Rompiendo paradigmas sobre las campañas de Cold Email

La idea de que las campañas B2B de alto volumen sacrifican la precisión ya es obsoleta. Con la llegada de la inteligencia artificial, ahora es posible realizar un outreach a escala con una precisión excepcional, minimizando o eliminando por completo los errores de targeting. Este artículo explora cómo la IA permite ejecutar campañas a gran escala, alcanzando el mismo nivel de precisión que se obtendría al revisar meticulosamente una lista de 100 personas de forma individual, pero a una escala significativamente mayor.

Desmitificando conceptos erróneos sobre las campañas de alto volumen

Muchas personas que se dedican a las ventas B2B que el hacer campañas de Cold Email donde contactes a más de 1,000 personas mensuales equivale a spam. Este mito surge de la percepción errónea de que las campañas masivas carecen de calidad y precisión, una noción que ya no se ajusta a la realidad actual.

La segmentación impulsada por IA desafía esta percepción, ya que nos permite realizar una calificación de cuentas a escala, analizando exhaustivamente las descripciones de empresas y evaluándolas con base en criterios de segmentación específicos. Este proceso es comparable a contar con un asistente virtual que examina meticulosamente cada empresa para asegurarse de que cumpla con ciertos criterios de targeting, pero a una escala exponencialmente mayor. Mientras que un ser humano podría invertir horas analizando miles de empresas y cometer errores debido al cansancio, la IA ejecuta esta tarea en cuestión de minutos y con una gran precisión.

La realidad es que las campañas impulsadas por IA pueden lograr una precisión del 95% o más. Esto significa que puedes contactar a 1,000 empresas con la misma exactitud que si estuvieras revisando manualmente solo 50. La clave está en saber cómo usar la IA para automatizar y escalar el proceso de scoring de cuentas sin comprometer la calidad.

Limitaciones de los Filtros Tradicionales de Bases de Datos B2B

Los filtros tradicionales de bases de datos B2B suelen quedarse si quieres tener un targeting preciso. Por ejemplo, los filtros de industria a menudo contienen errores y clasifican incorrectamente a las empresas. Un caso típico es cómo una empresa que ofrece un software de punto de venta se categoriza bajo "retail" simplemente porque atiende a empresas en esa industria.

Además, estos filtros no pueden manejar criterios de segmentación complejos. No existe un filtro claro para identificar empresas "B2B" en diversas industrias, o compañías con modelos de negocio específicos, como aquellas que ofrecen servicios recurrentes.

Por ejemplo, si utilizas los filtros de una base de datos para buscar startups tecnológicas y empleas palabras clave como "SaaS", "platform" y "software", junto con filtros de industrias como "information technology", encontrarás que entre el 40-50% de los resultados son empresas de desarrollo de software o consultoras de TI. Por lo tanto, aunque el uso de palabras clave combinadas con filtros de industria es un punto de partida útil, para lograr una segmentación verdaderamente precisa se requiere un enfoque más sofisticado y avanzado.

Datos Clave para el Scoring de Empresas con IA

Para evaluar eficazmente empresas con IA, se requiere una descripción clara y exhaustiva de cada una. Es crucial no depender exclusivamente de descripciones proporcionadas por plataformas como LinkedIn o bases de datos B2B. Estas descripciones suelen ser ambiguas o estar repletas de lenguaje abstracto que puede confundir a la IA, resultando en un scoring incorrecto. Por ejemplo, una empresa dedicada a la venta de dispositivos médicos podría tener en su descripción "Revolucionando la salud de las personas". Con una descripción tan vaga, ¿cómo se espera que la IA comprenda  a qué se dedica esta empresa?

Para superar este desafío, el uso de herramientas de web scraping como Claygent es fundamental. Claygent tiene la capacidad de acceder a múltiples fuentes en línea para generar una descripción precisa y detallada de las actividades de una empresa. Simplemente proporcionando el perfil de LinkedIn de la persona, el nombre de la empresa, su ubicación, sitio web y perfil de LinkedIn corporativo, Claygent puede crear una descripción concreta y relevante, evitando así las descripciones genéricas que carecen de valor.

