El análisis predictivo utiliza datos históricos y modelos estadísticos o de aprendizaje automático para estimar lo que es probable que suceda a continuación, como qué clientes comprarán, abandonarán o responderán a una campaña. Para los profesionales del marketing, ahorra tiempo cuando se ejecuta como un flujo de trabajo repetible: definir la pregunta, preparar los datos, crear o activar un modelo, enviar las puntuaciones a las herramientas que la gente ya utiliza, actuar sobre ellas y comprobar los resultados frente a la realidad.
¿Qué puede hacer el análisis predictivo por el marketing?
La mayoría de los usos en marketing se agrupan en unas pocas categorías.
- Propensión a la compra: la probabilidad de que un usuario compre en un periodo determinado.
- Predicción de abandono: el riesgo de que un cliente o suscriptor se vaya.
- Puntuación de clientes potenciales (Lead scoring): la posibilidad de que un cliente potencial se convierta en una oportunidad o una venta.
- Valor de vida del cliente: ingresos esperados de un cliente a lo largo del tiempo.
- Previsión de la demanda: ventas o tráfico esperados por semana o producto.
Muchas herramientas ofrecen esto ahora sin necesidad de trabajo de ciencia de datos. GA4 proporciona métricas predictivas como la probabilidad de compra, la probabilidad de abandono y los ingresos previstos cuando se cumplen los umbrales de elegibilidad. HubSpot, Salesforce Einstein, Klaviyo y las aplicaciones conectadas a Shopify ofrecen puntuaciones predictivas. BigQuery ML y Vertex AI permiten a los equipos con conocimientos de SQL crear sus propios modelos.
Flujo de trabajo 1: audiencias predictivas en GA4
Este flujo de trabajo es adecuado para empresas de comercio electrónico y aplicaciones que ya utilizan GA4.
- Comprobar la elegibilidad: GA4 necesita suficientes usuarios que compren y abandonen durante un periodo reciente antes de que aparezcan las métricas predictivas.
- Confirme que los eventos de compra y los valores se rastrean correctamente, incluida la moneda.
- En Admin, abra Audiencias y cree una a partir de las plantillas predictivas sugeridas, como “probables compradores de 7 días”.
- Vincule GA4 a Google Ads para que la audiencia pueda utilizarse en las campañas.
- Utilice la audiencia para pujas de remarketing o exclusiones, por ejemplo, excluyendo a los “probables usuarios que abandonan en 7 días” de la prospección costosa.
Revise el tamaño de la audiencia semanalmente al principio. Una audiencia pequeña puede no servir anuncios de forma eficiente, y los umbrales detrás de las métricas predictivas los establece Google, no usted.
Flujo de trabajo 2: puntuación de clientes potenciales en un CRM
Los equipos B2B suelen empezar aquí, porque el tiempo de ventas es caro.
Pasos
- Exporte los acuerdos cerrados y los clientes potenciales perdidos de los últimos 12 a 24 meses.
- Enumere los campos que se conocían cuando llegó el cliente potencial: tamaño de la empresa, sector, fuente, páginas visitadas, respuestas a formularios.
- Active la puntuación predictiva del CRM, como la probabilidad de cierre de HubSpot o Einstein Lead Scoring, o entrene un modelo sencillo en BigQuery ML.
- Compruebe los factores principales que utiliza el modelo y elimine cualquiera que filtre el resultado, como un campo que solo se rellena después de una venta.
- Establezca bandas de puntuación y enrutamiento: las puntuaciones altas van a ventas el mismo día, las puntuaciones medias a nutrición, las puntuaciones bajas a contenido automatizado.
Mantener al equipo de ventas a bordo
Comparta ejemplos de clientes potenciales con puntuaciones altas y bajas con el equipo de ventas antes del lanzamiento. Si los representantes no confían en la puntuación, la ignorarán. Acuerde una revisión después de un trimestre utilizando las tasas de conversión reales por banda.
Flujo de trabajo 3: prevención de abandono para suscripciones
- Defina el abandono claramente, como “sin pedidos en 90 días” o “suscripción cancelada”.
