A sofisticação do Lead Scoring com Data Science

A transição entre leads gerados pelo Marketing para o time Comercial sempre é um ponto delicado nas empresas. Com a utilização de Data Science, o processo pode ser muito mais eficaz e impactar diretamente nos resultados, como será mostrado a partir de um case da Ilumeo.

O Lead Scoring, técnica de priorização de atendimento em vendas, é uma prática de Marketing que já se tornou comum, principalmente com a difusão de metodologias como o Inbound.

Há uma série de benefícios concretos na prática, como aumento do número de vendas, do ticket médio de cada venda, do faturamento e o crescimento na taxa de conversão, uma vez que o time comercial começa a receber leads com mais propensão de compra e não queima seu tempo atendendo oportunidades frias e deixando as oportunidades quentes de lado.

Porém, os setores de Marketing e Vendas encontram dificuldades em ter um bom processo de qualificação e priorização de leads que seja prático, funcional e realmente ajude a gerar resultados. Quanto mais volume de leads, maior o desafio. É aí que a Data Science pode fazer a diferença, incrementando e deixando mais sofisticado, preciso e rápido o Lead Scoring, se valendo de automações via Machine Learning, por exemplo.

No entanto é importante citar que não é só uma questão da tecnologia. É necessário entender muito do universo de Estatística e de negócios, como Marketing, Vendas, Produto e Comportamento do consumidor, para utilizar todo o potencial de Data Science. É o que vamos ver neste case da Ilumeo com uma empresa de automóveis europeia com atuação no Brasil.

Um Lead Scoring ineficaz

A empresa em questão já trabalhava com Lead Scoring, mas comprovou-se que não era eficiente. Durante o levantamento de dados da consultoria, revelou-se que 13% dos leads que solicitavam contato não eram atendidos, nem sequer recebiam um e-mail ou uma tentativa de ligação após preencherem os formulários de contato no site.

E quando se fala em lead scoring, havia o tradicional conflito entre Marketing e Vendas. O Marketing alega que gera bons leads, mas o Comercial não tem capacidade de fechar a venda; e o Comercial alega que recebe muitos leads desqualificados.

O fato era que havia muitas fontes que levavam os leads até o início do processo de CRM da empresa: anúncios nas redes sociais, landing pages, hotsite, sites de parceiros, entre outros. Conforme o endereço mencionado pelo lead, era distribuído para as concessionárias mais próximas para o atendimento.

Então entram os grandes pontos de interrogação nas empresas, com perguntas como: quais leads são prioritários? O que fazer com cada lead quente, lead frio, lead com perfil, lead sem perfil de compra? Ligar, enviar e-mail? Quanto tempo leva para fazer um bom atendimento de cada lead? Qual a linha da conversa ter em cada contato? Acionar qual gatilho para o approach: chamar para a loja, citar bônus de descontos, encaminhar materiais por e-mail? Oferecer outros carros?

Bem, isso tudo gera um custo alto, por vezes com dezenas de pessoas contratadas apenas para fazerem essas ligações do primeiro atendimento, mesmo com um filtro de leads já implantado.

Mais ciência, menos achômetro

O Lead Scoring é uma operação que envolve processos, pessoas e tecnologia. É uma questão ampla de gestão e envolve a política interna da empresa.

Um dos pontos críticos que geralmente acarretam em problemas e não contribuem para solucionar a questão é um ranqueamento mal construído. Há muitas ferramentas ou empresas que utilizam uma lógica simples para fazer isso. Algo como: se o usuário acessou o site, ganha um ponto. Se fez o download de um material através de uma Landing Page, ganha dois pontos. Ao se inscrever em um Webinar, ganha três pontos. Então. se faz a soma dos pontos e quem tem a maior pontuação é considerado um lead quente e repassado ao time comercial.

O Co-founder e Head of Data Tech da Ilumeo, Diego Senise, explica que esse formato de lead scoring

“Não chega a ser um absurdo, mas é uma estatística simples com argumentos inconsistentes. É uma forma bem menos preditiva porque fornece pesos arbitrários para a interação do lead. Já com a aplicação de Data Science, a qualificação do lead é feita utilizando estatística multivariada, como a regressão logística por meio de Machine Learning. Preferencialmente, isso deve ser feito em tempo real, mensurando o peso de cada uma das variáveis do lead de forma estatística e não apenas pré-determinando o peso de cada um dos pontos de experiência de interação do lead”.

Ou seja: é preciso ser mais data-driven, usar mais lógica científica e menos chutômetro.

Os resultados

Redesenhar o processo do score de leads à luz da Data Science permitiu à empresa em questão uma série de benefícios em seu processo de venda. Durante o projeto, analisando de forma ampla os dados, revelaram-se pontos importantes que antes estavam escondidos em meio ao emaranhado de informações, por exemplo:

• Era preditivo de fechamento o lead que preenchia determinados campos do formulário no site e que recebia um contato via telefone em até uma hora após o envio. Os leads com mesmo perfil, mas que recebiam o contato dos consultores após uma hora, convertiam menos;

• As condições de negociação não satisfaziam a necessidade de 29% dos prospects quentes, como o valor da entrada e das parcelas e as condições do financiamento. Com isso, foi possível melhorar as condições de negociação para atender mais interessados;

• O mesmo lead que se interessava pelo carro Y, comprava o carro X em 17% dos casos. Ficou mais fácil para o vendedor ter opções durante a conversa;

• Os approachs que mais levavam os leads à concessionária após falar ao telefone com o consultor eram: “é possível negociarmos” (70% dos casos), “venha conhecer o que temos disponível” (75%), “vamos fazer um test drive” (73%);

• Os leads mais frios respondiam bem quando recebiam um e-mail automático imediatamente após o preenchimento do formulário, como se fosse um e-mail pessoal do vendedor, sem layouts ou com cara de e-mail marketing;

• Os maiores motivos para o lead esquentar eram call to actions como receber uma oferta/desconto (15%), preço da concessionária igual ao site (11%) e descobrir a forma de pagamento e financiamento (20%).

Os scores foram gerados a partir de modelagem estatística multivariada que estimou a probabilidade de conversão a partir de cerca de 50 variáveis. Além do algoritmo que gera o score automaticamente, também foram entregues conclusões para otimização de processos do Marketing e do Comercial.

A “mágica” toda está no fato de que, com a pontuação preditiva de leads, não foi preciso mais descobrir quais atributos específicos deveriam ser incluídos, levados em consideração ou como pontuar cada um deles. A atualização desses parâmetros é necessária em períodos regulares, mas o esforço é muito menor em comparação com a manutenção de uma fórmula do Excel, por exemplo.