing, necesitas una tercera herramienta que te permita tomar los datos de email marketing, trasladarlos al CRM y ajustar el score de los leads acorde. Para esto se utilizan herramientas como Zapier. 

Revisa y mejora periodicamente

Este último paso es vital porque te permite refinar el proceso y asegurar que funcione de forma correcta. Tal vez después de unos meses notes que los leads calientes no están convirtiendo tan bien después de todo, por lo que hará falta volver a los pasos anteriores y hacer ajustes al sistema de scoring hasta que los leads calientes realmente conviertan. Además, las mejoras periódicas deben continuar aún después de que el sistema quede “a punto”, porque el mercado cambia, el producto evoluciona, los clientes cambian y el proceso debe adaptarse a todo ello.

 

Limitaciones del enfoque clásico

Hasta ahora hemos estado hablando del lead scoring tradicional, aquel que utiliza como base los datos y experiencias que ya tienen las empresas y que se crea de forma manual. Este enfoque ha sido útil por mucho tiempo, pero tiene varias limitaciones que se hacen más evidentes conforme avanza la tecnología:

• Es manual y poco escalable: incluso con herramientas de automatización, el proceso de lead scoring depende de que el equipo se siente a determinar cuáles son los criterios y cuánto vale cada uno. Esto con frecuencia resulta en que se tenga un solo sistema de lead scoring para todos los productos de la empresa.

• Subutilización de datos: las personas se enfocan en datos que pueden ver e interpretar con facilidad, como los demográficos y ciertos comportamientos concretos. Pero el comportamiento humano es complejo y puede haber otros datos menos obvios que con un enfoque tradicional no se pueden aprovechar efectivamente.

• Menor capacidad predictiva: el sistema está diseñado para reaccionar al comportamiento del cliente. Es predictivo en cierta medida porque si un lead tomó una acción deseable, hay una probabilidad de que tome otra acción deseable en el futuro; sin embargo, la capacidad predictiva es muy limitada y generalmente solo sirve para predecir el próximo comportamiento y poco más.

• Menor flexibilidad: los pasos del lead scoring incluyen adaptarlo a cambios para que continúe siendo útil, pero esta flexibilidad depende de que el equipo note un cambio y reaccione acorde, lo cual hace que sea un proceso lento. 

• Desconexión entre ventas y marketing: el equipo de marketing ve una realidad del proceso y ventas ve otra realidad distinta, y esta discrepancia puede dificultar la colaboración entre ambos. Incluso con automatización, el proceso de compartir información entre equipos puede ser lento y complejo, especialmente si la estructura de la empresa refuerza una separación marcada entre ambos.

 

Del scoring manual al predictivo: IA y machine learning

Aquí es donde entran la inteligencia artificial y el machine learning para crear el lead scoring predictivo. Este tiene muchos de los elementos del lead scoring tradicional, pero agiliza el proceso con inteligencia artificial, logrando que sea más rápido, flexible y adaptativo.

El lead scoring predictivo se define como una evolución del modelo tradicional que utiliza la inteligencia artificial para analizar grandes cantidades de datos y predecir el comportamiento de los leads. La IA se entrena con datos históricos de los clientes e identifica patrones de comportamiento complejos para predecir las futuras acciones de los leads. 

El propio modelo puede generar un sistema de puntuación y etapas de los leads con base en los datos encontrados y los utiliza para calificar leads, aunque siempre con supervisión humana a lo largo de todo el proceso de entrenamiento y aprendizaje. Conforme nuevos datos van entrando, el modelo evalúa si predijo correctamente o no y ajusta las predicciones futuras. De esta forma va “aprendiendo” y mejorando en tiempo real, lo que permite un nivel de flexibilidad mayor que con el modelo tradicional. Este proceso iterativo de aprendizaje es el machine learning.

Utilizar inteligencia artificial también permite que se generen varios sistemas de lead scoring si tu empresa tiene suficientes productos diferenciados para ello. La IA tiene la suficiente capacidad de análisis para generar, mantener y actualizar diversos sistemas al mismo tiempo; esto tomaría mucho tiempo y recursos si intentara hacerse de forma tradicional. 

Finalmente, la IA lleva la automatización un paso más allá. La automatización tradicional se basa en reglas rígidas que tu equipo crea y la herramienta sigue para agilizar el proceso. Con IA, las reglas se pueden volver fluidas, adaptándose al mismo tiempo que los cambios en el sistema de lead scoring, de forma que todas las herramientas estén actualizadas en todo momento. Esto facilita que tanto marketing como ventas trabajen con la misma información.

