Predictive analytics en marketing: mi primer modelo de propensión a la compra
El modelo de propensión a la compra era el proyecto de IA en marketing que más había postergado porque requería una inversión de tiempo y de rigor metodológico que los proyectos de implementación operativa siempre parecían justificar mejor en las conversaciones de priorización. Lo que finalmente lo movió al tope de la lista fue una conversación con el director comercial donde preguntó, con la directness que caracterizaba sus mejores intervenciones: "¿Podemos saber de antemano qué prospectos van a comprar?" Era la pregunta que cualquier equipo de ventas haría si supiera que existe la tecnología para responderla, y que yo había estado aplazando sin razón suficientemente buena para hacerlo.
El modelo usaba 12 variables del CRM para predecir la probabilidad de cierre de cada oportunidad activa en el pipeline dentro de los próximos 30 días. Las variables incluían: número de reuniones realizadas, días desde la última actividad, presencia de propuesta formal enviada, tiempo desde el primer contacto, número de decisores identificados en el comité de compra, cargo del decisor principal, sector de la empresa, tamaño de empresa, historial de interacciones con contenido de marketing, visitas a la página de pricing en los últimos 14 días, score de calificación del lead en el momento de ingreso al pipeline y tiempo en la etapa actual del proceso.
La construcción del modelo requirió 80 oportunidades históricas cerradas como clientes y 80 oportunidades históricas que no habían cerrado, todas con los 12 campos completos, para el entrenamiento inicial. Con ese set de datos, el modelo alcanzó una precisión del 72% en el conjunto de validación. No era precisión perfecta. Era suficientemente alta para ser útil como herramienta de priorización.
El impacto en el trabajo del equipo de ventas fue en la priorización de la atención semanal. En lugar de distribuir el tiempo entre todas las oportunidades activas con criterio intuitivo, el equipo comenzó a usar la predicción del modelo como señal de prioridad, concentrando el seguimiento intensivo en las oportunidades con mayor probabilidad predicha y reduciendo la frecuencia de seguimiento en las de baja probabilidad sin abandonarlas. En el trimestre siguiente, el revenue de cierre creció un 18% con el mismo equipo de ventas y el mismo volumen de oportunidades en el pipeline, porque la atención estaba mejor distribuida según la probabilidad real de cada oportunidad.
El modelo también generó un insight inesperado sobre el proceso de ventas: las oportunidades que el modelo predecía como de alta probabilidad pero que el equipo de ventas clasificaba como inciertas solían tener una causa específica que el modelo no capturaba pero que el representante sí: una complejidad política interna en la organización cliente que hacía la decisión impredecible por razones que ningún dato del CRM podía registrar. Esos casos eran los que más se beneficiaban de la combinación del modelo con el criterio del representante.