Financiación de vehículos: un 12 % menos en el costo por cliente (CAC) al evaluar la calidad de los leads

Un cambio sencillo en el customer journey redujo la confianza en el KPI principal

La operación adelantó la información de rechazo a los clientes a quienes el simulador de crédito ya había rechazado previamente. La decisión tenía sentido desde el punto de vista de la experiencia y de la política de crédito, pero modificó silenciosamente la lógica de lectura del embudo. De hecho, parte de los leads rechazados dejaron de pasar al operador de registro. El efecto inmediato fue una caída drástica en el volumen de leads atribuidos a los medios digitales. El dashboard comenzó a sugerir un empeoramiento del rendimiento, aunque el problema no estaba exactamente en los medios, ni en el procesamiento de los datos. Lo que se distorsionó fue la interpretación del customer journey. Los medios, el producto y el crédito comenzaron a observar el mismo fenómeno desde perspectivas diferentes. El equipo de medios veía menos leads calificados. El equipo de producto percibía un cambio en el flujo. El equipo de crédito seguía operando con sus propias reglas. Al no haber una métrica común, el ecosistema de toma de decisiones se debilitó. 

Cambiar el volumen ciego por la lectura de adhesión 

La respuesta fue desplazar el centro del análisis: pasar del volumen a la calidad de los leads. MATH estructuró una lectura integrada entre data analytics, customer journey y los datos bancarios relacionales para reconstruir la calidad del embudo tras el cambio en el simulador. En lugar de insistir en el mismo KPI, el proyecto reorientó el análisis a partir de la tasa de rechazos por campaña, convirtiendo la calidad en un criterio operativo de optimización. 

El primer frente fue técnico: combinación de datos de GA4 con datos relacionales de crédito dentro de una arquitectura en Azure Databricks, lo que permitió una correspondencia determinista entre contratos, customer journey y canales de medios. El segundo frente fue analítico: evaluación estadística de segmentos de clientes, reglas de crédito y comportamiento por campaña para identificar patrones de adhesión y generar un grupo de control. El tercer frente fue operativo: la métrica de rechazos pasó a funcionar como indicador central para recalibrar públicos, ajustar campañas y orientar decisiones de medios con mayor adhesión al negocio. 

El valor del proyecto no estuvo en generar más leads. Estuvo en lograr que la operación dejara de pagar por los leads equivocados.

Menos CAC, menos datos negativos, más precisión en el análisis del embudo de ventas

El primer resultado fue financiero: una reducción del 12% del CAC anual sin depender de un aumento de presupuesto. El segundo resultado fue de calidad: la tasa de leads rechazados bajó un 12%, lo que indica que la adquisición comenzó a adaptarse mejor a las normas de crédito. El tercer resultado fue de gobernanza: la introducción de la tasa de rechazos por campaña como nuevo eje de decisión. El cuarto resultado fue institucional: un nuevo modelo de cooperación entre departamentos que antes reaccionaban ante el mismo problema con interpretaciones diferentes.