- Cree o active una puntuación de abandono en su plataforma de correo electrónico o CRM.
- Cree tres segmentos: riesgo alto, medio y bajo.
- Planifique una acción diferente por segmento, desde una llamada personal para cuentas de alto valor y alto riesgo hasta un correo electrónico de recordatorio ligero para las de bajo riesgo.
- Mantenga un grupo de control aleatorio que no reciba ningún tratamiento especial, para que pueda medir si las acciones reducen el abandono.
El grupo de control es el paso que la mayoría de los equipos se saltan, y sin él no hay pruebas de que el flujo de trabajo funcione.
Flujo de trabajo 4: previsión de la demanda para presupuestos de medios
Las previsiones ayudan a planificar presupuestos para picos como el Ramadán, el Black Friday o la temporada de viajes de verano.
- Recopile al menos dos años de datos semanales de ventas, tráfico y gasto.
- Utilice un método de previsión como ARIMA_PLUS de BigQuery ML, Prophet o una función de previsión de hoja de cálculo para una primera vista.
- Añada eventos conocidos: días festivos, lanzamientos, cambios de precios.
- Compare la previsión con los datos reales cada semana y anote las grandes desviaciones.
- Ajuste los presupuestos de medios antes de los picos previstos en lugar de reaccionar después de ellos.
¿Cómo comprueba que las predicciones son correctas?
Los modelos se desvían a medida que cambian los mercados y el comportamiento. Una lista de verificación sencilla los mantiene honestos.
- Compare los resultados previstos y reales por banda de puntuación cada mes.
- Realice un seguimiento de una métrica de elevación: cuánto mejor convierte la banda superior que la media.
- Vuelva a entrenar o comprobar los modelos después de cambios importantes, como un nuevo plan de precios.
- Mantenga un grupo de control para cualquier acción automatizada.
- Documente las fuentes de datos y las definiciones para que otros puedan auditarlas.
Cómo aplica Alien Road el análisis predictivo
En los proyectos de optimización de IA, Alien Road comienza con el descubrimiento: qué decisión quiere mejorar el cliente y qué datos existen ya en GA4, el CRM, la plataforma de comercio electrónico o las cuentas publicitarias. La pregunta siempre va antes que el modelo.
La configuración suele comenzar con funciones integradas, como las audiencias predictivas de GA4 o la puntuación de CRM, porque son rápidas de probar. Cuando el cliente tiene suficientes datos y una necesidad clara, creamos modelos personalizados en BigQuery con el equipo de análisis del cliente. Las puntuaciones se envían a las herramientas que la gente utiliza todos los días: plataformas publicitarias, herramientas de correo electrónico y el CRM.
La medición se basa en grupos de control y la elevación por banda de puntuación. Los informes mensuales muestran si las predicciones coincidieron con la realidad, qué acciones se tomaron y qué devolvieron. Si un modelo deja de añadir elevación, lo decimos y lo arreglamos o lo retiramos.
¿Qué problemas de calidad de datos rompen las predicciones?
Las predicciones heredan todos los defectos de los datos. Los registros de clientes duplicados dividen a un comprador en dos perfiles más débiles. Los valores de compra faltantes hacen que los clientes de alto valor parezcan promedio. La configuración de consentimiento y los bloqueadores de anuncios eliminan parte de los datos web, por lo que el modelo aprende de una muestra sesgada. Antes de confiar en cualquier puntuación, dedique una hora a comprobar duplicados, campos vacíos y lagunas de seguimiento en las tablas de origen.
Por dónde empezar esta semana
Elija una decisión que le cueste tiempo a su equipo, como a qué clientes potenciales llamar primero o a qué clientes dirigirse con una oferta de retención. Compruebe si sus herramientas actuales ya ofrecen una puntuación predictiva para ello; muchas lo hacen.
Actívelo para un segmento de prueba, mantenga un grupo de control y compare los resultados después de cuatro a ocho semanas. Un flujo de trabajo pequeño y medido le enseñará más que un modelo grande que nadie utiliza.
Siga leyendo: Optimización con IA · Optimización con IA