A continuación te compartimos el prompt de Claygent que usamos para generar las descripciones.

Cómo Crear Prompts Efectivos para el Scoring de Cuentas con IA

Para poder crear prompts efectivos para el scoring de cuentas con IA, debemos seguir varios principios clave. En primer lugar, es fundamental utilizar siempre un sistema de puntuación numérica, preferiblemente en una escala de 1 a 100, en lugar de pedirle a la IA una respuesta de sí/no. La razón por la cual es mejor elegir una escala numérica es porque al limitarlo solo a un sí o un no no estamos tomando en cuenta casos complejos de empresas que podrían ser un buen fit pero no estamos 100% seguros y la única manera de determinarlo sería contactándolos.

Define claramente tus criterios para el scoring en el prompt tal como le explicarías a una persona el perfil ideal de tu cliente y dale a la IA instrucciones detalladas sobre qué características definen a un buen prospecto. Nunca asumas que la IA puede leer tu mente y determinar lo que tú piensas que es un buen prospecto sin explicarle claramente. Si deseas realizar un scoring efectivo, debes definir meticulosamente el perfil de tu cliente ideal y evitar evaluar cuentas basándote simplemente en tu gut feeling. Por ejemplo, si quieres hacer un scoring para saber qué tan probable es que una empresa sea B2B, explícale a la IA qué es una empresa B2B y cuáles son sus características.

El system prompt es crucial para definir el comportamiento de la IA. Esto establece el tono de cómo la IA abordará la tarea. Un system prompt bien elaborado ayuda a la IA a comprender el contexto específico de tu negocio, las expectativas de calidad y los criterios de evaluación relevantes. Al definirlo meticulosamente, puedes guiar a la IA para que produzca análisis más precisos y útiles. La estrategia óptima para definir el system prompt es describir el tipo de persona ideal que te gustaría que llevara a cabo esta tarea de evaluación de cuentas. Por ejemplo, podrías especificar que sea una persona meticulosa, experta en cierto tema y que además se tome el tiempo de razonar.

Para criterios de segmentación más complejos, podemos usar lo que se llama "prompt chaining". En lugar de intentar incluir todos los requisitos en un solo prompt, se crea una serie de prompts que aborden cada criterio específico. Este enfoque permite una puntuación más precisa y eficiente.

Por ejemplo, en nuestro caso particular tenemos varios prompts: primero, uno para determinar la probabilidad de que una empresa sea B2B; luego, otro prompt para excluir empresas que van dirigidas a cierto público objetivo como médicos, restaurantes, entre otros; y finalmente, otro prompt para excluir empresas que tienen ofertas B2B como control de acceso, consultoría en sustentabilidad, entre otras.

Como puedes observar, este criterio de segmentación es bastante complejo, y si incluyéramos todo esto en un solo prompt, probablemente no obtendríamos mucho éxito.

Automatizando la Segmentación Precisa con Clay

Implementar la segmentación con IA se puede automatizar fácilmente utilizando herramientas como Clay. El proceso comienza creando una nueva tabla en Clay y subiendo un archivo CSV que contenga los datos esenciales de las empresas. Estos datos deben incluir el nombre de la empresa, país, perfil de LinkedIn de un tomador de decisiones, sitio web y la página de LinkedIn de la empresa.

Luego, agregamos un enrichment con Claygent para generar descripciones detalladas de las empresas. El prompt para Claygent debe indicarle que investigue la empresa en múltiples fuentes y compile una descripción concisa de lo que hace. 

