Cómo mejorar tu modelo de lead scoring

Prácticas modernas, avanzadas y potentes de Lead Scoring

En el mundo del marketing, llevamos hablando de lead scoring desde hace ya muchos años. Sin embargo, los modelos utilizados por la mayoría de marcas no han avanzado prácticamente nada desde entonces.

Aquí va una serie de pistas para ponerle las pilas a tu sistema de lead scoring.

Implementa modelos de lead scoring “bottom-up

En este caso, bottom-up significa “desde los datos”, es decir, modelos de lead scoring generados a partir de lo que tus usuarios y clientes están haciendo realmente.

Esta es la manera más potente de generar modelos de lead scoring, porque el modelo representa fielmente cómo son y cómo se comportan los clientes, lo que a menudo nos hace descubrir insights interesantísimos para tomar mejores decisiones y mejorar nuestras ratios.

Lo contrario, los modelos “top-down” se crean a partir de lo que nosotros creemos que deberían hacer los clientes, otorgando “puntos”, “pesos” o “valores” a cada una de sus acciones.

Por desgracia, la forma “top-down” es la más habitual para crear modelos de lead scoring porque, sencillamente, la mayoría de sistemas CRM y de automatización de marketing no contemplan otra opción más avanzada y potente.

Revisa tus modelos a menudo

Independientemente de si usas el enfoque “bottom-up” (más preciso y potente) o el “top-down” (menos avanzado y menos descriptivo), debes revisar tu modelo de forma periódica para asegurarte de que siga teniendo vigencia.

Con nuestros modelos bottom-up, esto implica realimentar al motor de inteligencia artificial con los datos más recientes. Así, se vuelve a analizar el conjunto de datos completo y podemos ver si algo ha cambiado.

¿Qué cosas suelen cambiar de una ejecución a otra? Potencialmente, TODO. Solemos ver, por ejemplo, cómo cambian las características de los clientes, sobre todo en respuesta a la incorporación de nuevos canales de captación de leads.

También, cambian los comportamientos de los leads, a menudo como consecuencia de ajustes en los procesos de “marketing automation”, la incorporación de nuevos contenidos o, simplemente, cambian sin que haya un porqué evidente.

Por eso, no podemos confiar en que el modelo que definimos hace ya unos meses siga teniendo vigencia hoy.

Elige bien con qué datos vas a alimentar el modelo

En un modelo bottom-up generado mediante inteligencia artificial, la calidad de los datos de entrada determina la precisión del modelo de lead scoring resultante. Por eso, no sólo debemos asegurarnos de que el motor analítico tiene a su disposición una cantidad adecuada de datos sino que, además, debemos asegurarnos de que esos datos son relevantes para describir las características y el comportamiento de nuestros leads.

Además, es necesario alimentar el modelo con las características adecuadas. Por ejemplo, caracterizar las fechas/horas con etiquetas adicionales como “Laborable/No laborable” o “Mañana/Tarde/Noche” puede ayudar al motor de inteligencia artificial a encontrar patrones que resulten relevantes en el modelo de lead scoring.

A menudo, esto es un trabajo de análisis exploratorio que especialistas como nosotros haremos para ti. ¿Quieres saber más?

Si te interesa este tema, no te pierdas el webinar sobre Lead Scoring que tendrá lugar el miércoles 21, a las 17:00.