Saltar al contenido
Contate-nos

Lead Scoring: inteligencia predictiva para eficiencia de captación

Gemini_Generated_Image_afaup8afaup8afau-1

Sector

Educación

Desafío

La operación comercial gestionaba un gran volumen de oportunidades sin suficiente priorización, incluyendo leads provenientes de eventos e interacciones con bajo potencial académico. Se elevaba así el costo operativo, era difícil escalar la atención y la comunicación quedaba limitada a una lógica masiva.

Resultados

El proyecto validó un modelo en el que el 95 % de los clientes potenciales clasificados como de alta propensión se convirtieron efectivamente en la etapa crítica del embudo de ventas. También aumentó la capacidad de filtrar el ruido en la base de datos y dirigir los recursos comerciales y de CRM hacia los contactos con mayor probabilidad de generar ingresos.

Producto clave

lead scoring, CRM

95%
Conversión de los leads clasificados como de alta propensión en el fondo del embudo de ventas.
94%
Precisión en el deploy de inscritos para matrícula
61%
Precisión en la identificación de leads que avanzarían hacia la inscripción

"El tema clave no era aumentar la presión comercial, sino saber dónde existía una probabilidad real de matrícula antes de consumir energía por parte de la operación."

Directora de Captación y CRM

Educación

Gemini_Generated_Image_afaup8afaup8afau

Contexto

La operación pertenece a un grupo del sector de enseñanza superior con alto volumen de leads, múltiples orígenes de adquisición y fuerte dependencia de CRM. Sin una lectura de propensión, la operación comercial tiende a centrar esfuerzos en contactos de bajo valor. La operación recibía contactos de distintas fuentes, a partir de campañas, eventos e interacciones como login de Wi-Fi, atribuyéndoles un peso similar, incluso cuando la intención de participación académica era baja o inexistente.

Cuando el embudo de ventas crece más rápido que la inteligencia sobre este

El costo del modelo se reflejaba en el esfuerzo humano, dado que el equipo necesitaba dedicar muchas horas a contactos improductivos. Se mostraba también en la fragmentación de los datos y en la poca precisión de la priorización existente. El cuello de botella no estaba en atraer más personas al embudo de ventas, sino en encontrar la señal comercial real dentro de una base con mucha interferencia.

Modelos para separar la intención del volumen

MATH estructuró una solución de lead scoring en dos etapas. La primera se destinaba a calificar la transformación de leads en alumnos inscritos (parte superior y media del embudo). La segunda se centraba en la etapa crítica entre la inscripción y la matrícula. Se probaron distintos algoritmos y los mejores desempeños surgieron a partir de XGBoost, LightGBM y CatBoost. El proyecto avanzó en ingeniería de características, o feature engineering, incorporando variables comportamentales (intensidad reciente de navegación, recencia de interacción y tiempo entre apertura de correos). La arquitectura se integró con Salesforce Marketing Cloud y Databricks, con dashboards de monitoreo continuo.

Qué empezó a valer más que el volumen

 En el modelo de inscritos para la matrícula, un 94,02% de precisión en el deploy significaba que el 95% de los leads clasificados con alta propensión de hecho se convertían. En el modelo de leads para inscripción, la precisión del 61% permitió filtrar una parte relevante del ruido. La confianza en los modelos permitió que la dirección del grupo pasara de los mensajes en masa a un uso más selectivo del CRM. La base pasó a ser gestionada en tres grupos de propensión: alta, mediana y baja. 

¿Tu empresa sigue tratando a todos los clientes potenciales como si tuvieran el mismo valor?

 Converse con nuestros especialistas