Para que los especialistas en marketing tengan éxito con sus esfuerzos de marketing de clientes, es esencial comprender qué clientes están satisfechos, cuáles están en riesgo de abandono y cuáles presentan oportunidades de venta cruzada y adicional.
Los datos de sus clientes están llenos de pistas que le ayudarán a comprender qué clientes encajan en cada uno de estos grupos. Sólo necesitas extraer esos datos para encontrar las pistas. Suena simple, ¿verdad? No siempre ha sido así. Luego llegó la IA generativa.
Si eres como la mayoría de las personas, escucharás el término «genAI» y pensarás en la creación de contenido. Pero sus capacidades se están expandiendo y los usuarios están experimentando con más casos de uso.
Para este artículo, utilicé la aplicación de IA generativa Google Gemini para ayudarme a analizar los datos de los clientes, identificar a los clientes que cumplían ciertos criterios y recibir recomendaciones y mensajes para usar con esos clientes.
Creación de datos de clientes de muestra con Google Gemini
Antes de poder analizar los datos de los clientes, necesitaba crearlos. Creé un escenario con Gemini para esencialmente fabricar datos en una hoja de cálculo para clientes de una pequeña empresa de software B2B.
Le dije a Gemini las columnas que quería en la hoja de cálculo y proporcioné rangos para algunos de los datos para evitar que algunos clientes tuvieran ingresos de por vida varias veces más altos que otros, por ejemplo.
Las columnas que elegí crear fueron:
- Nombre de empresa.
- Número de licencias para 2003 y 2004.
- Tiempo total registrado en la aplicación (2003 y 2004).
- Tiempo medio de sesión en la aplicación (2003 y 2004).
- Valor de por vida.
- Costos de soporte al cliente (2023 y 2024).
- Costos promedio de soporte mensual (2023 y 2024).
Uno de los momentos memorables de esta parte del ejercicio fue cuando decidí agregar datos año tras año para poder realizar comparaciones. Gemini agregó valores de vida útil de 2023 y 2024 para cada cliente. Señalé que solo hay un valor de por vida y Gemini inmediatamente se disculpó por el error y lo solucionó.
En total, Gemini creó datos de muestra para 150 clientes. Aquí están los datos de muestra de ocho de ellos.
Profundicemos en los costos de atención al cliente
Puede aprender mucho analizando los costos de soporte. Los clientes con altos costos de soporte corren el riesgo de sufrir pérdidas. Y los clientes que le cuestan a un proveedor más en soporte de lo que generan en ingresos son malos negocios que deben corregirse.
Por eso mi primera consulta fue preguntarle a Gemini cuántos de los 150 clientes tenían mayores costos de soporte que ingresos. Afortunadamente ninguno de ellos lo hizo, lo cual es una buena noticia. A continuación, quería saber qué clientes tenían los costos de soporte más altos durante los dos años de datos que creamos.
Tenga en cuenta que cada año las mismas empresas tuvieron los costos de soporte más altos, lo que podría ser una anomalía en los datos de nuestros clientes, un mensaje mal entendido o podría ser una señal de un problema mayor con los clientes en cuestión.
¿Qué les digo a los clientes cuyos costos de soporte nos están matando?
Dado que Gemini es una plataforma de inteligencia artificial generativa, es más que capaz de tomar datos, analizarlos y redactar comunicaciones relevantes. Entonces le pedí a Gemini que redactara un correo electrónico para enviarlo a los clientes con altos costos de soporte, ofreciéndoles recursos para ayudar.
El borrador inicial de Gemini citaba los altos costos de soporte en el correo electrónico, que le pedí que corrigiera porque no es prudente decirles a sus clientes «¡Nos está costando una tonelada en soporte al cliente!».
El segundo borrador se acercaba más a lo que estaba buscando:
Estimado [Customer Name],
Queríamos comunicarnos con usted para expresarle nuestro agradecimiento por su continua asociación con [Company Name]. Valoramos su negocio y estamos comprometidos a brindarle el mejor soporte posible.
