Open session Multiplica - Aprendizajes del primer Taller UX en Remoto
#Leadsday 2016 Lead scoring al servicio de la optimización de leads.
1. 1
Optimizamos la generación de Leads
& el retorno de tus campañas
Pierre-Claude BLAISE
pierre@buenlead.com
28 de Julio de 2016
2. 2
Lead scoring
al servicio de la optimización de leads
“Técnicas predictivas de cualificación de leads para una mejor gestión de los mismos y
la maximización de su conversión a clientes.”
14. 14
“Sé que la mitad de mi publicidad
es un desperdicio,
pero no se cuál mitad”
John Wanamaker
El problema de performance en Leads: invertir sin tener certeza del resultado
15. 15
Campaña
de
leads
Actividades
de
marketing
y
ventas
PUBLICO
META LEADS CLIENTES
Inversión
1 Inversión
2
Lead
Venta
Venta no
cerrada
El problema de performance en Leads: invertir sin tener certeza del resultado
16. 16
Campaña
de
leads
y
filtro
PUBLICO
META LEADS CLIENTES
Modelo
Predictivo
Baja
probabilidad
de
compra
Mediana
baja
probabilidad
de
compra
Alta
probabilidad
de
compra
Grupo
1
Grupo
2
Grupo
3
Grupo
4
Mediana
alta
probabilidad
de
compra
Potenciar
al
máximo
No
atender
o
revisar
oferta
de
valor
Lead Scoring ayuda a enfocarse en los leads con mejor propensión de éxito
17. 17
Lift de 77% en ROI
con lead scoring
Fuente : http://sherpablog.marketingsherpa.com/b2b-marketing/lead-gen/lead-scoring-tips/
Las empresas usando Lead Scoring ven rápidamente mejoras
18. 18
Una tasa de leads
calificados hasta
192% más alta
Fuente : Aberdeen Group research, 180 companies
Las empresas usando Lead Scoring ven rápidamente mejoras
19. 19
1. Tasa de conversión más alta
2. Ciclo de conversión más rápido
3. Ingresos más altos
KPIs Antes Después
Leads calificados 1,000 600
Tasa de
conversión
25% 40%
Ingreso por
venta
$50,000 $62,500
Ingresos totales $25MM $32MM
Un ejemplo numérico : venta de servicios caros (universidades, seguros…)
Fuente : xxxxxxx
20. 20
Muestra
histórico de
ventas
Modelo
estadístico
Identificación del perfil de éxito
(multivariables : canales,
productos, género, localización,
etc…)
Ciencia de datos
Machine learning
Business
intelligence
Un modelo matemático único para cada cliente.
21. 21
4 aspectos claves para
validar el modelo :
correlación, lift,
temporalidad y canal
Se prueban diferentes variables hasta llegar a un modelo con un 95% de éxito.
23. 23
¿Porque se necesitan expertos?
1. No
hay
(todavía)
una ciencia de
datos totalmente automatizada.
2. Los
datos nunca son
limpios,
por lo
que,
es necesario limpiarlos y
prepararlos.
3. Big
Data
es solo
una herramienta.
4. El
mundo académico y
empresarial son
dos
mundos diferentes.
5. Todos los
modelos pueden estar equivocados,
pero algunos son
útiles.
25. ▪ Priorizar
las
acciones
comerciales
sobre
los
mejores
leads.
▪ Adecuar
mensajes (descuentos,
promociones)
en
base
a
rating.
▪ Cualificar
y
segmentar
la
Base
de
Datos.
Acción 1
Incrementar el
número de
clientes
26. ▪ Identificar
los
perfiles
de
“éxito”
y
ajustar
campañas
de
captación.
▪ Compartir
información
con
los
proveedores
para
asegurar
mejora.
▪ Analizar
canales
y
campañas
a
priori.
Acción 2
Mejorar la
estrategia de
marketing
27. ▪ Pagar
a
los
proveedores
en
función
del
rating
del
lead.
▪ No
llamar
a
los
usuarios
no
rentables y/o
adecuar
canales.
Acción 3
Reducir costos
de marketing
28. ▪ Priorizar
clientes
por
margen.
▪ Analizar
por
margen
de
contribución.
Acción 4
Maximizar
Beneficio
29. 29
Lead scoring
al servicio de la optimización de leads
“Técnicas predictivas de cualificación de leads para una mejor gestión de los mismos y
la maximización de su conversión a clientes”