Playbook de Cold Email para Conectar con Tiendas de E-commerce: Segmentación Basada en Datos e Inteligencia Artificial

El mes pasado, comenzamos a trabajar con Suscripciones.co, una plataforma de pagos de Colombia. Esta permite a las tiendas de e-commerce crear planes de suscripción y que generen ingresos recurrentes. Al iniciar nuestra colaboración con Suscripciones.co, enfrentamos un desafío interesante: ¿cómo podríamos construir una lista precisa de marcas de e-commerce en Colombia que podrían beneficiarse de implementar modelos de suscripción?

Nuestro cliente tenía criterios de segmentación específicos en mente. Querían tener reuniones con CEOs, fundadores, CMOs y gerentes de e-commerce de tiendas de e-commerce colombianas con entre 1 y 200 empleados. Además, estaban particularmente interesados en negocios cuyas categorías de productos fueran adecuadas para modelos de suscripción. Este nivel de especificidad presentaba un problema que no podía resolverse utilizando los filtros tradicionales en bases de datos B2B. En cambio, requería un enfoque sofisticado que combinara el data scraping y la inteligencia artificial para lograr la precisión deseada en la segmentación.

Para abordar estos desafíos, hemos desarrollado un enfoque sistemático que aprovecha la tecnología y la inteligencia artificial para construir listas de leads altamente precisas de marcas de e-commerce. Es importante destacar que esta tarea solo se puede lograr con un workflow en Clay, que proporciona las herramientas e integraciones necesarias para un procesamiento de datos tan complejo. Nuestro método, que implementamos recientemente para este cliente, incluye los siguientes pasos:

1. Extracción Inicial de Datos: Comenzamos usando la integración de Storeleads dentro de Clay para obtener una lista de marcas de e-commerce en Colombia. A continuación puedes ver algunas imágenes sobre cómo estamos importando estas tiendas.

2. Descalificación Inicial por Número de Empleados: Para cada tienda, Storeleads nos proporciona información crucial como descripciones, sitios web, nombres, número de empleados, entre otros datos. Dado que uno de los criterios de nuestros clientes es que las empresas no tengan más de 200 empleados, si Storeleads nos indica que el número de empleados es mayor a 200, marcamos a estas empresas como un "Bad Fit" para evitar usarlas en los siguientes pasos. Para hacer esto, utilizamos la función de Formula Generator de Clay.

3. Enriquecimiento de Datos: Aunque Storeleads nos proporciona información de cada tienda, como su sitio web, descripción y nombre, en ocasiones las descripciones están ausentes. Para resolver esto, usamos Claygent, un agente de IA creado por Clay, que visita cada sitio web y genera resúmenes concisos de las empresas.Claygent nos proporciona descripciones breves para completar los datos faltantes, lo cual es crucial para nuestro proceso, ya que sin las descripciones completas no podríamos realizar el análisis posterior.

Utilizamos GPT-3.5 para esta tarea, ya que es un modelo adecuado para manejar solicitudes básicas como esta. Una vez que obtenemos el output de Claygent, combinamos las dos columnas que contienen las descripciones para formar una master column con las descripciones completas. En términos de ciencia de datos, esto se asemeja a realizar un "merge" en pandas. Es importante destacar que hemos establecido una condición para que Claygent no se ejecute si en el paso anterior se determinó que la empresa es un "bad fit" debido al número de empleados.

4. Filtrado con IA: Usando GPT-4o, analizamos las descripciones de cada empresa para determinar si realmente vende productos físicos. Este paso es crucial para filtrar negocios que, aunque tengan tecnologías de e-commerce instaladas, no operan realmente como tiendas en línea. Utilizamos el siguiente system prompt y prompt:

• System Prompt: Eres un asistente de IA encargado de analizar descripciones de empresas para determinar si venden productos físicos. Una empresa que vende productos físicos ofrece bienes tangibles que pueden ser comprados y enviados a los clientes.
• Prompt: Dada la descripción de la empresa, determina si vende productos físicos. Una empresa que vende productos físicos ofrece bienes tangibles que pueden ser comprados y enviados a los clientes. El output debe ser un JSON con la clave "physical_products_decision", donde el valor es "Sí" si la empresa vende productos físicos y "No" si no lo hace.⁄ Esta es la descripción: ⁄Full Description ⁄

