#leadsday 2016 lead scoring al servicio de la optimización de leads
TRANSCRIPT
-
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]