Es posible gestionar el incremento de leads entrantes con más recursos; y esto incrementa las ventas, pero también aumenta los costos. Si usted tiene la suerte de recibir muchísimos leads sin necesidad de añadir demasiados recursos para atenderlos, esa ecuación funcionaría sin problemas. Pero, lamentablemente, eso no ocurre en la mayoría de las empresas. De hecho, tienen grandes dificultades para reunir la cantidad suficiente de leads de calidad y aumentar el índice de conversión.

Seguramente recuerde el estudio de Lead Management Research del Dr. James Oldroyd (MIT) que, si bien tiene ya algunos años, sigue siendo muy vigente. El estudio indica que, si una empresa intenta contactar a una persona por teléfono dentro de los cinco minutos después de que envió una consulta por la página web, la probabilidad de que lo atienda es 100 veces mayor que si lo contacta 30 minutos después. La probabilidad de que un lead entre en el ciclo de ventas es 21 veces mayor si se lo contacta dentro de los 5 minutos en vez de a los 30 minutos. No obstante, el estudio concluye que, si se intenta contactar al cliente potencial transcurridas las 20 horas, las probabilidades de que lo atienda son muy bajas. Contactar a los leads lo antes posible para ayudarlos a encontrar la información que necesitan o a concluir el proceso de compra es mucho más eficaz que intentar comunicarse con ellos más tarde o de manera imprevista. A las empresas, sin embargo, les resulta muy difícil asignar los recursos de venta que necesitan porque, entre otras cosas, también deben considerar los costos que ello implica.

Imagine, por un momento, que su equipo de ventas puede comunicarse con los leads calificados en tiempo real. Si bien contactar a todos resulta imposible y a menudo es innecesario, es muy valioso ofrecer ayuda a quien está dispuesto a comprar, a quien tiene dudas o alguna pregunta o a quien necesita asistencia.

A continuación, presentamos tres formas de utilizar los modelos predictivos para evaluar y comprender el comportamiento y, en última instancia, aumentar el índice de conversión.

  1. Utilizar la función “Leads by Outcome Scores”

Considerar a los leads teniendo en cuenta la probabilidad de que alcancen un objetivo determinado (outcome scores) ayuda al equipo de Inside Sales a captar, clasificar y calificar a los clientes potenciales de manera automática, para luego priorizarlos sobre la base de las predicciones realizadas a través de la inteligencia artificial (IA) y el machine learning. Con esas predicciones, la empresa puede asignar una calificación a las personas que visitan su página web según la probabilidad que tienen de alcanzar el resultado que buscan o el objetivo específico por el cual visitaron la página. De esta forma, se identifican no solo las conversiones reales, sino también las que estuvieron muy cerca de concretarse, lo cual es igualmente valioso, ya que los equipos de Inside Sales o de desarrollo de leads pueden comunicarse con estos últimos a través de un chat o un llamado, o de un correo electrónico o publicidad específica que se adecue a lo que están buscando.

El motor de inteligencia artificial rastrea todos y cada uno de los journeys de los clientes potenciales. Luego, siguiendo un mapa de acciones, los contacta en forma automática para hacerles la oferta que más se adecua a sus necesidades, o bien involucra al representante de ventas indicado para ayudarlos en tiempo real a través del canal que desean. Esto sucede cuando la probabilidad de conversión es muy alta, de modo de no perder nunca a un buen cliente potencial.

  1. Comprender la función “Leads by Outcome Socres”

Esta pantalla muestra la cantidad de visitas a un sitio web, en un rango de fechas, de aquellas personas que iniciaron su journey hacia un objetivo específico. La lista se ordena según la probabilidad máxima que se asigna a cada cliente potencial a través de los algoritmos de machine learning.

La columna “Outcome Scores” muestra la calidad real de los leads. La parte verde de la barra muestra la probabilidad actual de que logren el objetivo específico. Algunos de ellos tendrán una parte roja en la barra que indica que, antes de que abandonaran el sitio web, hicieron algo (vieron páginas, hicieron búsquedas, llenaron formularios, etc.) que redujo su probabilidad de alcanzar el objetivo determinado. La longitud de la barra representa la probabilidad máxima que alcanzó ese cliente en relación con el objetivo deseado.

En función de la calificación real obtenida, se definen determinadas acciones, como pantallas emergentes con la mejor oferta según los datos contextuales del journey del cliente potencial o una oferta a través de un widget (chat, callback, correo electrónico, etc.). De esta manera, se contacta a los clientes en tiempo real cuando la probabilidad de compra es la más alta.

Es posible filtrar los datos de esta pantalla por los datos del cliente —nombre, organización, ubicación, customer personas y fecha— o exportarlos a un archivo CSV para ser analizado fuera de línea o establecer acciones de seguimiento.

  1. Comprender lo que hay detrás de cada objetivo

La tecnología de machine learning crea la pantalla “Leads by Outcome Score” con el fin de analizar el comportamiento del cliente y alcanzar un objetivo específico en un período de tiempo. Detrás de cada objetivo, hay un modelo predictivo que puede ser utilizado por el motor de IA para predecir el comportamiento de los clientes potenciales en tiempo real.

Este modelo tiene un mecanismo de aprendizaje que es utilizado por el motor de IA para analizar y comprender el comportamiento del cliente en relación con el objetivo fijado. El modelo se actualiza periódicamente para incorporar los comportamientos nuevos y para analizar las tendencias de uso de los sitios web.

El sistema de machine learning se va perfeccionando y retroalimentando con el tiempo mediante la comparación continua de los objetivos alcanzados con los previstos. Esto permite una mayor eficiencia en el proceso de calificación de leads, menores tiempos de interacción, más volumen de leads calificados y menor costo de ventas.

Si desea obtener más información, visite la página de recursos sobre ventas digitales y retención.


Tibor Vass

Tibor Vass es el director global de Estrategia de Soluciones de Automatización Empresarial de Genesys. Tiene más de 15 años de experiencia en consultoría estratégica y gestión de operaciones de TI y telecomunicaciones, entrega de servicios a nivel mundial, y operaciones de datacenters claves para el negocio. Es responsable del área de Automatización Empresarial entre plataformas a nivel mundial, que incluye estrategia corporativa y soporte de ventas, consultores y socios, hoja de ruta de desarrollo de soluciones y cumplimiento de los KPI de ventas globales entre distintos verticales. Antes de ingresar en Genesys en 2011, fue director de desarrollo de negocios y asesor ejecutivo de empresas internacionales en los sectores de TI y telecomunicaciones.