5. Verificación de Tienda de E-commerce: Una vez que confirmamos que una empresa vende productos físicos, necesitamos verificar si realmente es una tienda de e-commerce. Para esto, utilizamos Claygent para comprobar si su sitio web tiene funcionalidades esenciales como carritos de compras y botones de 'agregar al carrito'. Usamos GPT-4o para esta tarea, ya que proporciona resultados más precisos en comparación con modelos como GPT-3.5, que tienden a cometer errores. Esto nos asegura que estamos enfocándonos en tiendas en línea reales y no en negocios que venden productos físicos sin operar a través de una plataforma de e-commerce. La misión asignada a Claygent fue la siguiente

• Misión: Visit the provided website and determine if it is an e-commerce store. To identify an e-commerce store, look for the following indicators: -Presence of shopping cart icons⁄ -"Add to cart" buttons⁄ -Functionality that allows users to make purchases online⁄ The output should be "Yes" if the website is an e-commerce store and "No" if it is not. Only visit the provided website and do not look at other websites. This is the website: ⁄Website⁄

Además de usar Claygent, hemos experimentado con un programa en Python que verifica el contenido HTML de las páginas web. Este programa utiliza BeautifulSoup para analizar el HTML de los sitios web, buscando íconos de carritos de compra, botones de agregar al carrito |y términos generales relacionados con el e-commerce. El programa asigna puntuaciones basadas en la presencia de estos elementos. Por ejemplo:

• Íconos de carritos de compra: Si se encuentran íconos relacionados con carritos de compra, se asigna una puntuación de 50.
• Botones de agregar al carrito: Si se encuentran botones con texto relacionado como "add to cart" o "comprar ahora", se asigna una puntuación de 30.
• Términos generales de e-commerce: Si se encuentran términos como "envío gratis", "tienda online", etc., se asigna una puntuación de 10.

La puntuación total de cada sitio web se calcula sumando estas puntuaciones individuales. Utilizamos un umbral para determinar si un sitio web es una tienda de e-commerce. Si la puntuación total supera un cierto valor, el sitio se clasifica como tienda de e-commerce; de lo contrario, no lo es.

Sin embargo, preferimos usar Claygent porque el método basado en Python toma aproximadamente 4 horas para procesar 1,000 empresas, lo cual es significativamente más lento. 

8. Personalización Generada por IA: Para maximizar el impacto de nuestros correos electrónicos en frío, utilizamos IA para generar dos tipos de personalización:

• Email 1: En este correo, hacemos una observación específica sobre los productos que vende cada empresa. 

• Email 3: En este correo, proporcionamos ideas de planes de suscripción que la empresa podría crear, adaptadas específicamente a sus productos y mercado. Esto es para demostrar cómo nuestra solución puede beneficiarles.

Email 1: Observación sobre los productos que vende la empresa

El objetivo aquí es generar una intro line que diga los productos cada empresa siguiendo el siguiente formato: "Estaba viendo tu tienda en línea y noté que se dedican a vender {{productos}}"

Para generar esta línea usamos el siguiente system prompt y prompt:

• System Prompt: Eres un asistente de IA encargado de crear frases personalizadas para correos electrónicos dirigidos a tiendas de e-commerce.
• Prompt: Dada la categoría de productos y los productos que vende una empresa, escribe una frase personalizada para un correo electrónico dirigido a una tienda de e-commerce. La frase debe comenzar con "Estaba viendo tu tienda en línea y noté que se dedican a vender" y luego describir claramente los productos que venden, utilizando la información de la categoría de productos y los productos que venden. La frase completa incluyendo mi prefijo no debe ser mayor a 16 palabras. El output debe ser un JSON con las keys: "frase_personalizada" Esta es la categoria:⁄Categoria ⁄ y estos son los productos: ⁄ productos⁄

A continuación mostramos un ejemplo de como se ve el Email 1 después de haberse personalizado:

Descripción: Somos una tienda líder en productos dermatológicos y cosméticos, capilares, faciales, corporales y más. 

Email 1 Personalizado

Email 1: Observación sobre los productos que vende la empresa

El objetivo aquí es generar una frase que suene natural en un email, dándole dos ideas a esta empresa de cómo podrían implementar un plan de suscripción usando el siguiente formato:

"Estaba visitando tu tienda en línea y quería compartir contigo dos ideas de planes de suscripción que podrían encajar bien con tus productos y que puedes implementar con nuestra plataforma.