Una vez que se generan las descripciones, el siguiente paso es implementar el sistema de scoring de IA. Esto implica agregar un enrichment usando OpenAI y crear un prompt basado en los principios discutidos anteriormente. El prompt debe generar un puntaje en formato JSON, que luego se puede usar para procesamiento condicional en pasos posteriores. Uno de los mejores modelospara realizar este scoring es GPT 4o mini, dado su bajo costo. Según nuestra experiencia, el gasto no suele superar los $0.00005 por empresa evaluada, aunque esto puede variar según el caso específico.

Paso 1: Agregar Enrichment

Paso 2: Escribir Sytem Prompt y Prompt

Paso 3: Activar output en JSON

Después de ejecutar el scoring IA, utiliza las fórmulas condicionales de Clay para filtrar y procesar las empresas en función de sus puntajes. Por ejemplo, podrías optar por proceder solo con aquellas empresas que obtuvieron un puntaje superior a un cierto umbral, como 60 de 100.

Éxito en el Mundo Real: Segmentación con IA en Acción

Para poder ejemplificar el uso de la IA para el scoring de cuentas en el Cold Email vamos hablar acerca de una campaña exitosa donde implementamos los principios discutido en este artículo.

Esta campaña es de uno de nuestros clientes que asiste a empresas tecnológicas en Estados Unidos que utilizan React para desarrollar software. Estaba dirigida específicamente a fundadores de startups en Austin, Texas, y dentro de esta implementamos el sistema de scoring con IA.

Nuestra búsqueda inicial en la base de datos tenía los siguientes criterios. Primero, los títulos de trabajo a buscar eran: "Founder", "CEO", "Co-Founder", "Owner", "CTO" y "CIO". El tamaño de empresas era de 1-20 empleados y además buscábamos empresas donde el equipo de ingeniería no tuviera más de 3 personas. Luego, para poder identificar correctamente a las empresas tecnológicas, en la sección de keywords de Apollo pusimos las siguientes palabras: "SaaS", "software", "platform", "AI", y "Artificial Intelligence".

Después importamos todos los resultados de la búsqueda a Clay e implementamos el sistema de scoring con IA y solo contactamos a aquellas empresas con un puntaje de 60 o más.

A continuación mostramos el System Prompt y Prompt usados en este caso.

System Prompt

Prompt

La campaña alcanzó una tasa de respuesta del 7,59% y una tasa de respuesta positiva del 16,67%. Lo más destacable es que se concretó una reunión de venta por cada 158 personas contactadas, lo cual es un resultado sobresaliente para este tipo de oferta. En este sector, no es inusual escuchar que el estándar es generar una cita por cada mil o dos mil personas contactadas, en el mejor de los casos.

Mitigando Riesgos y Validando la Precisión

Aunque el scoring con IA ofrece ventajas significativas, es importante reconocer que no es infalible. No obstante, implementar un sistema de puntuación numérica minimiza el riesgo de errores sustanciales. En nuestra experiencia, hemos observado que al realizar un scoring de cuentas con IA se puede alcanzar una precisión del 95% o superior, lo cual es notablemente elevado.

Para mantener y mejorar la precisión con el tiempo, se pueden implementar diversos procesos de validación. En primera instancia, es recomendable realizar una revisión manual de los puntajes asignados a una muestra representativa de empresas, con el fin de verificar la efectividad de la inteligencia artificial en la ejecución de la tarea. En caso de detectar discrepancias significativas, es crucial realizar ajustes en el prompt, abordando aquellos casos en los que la IA haya cometido errores, para optimizar su rendimiento.

Clay ofrece la opción de proporcionar a la IA ejemplos de cómo tú puntuarías las empresas, permitiéndole aprender de la experiencia humana. Además, durante la gestión de la campaña, toma nota de cualquier comentario que indique errores de targeting y utiliza esa información para refinar aún más tus prompts de IA.

Al aplicar estos procesos de validación y refinamiento, puedes asegurarte de que tu scoring con IA siga siendo altamente preciso y efectivo con el tiempo, maximizando el impacto de tus campañas de Cold Email.