Ahorra más de 40 horas al mes filtrando bases de datos B2B con precisión usando Inteligencia Artificial

Desafíos de Precisión con las Bases de Datos B2B

Como una agencia que se dedica a la generación de leads B2B, el targeting es esencial para el éxito de nuestras campañas.

Las bases de datos B2B que se utilizan para hacer prospección en frío tienen filtros muy poco precisos, especialmente si haces cold email en español.

El gran problema que existe en la prospección B2B es que los filtros de las industrias en las bases de datos tienen de un 30-40% de exactitud, dependiendo del nicho en el que se encuentre tu cliente ideal.

Esto quiere decir que si estás basando tu prospección en filtros de industrias y sacas una lista de 1,000 personas, solo 300-500 van a formar parte de tu público objetivo, el resto nada que ver.

Caso de Estudio: Superando Errores de Targeting en la Prospección B2B con IA

Por ejemplo, nosotros tenemos un cliente que vende un software que ayuda a empresas fabricantes y distribuidoras a optimizar su inventario. Pero ninguna base de datos tiene filtros tan específicos de "fabricantes" o "distribuidores". En su lugar, usan categorías generales como "food & beverages", "wholesale", "chemicals","electrical/electronic manufacturing", etc.

Además, aunque una empresa fabrique, comercialice o distribuya un producto, no siempre va a ser aplicable la solución de nuestro cliente, ya que no todas las empresas pueden tener control sobre su inventario.

Por ejemplo, una empresa que vende carne o una empresa que se dedica a la pesca realmente no puede optimizar la gestión de sus inventarios con el software de nuestro cliente.

Cuando nosotros usábamos los filtros de las bases de datos, nos dimos cuenta de que solo el 30-40% de los leads scrapeados eran realmente nuestro target.

Los errores se debían principalmente a que en las categorías de industrias que buscábamos a los leads de Goldfish, había empresas que no tenían nada que ver con ese rubro.

Por ejemplo, en la industria de "chemicals", donde tradicionalmente debería haber empresas que fabrican productos químicos, había laboratorios de análisis y empresas que ofrecen servicios de limpieza a plantas industriales.

En la industria de "food & beverages", pasaba lo mismo, ya que no solo había empresas que fabrican alimentos o los distribuyen, sino que también había empresas que se dedican a brindar servicios de alimentación a empresas, lo cual no tiene nada que ver con el target de nuestro cliente.

Durante mucho tiempo para manejar estos errores teníamos que checar cada empresa de manera manual pero nos dimos cuenta de que era totalmente insostenible.

A continuación, puedes ver una solución interna que desarrollamos para checar empresas manualmente de una manera más eficiente.

Haz click aquí o en la imágen para ver un vídeo de loom para ver cómo funcionaba la solución.

Desarrollo del Modelo de IA en Python: Desglose Técnico

Paso 1: Crear el "Prompt"

Usé la función de voz de ChatGPT para explicarle el perfil detallado de nuestro cliente ideal. Le pedí al modelo que, dada la descripción y la industria de una empresa, determine si cumple ciertos criterios, como ser fabricante/distribuidor, manejar inventario, etc., y también que excluya otros tipos de empresas que no aplican para el target de Goldfish.

El prompt que definimos fue el siguiente:

"Given the following description of a company {{description}} and their industry which is {{industry}} determine if the company manufactures or sells physical products and has a significant, manageable inventory. Exclude companies that produce large industrial products or systems, like heavy machinery or water systems, as they do not have traditional inventory control needs that align with the solution. Also, exclude companies offering manufacturing as a service, printing companies, companies that provide food services, companies that sell doors and access control, companies that are focused on installation services, those engaged in on-demand or custom manufacturing without an inventory, service-based companies, and in the food industry, companies dealing with highly perishable items. However, include companies that manufacture or sell smaller industrial products with a high volume of SKUs, as they are likely to have inventory control needs.

The output should ONLY be “Good Fit” if the company is not excluded otherwise your output should be “Bad Fit”, do not explain the reason for your choice."

El rol que le dimos al LLM para correr este prompt fue decirle: "Imagine you're an SDR assisting me to filter B2B databases for my cold email outreach."

--

Paso 2: Limpiar las descripciones antes de correr el Prompt.

Antes de correr el prompt, hice una limpieza de las descripciones que le íbamos a alimentar al modelo. Esto consiste en eliminar espacios, caracteres especiales y otra información irrelevante en las descripciones de las empresas para reducir los "tokens" que luego procesa el modelo de IA y así evitar que el programa consumiera demasiados API Credits.

La razón por la que hacemos esto es porque, a diferencia de nosotros, los LLM como Chat GPT no leen el texto como un humano, sino que lo descomponen en unidades llamadas tokens para luego convertirlos a un formato numérico.

Por ejemplo, la frase "Somos una agencia de Marketing" la puede descomponer en tokens individuales de la siguiente manera: ["Somos", "una", "agencia", "de", "marketing"].

