1
Optimizamos la generacin de Leads & el retorno de tus campaas
Pierre-Claude [email protected]
28 de Julio de 2016
2
Lead scoringal servicio de la optimizacin de leads
Tcnicas predictivas de cualificacin de leads para una mejor gestin de los mismos y la maximizacin de su conversin a clientes.
3
MINORITY REPORT
4
Julio 2016
Temporadade lluvias
5
Y si fuera posible de predecir quin te va a comprar o no, antes de
invertir tiempo y dinero ?
6
7
Generarmiles de
leads
8
Desconocemossu calidad
9
No conocemosel inters
de cada usuario
10
Estamos tratando todos de la misma forma
11
12
Desperdicioen tiempo& dinero
13
Lead scoring=
clasificacin de un lead segn su posibilidad de xito
de forma predictiva
14
S que la mitad de mi publicidades un desperdicio,
pero no se cul mitad
John Wanamaker
El problema de performance en Leads: invertir sin tener certeza del resultado
15
Campaa de leads
Actividades de marketing y ventas
PUBLICO META LEADS CLIENTES
Inversin 1 Inversin 2
LeadVenta
Venta no cerrada
El problema de performance en Leads: invertir sin tener certeza del resultado
16
Campaa de leads y filtro
PUBLICO META LEADS CLIENTES
ModeloPredictivo Baja probabilidad de compra
Mediana bajaprobabilidad de compra
Alta probabilidad de compra
Grupo 1
Grupo 2
Grupo 3
Grupo 4
Mediana altaprobabilidad de compra
Potenciar al mximo
No atendero revisar oferta de valor
Lead Scoring ayuda a enfocarse en los leads con mejor propensin de xito
17
Lift de 77% en ROIcon lead scoring
Fuente : http://sherpablog.marketingsherpa.com/b2b-marketing/lead-gen/lead-scoring-tips/
Las empresas usando Lead Scoring ven rpidamente mejoras
18
Una tasa de leads calificados hasta
192% ms altaFuente : Aberdeen Group research, 180 companies
Las empresas usando Lead Scoring ven rpidamente mejoras
19
1. Tasa de conversin ms alta
2. Ciclo de conversin ms rpido
3. Ingresos ms altos
KPIs Antes Despus
Leads calificados 1,000 600
Tasa de conversin
25% 40%
Ingreso por venta
$50,000 $62,500
Ingresos totales $25MM $32MM
Un ejemplo numrico : venta de servicios caros (universidades, seguros)
Fuente : xxxxxxx
20
Muestra histrico de
ventas
Modeloestadstico
Identificacin del perfil de xito (multivariables : canales,
productos, gnero, localizacin, etc)
Ciencia de datos
Machine learning
Business intelligence
Un modelo matemtico nico para cada cliente.
21
4 aspectos claves para validar el modelo : correlacin, lift,
temporalidad y canal
Se prueban diferentes variables hasta llegar a un modelo con un 95% de xito.
22
Que se requiere para que sea un xito?
23
Porque se necesitan expertos?
1. No hay (todava) 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 acadmico y empresarial son dos mundos diferentes.
5. Todos los modelos pueden estar equivocados, pero algunos son tiles.
24
4 accionespara aprovecharel Lead Scoring
Priorizar las acciones comerciales sobre los mejores leads.
Adecuar mensajes (descuentos, promociones) en base a rating.
Cualificar y segmentar la Base de Datos.
Accin 1
Incrementar el nmero de
clientes
Identificar los perfiles de xito y ajustar campaas de captacin.
Compartir informacin con los proveedores para asegurar mejora.
Analizar canales y campaas a priori.
Accin 2
Mejorar la estrategia de
marketing
Pagar a los proveedores en funcin del ratingdel lead.
No llamar a los usuarios no rentables y/o adecuar canales.
Accin 3
Reducir costosde marketing
Priorizar clientes por margen. Analizar por margen de contribucin.
Accin 4
MaximizarBeneficio
29
Lead scoringal servicio de la optimizacin de leads
Tcnicas predictivas de cualificacin de leads para una mejor gestin de los mismos y la maximizacin de su conversin a clientes
Pierre-Claude [email protected]