Para ayudarlo a aprovechar al máximo nuestros productos y servicios, nos gustaría ofrecerle acceso a capacitación y recursos adicionales. Estos pueden incluir:
[Training Course 1]: [Brief description of the course]
[Training Course 2]: [Brief description of the course]
[Knowledge Base Article]: [Link to a relevant article]
Estos recursos pueden ayudarlo a usted y a su equipo a solucionar problemas de manera más eficiente, capacitar a nuevos usuarios de manera efectiva y maximizar el valor que obtiene de nuestros productos.
Al aprovechar estos recursos, puede reducir potencialmente la necesidad de interacciones de soporte y optimizar su experiencia de soporte general.
Háganos saber si está interesado en obtener más información sobre estos recursos o si tiene alguna otra pregunta. Estamos aquí para apoyar su éxito.
Encontremos esos riesgos de abandono y solucionémoslos
Le pedí a Gemini que identificara en los datos a los cinco clientes con mayor riesgo de pérdida de clientes. Señaló que era capaz de formular hipótesis sobre qué clientes corrían mayor riesgo, pero que datos adicionales, como, por ejemplo, las tasas de abandono históricas, ayudarían a identificar los riesgos con mayor precisión.
Aquí hay una muestra de los cinco clientes que identificó como riesgos de abandono y por qué.
Identificar los riesgos de abandono es sólo la mitad (o incluso menos) de la batalla. Entonces le pedí a Gemini que me ayudara a delinear una estrategia de retención para estos clientes.
Una pregunta capciosa: ¿Quiénes son los «mejores clientes»?
A todos los que trabajan en marketing de clientes les encantaría saber cuáles de sus clientes son «los mejores clientes». Pero se necesita mucho para definir un «mejor cliente». Y, como esperaba, cuando pregunté qué clientes de nuestro conjunto de datos eran «los mejores» y por qué, Gemini me recordó que estamos trabajando con un conjunto de datos relativamente simple.
Podría hacer un trabajo aún mejor al responder la consulta, dijo, si tuviera información sobre:
- Calificaciones de satisfacción del cliente.
- Patrones de uso del producto.
- Historial de abandono.
- Referencias realizadas.
Sin embargo, Gemini intentó identificar a los mejores clientes basándose en los datos que teníamos sobre el valor de vida del cliente (CLTV), los costos de soporte y el compromiso con el producto.
Lo que aprendí de este ejercicio
Las capacidades de lenguaje natural de Gemini y otras aplicaciones genAI están mejorando. No necesitaba crear indicaciones complicadas ni pedirle a Géminis que desempeñara un papel. Simplemente le pedí que hiciera lo que yo quería que hiciera.
Sin embargo, más que escupir respuestas, Gemini agregó sugerencias útiles, como datos adicionales para nuestro conjunto de datos que serían útiles o sugerencias sobre estrategias.
Encontré que el papel de Géminis en este ejercicio es en parte simulador y en parte mentor. Estábamos utilizando datos fabricados y, si bien el ejercicio era ficticio, también era muy real. Estos podrían haber sido datos reales de clientes y los resultados y sugerencias probablemente se mantendrían. Incluso como simulación, resultó un gran ejercicio de reflexión.
Las sugerencias y áreas de mejora que ofreció Gemini fueron similares a trabajar con un mentor más experimentado. Géminis tenía razón en muchos casos. No agregué datos como puntuaciones de satisfacción del cliente, por ejemplo, ni referencias. Tampoco intenté agregar costos de adquisición de clientes. Ese es el tipo de retroalimentación que un especialista en marketing con más experiencia podría brindar en un caso como este.
Mi plan actual es conservar los datos de los 150 clientes ficticios y agregarlos. Seguiré pidiéndole a Géminis que me dé ideas y sugerencias. No puedo esperar a ver lo que aprendo en el camino.
Profundice más: conozca a mi equipo de investigación: Gemini, ChatGPT y Perplexity