Luego, cada uno de estos tokens es mapeado a un número basado en el vocabulario que el modelo aprendió durante su fase de entrenamiento.

Por ejemplo, a "Somos" se le puede asignar el número 101, a "una" el 102, y así sucesivamente. De esta manera, la frase completa se convertiría en una secuencia numérica, como [101, 102, 103, 104, 105].

A continuación, puedes ver el código que usamos para la limpieza de datos.

Paso 3: Desarrollar el Programa en Python

Escribí un script en Python que se conecta con la API de OpenAI para ejecutar el modelo. Usé la librería Pandas para cargar el dataset de más de 1000 empresas e iterar empresa por empresa, aplicando el prompt que creamos. El programa clasifica cada empresa como 'Good Fit' o 'Bad Fit'.

Para poder ejecutar este programa, elegí usar GPT-4 en lugar de GPT-3 porque requeríamos cierto razonamiento avanzado al evaluar cada empresa según múltiples criterios y excepciones. GPT-4 tiene más capacidad para este tipo de tareas.

El primer paso de este programa fue cargar las librerías necesarias, leer el dataset que contiene las descripciones de las empresas y configurar nuestras API Keys.

Luego, lo que hicimos fue definir una función para poder recibir las respuestas de GPT-4 a partir de las descripciones, asignándole el rol que habíamos comentado anteriormente.

Después de haber preparado el entorno y definir la función para interactuar con GPT-4, el código sigue los siguientes pasos:

1. Extraer descripciones únicas: Para evitar procesar la misma información varias veces y gastar nuestros API Credits, extraemos las descripciones únicas del dataset. Si una empresa aparece dos veces, solo vamos a leer la descripción una vez.

2. Iteración y filtrado: Verificamos que esta empresa no tenga una respuesta previa y, si no la tiene, continúa con el análisis.

3. Generación de prompts: Reemplazamos los placeholders del prompt {{industry}} y {{description}} con los de cada empresa para luego mandarlo a GPT-4.

4. Obtención de respuesta: Después de haber enviado el prompt a GPT-4, recibimos la respuesta para cada empresa.

5. Actualización del dataset: Guardamos las respuestas obtenidas en una nueva columna del dataset llamada "Account Score".

6. Control del Uso de la API: Agregamos una pausa de 10 segundos entre cada iteración para no exceder los límites de uso de nuestra API.
   
   

La Clasificación en acción

A continuación te voy a dar algunos ejemplos de empresas que clasificamos usando este modelo.

Empresa 1: Una Mal Target

Descripción: "X" es una empresa que se ha distinguido como líder en su ramo por el desarrollo y aplicación de tecnología propia en materia de servicios alimenticios a nivel institucional, ya que gracias a su trayectoria se mantiene sólidamente a la vanguardia del mercado nacional, y en franca posición de crecimiento para cubrir nuevos mercados en el Bajío. Más de quince años de experiencia respaldan sus actividades y nos permiten ofrecer una gran variedad de menús que cumplen con las necesidades nutricionales de los comensales que atendemos, al elaborar alimentos bajo estrictas normas de higiene, calidad, presentación y servicio.

Industria: food & beverages

Respuesta del Modelo: El modelo clasificó a esta empresa como "Bad Fit" debido a que se dedica dar servicios de alimentación, no a producir alimentos.

Empresa 2: Un Buen Target

Descripción: Descubre la moda para mujeres en "X", líder en ropa de dama mayorista. Ofrecemos un servicio excepcional y contamos con tiendas en línea.
Realizamos envíos a todo México. Únete a nuestra comunidad #fashion y visita nuestro Showroom.
¡Encuentra las últimas tendencias y disfruta de la moda con nosotros!

Industria: apparel & fashion

Respuesta del Modelo: El modelo clasificó a esta empresa como "Good Fit" debido a que la solución de nuestro cliente sí sería aplicable para ellos.

Empresa 3: Un Caso Especial

Descripción: "X" is a manufacturer of custom seating and upholstered products. It is our mission to meet the needs of our customers through Service, Excellence, and Stewardship. Our flexible manufacturing capabilities make us a great fit for companies looking for short lead times, product customization, competitive pricing, and excellent customer service. We serve many different industries. Please check out our different product pages to see how we can serve your needs.

Industria: retail

Respuesta del Modelo: El modelo clasificó a esta empresa como "Bad Fit" ya que, aunque se dedica a la fabricación, como es a la medida, la solución de nuestro cliente no es aplicable.

Impacto y Efectividad de la Solución de IA

El resultado final es un programa que puede categorizar empresas de forma precisa con una efectividad del 95%, para luego utilizar esos leads en campañas de cold email a escala.

De esta manera, la Inteligencia Artificial nos permite superar las limitaciones de los filtros imprecisos en las bases de datos B2B al aplicar una comprensión más profunda sobre las empresas y sus características.

¿Tú también quieres usar IA en tu prospección para poder escalar tus campañas de Cold Email? Haz click para agendar una reunión con nosotros.