 

Nuevas señales de intención y omnicanalidad

Uno de los cambios más importantes del lead scoring predictivo es la posibilidad de utilizar señales de intención que antes no estaban disponibles, y de integrar una mayor cantidad de canales en un solo sistema para mayor eficiencia.

Las nuevas señales de intención pueden ser, por ejemplo:

• Análisis del lenguaje natural en las comunicaciones con el cliente: la IA puede analizar emails, mensajes, formularios, llamadas y otras comunicaciones recibidas para detectar automáticamente palabras y expresiones que señalen una predisposición a comportarse de una forma determinada en el futuro. 

• Secuencia, frecuencia y duración en las que se interactúa en la web, app y otros canales: la mayor capacidad de análisis permite mayor precisión al analizar este tipo de variables y entender, por ejemplo, si que los visitantes duren más o menos tiempo en una página determinada es favorable o desfavorable, o si la secuencia en la que visitan las páginas afecta de alguna forma a la conversión.

• Timing de las interacciones: la IA va más allá de registrar la interacción en sí, ya que también puede analizar en qué momento se produjo y si coincide con eventos específicos para ver qué tan relevante es. 

Estas y otras señales siempre han existido, pero antes era más complicado y tomaba más tiempo medirlas y analizarlas. Como la IA tiene mayores capacidades y puede hacerlo más rápido, se abre todo un nuevo mundo de posibilidades.

 

Errores en lead scoring con IA

No todo es perfecto con el lead scoring predictivo, ya que la tecnología todavía es relativamente nueva; además, viene con ciertos riesgos inherentes. Entre los posibles errores o desventajas de utilizar IA, están los siguientes:

• Sobreentrenamiento: es una situación en la que el modelo aprende de datos tan específicos que no es capaz de generalizar a otras situaciones. Por ello, solo funciona bien en casos similares a sus datos de entrenamiento y da resultados erróneos el resto del tiempo. 

• Datos de baja calidad: tu empresa tiene que entregar al modelo de IA los datos que ha recolectado, pero si no ha tenido intencionalidad y cuidado en la forma en que recolecta y almacena los datos, es posible que el entrenamiento falle porque la baja calidad no permite hacer predicciones útiles.

• Falta de supervisión humana: como destacamos antes, todo el proceso de lead scoring predictivo debe darse con supervisión humana, pero a veces puede ocurrir que tu empresa confíe tanto en la IA que no considere necesario hacer esta supervisión. Como resultado, si algo va mal con el modelo, es posible que no se detecte hasta que las consecuencias negativas comiencen a aparecer.

• Subestimar el factor humano: unido al punto anterior, el análisis de datos es una gran herramienta, pero no puede sustituir el juicio de los profesionales. La IA analiza los detalles, pero las personas ven la imagen completa. Si prescinde del juicio humano, tu empresa podría encontrarse tomando decisiones fuera de contexto.

Para evitar estos errores es imprescindible entender que la IA es una herramienta para ser utilizada y que requiere de una persona que la utilice y la guíe.

 

El futuro con lead scoring predictivo

El lead scoring predictivo bien utilizado va a tener dos beneficios: optimizar el uso de recursos en marketing y ventas y predecir los ingresos de la empresa. Estos beneficios son posibles gracias a que se vuelve más sencillo implementar el account-based marketing, o marketing basado en cuentas. 

Este tipo de marketing centra la mayoría de los recursos y esfuerzos en aquellos clientes (“cuentas”) que son más rentables para tu empresa. El lead scoring predictivo puede determinar de forma más eficiente y acertada cuáles son las cuentas que más están beneficiando a tu empresa o que tienen el potencial de beneficiarla en el futuro. De esta forma, los equipos de marketing y ventas pueden centrar el tiempo y el presupuesto en esas cuentas clave y dejar de dedicarles recursos a otras menos rentables o que quizá nunca conviertan. Como resultado, los recursos de la empresa estarán mejor utilizados y los ingresos aumentarán.

Este futuro de mayor eficiencia e ingresos suena excelente, pero vale la pena resaltar una vez más que no se trata exclusivamente de IA. La experiencia humana sigue siendo parte clave del lead scoring predictivo, por lo que centrarse exclusivamente en inteligencia artificial no es probable que traiga tan buenos resultados.

Si tu empresa quiere comenzar a implementar lead scoring predictivo, es importante que tenga datos de buena calidad y que se asegure de que los profesionales de marketing y ventas supervisen y ajusten a la IA para mejores resultados. La IA por sí sola no va a lograr el futuro brillante de más y mejores ingresos.