Primero, {{idea_1}}. Además, {{idea_2}}."

• System Prompt: Eres el CEO de suscripciones una plataforma que a tiendas de e-commercce a crear planes de suscripción a la medida y automatizar el modelo de suscripción ayudándoles a aumentar y asegurar el revenue recurrente
• Prompt: De acuerdo a los siguientes productos que vende una empresa y su categoría genera 2 ideas específicas para un plan de suscripción que podrían implementar para aumentar sus ventas recurrentes. Cada idea debe ser explicada claramente en máximo 15 palabras. El output final debe ser un JSON con las siguientes keys: idea_1,idea,2.⁄ Estos son los productos:⁄productos ⁄ y esta es la categoría: ⁄ categoría⁄

A continuación mostramos un ejemplo del output que genero el prompt para una empresa.

• Categoría: cosméticos naturales
• Productos: productos para el cuidado de tu piel, maquillaje y cuidado corporal elaborados con ingredientes de origen natural
• Output: "idea_1": "Kits de maquillaje de temporada con lanzamientos exclusivos y los favoritos de los clientes.", idea_2: "Caja mensual personalizada de cuidado de la piel con productos naturales, basada en las preferencias del cliente."

Prompt para formar frase coherente y natural

Ahora que contamos con las ideas, usamos el siguiente prompt para formar una frase que usaremos en el email, utilizando este output.

System Prompt: Eres una IA diseñada para ayudar a crear frases continuas con sentido gramatical, utilizando ideas de planes de suscripción generadas previamente. Estas frases serán insertadas en un email de marketing para sugerir ideas de suscripción a una tienda de e-commerce.

Prompt: Usando las siguientes ideas de planes de suscripción, forma una frase continua con sentido gramatical. Utiliza la siguinete estructura: "Primero, podrían ofrecer {{idea_1}}. Además, podrían considerar {{idea_2}}." ⁄ Esta es idea_1: Idea_1 ⁄ Esta es idea_2: ⁄Idea_2 ⁄ El output final debe ser un JSON con las siguientes keys: frase

Ahora si tomamos el ejemplo de las ideas generadas en el punto anterior, el output se ve así en el email.

9. Enriquecimiento de contactos: Después de haber filtrado a las empresas y generado nuestra personalización con IA, el siguiente paso es identificar a los tomadores de decisión de estas empresas. Para esto, filtramos la lista para conservar solo aquellas empresas que son un buen fit y llegaron hasta la etapa de personalización final. Luego, copiamos y pegamos las URLs de los sitios web en Apollo para encontrar a las personas clave y, finalmente, exportamos la lista.

10. Mapeo de Datos a la Tabla de Contactos: Después de haber obtenido los contactos de Apollo, creamos una nueva tabla en Clay con solo los contactos. Luego, utilizamos la función "Lookup Single Row" para mapear toda la información generada anteriormente desde la tabla que contiene las empresas hacia esta nueva tabla de contactos. Específicamente, buscamos mapear los productos, la categoría y las dos frases personalizadas a la tabla de contactos. 

11. Añadir Leads a Smartlead: Una vez que tenemos toda la información, añadimos todos los leads a Smartlead para enviar la campaña. Es importante mencionar que, antes de agregar los correos electrónicos a la campaña, utilizamos MillionVerifier dentro de Clay para verificar los correos y excluir todos los correos inválidos de la campaña.

Resultados de la Campaña

Durante las primeras dos semanas de la campaña, hemos logrado obtener una tasa de reuniones del 2.7%, una tasa de respuesta del 11.14%, una tasa de respuestas positivas del 52.5% y un total de 10 reuniones de venta con solo 359 correos.

Es importante señalar que, de manera intencional, decidimos manejar un volumen de solo 359 contactos durante este primer mes, ya que tras analizar el TAM (Total Addressable Market) de nuestro cliente, determinamos que un volumen de entre 350 y 500 contactos por mes sería óptimo para garantizar un flujo constante de citas cada mes durante un año, evitando así la saturación del mercado. Contactar a más de 500 personas por mes podría agotar la base de datos en seis meses o menos. Nuestro objetivo no es que el cliente tenga muchas citas solo durante unos pocos meses, sino asegurar un flujo constante de citas a lo largo de todo un año.

Conclusión

Los resultados de esta campaña destacan varios puntos clave. Primero, la importancia de la segmentación precisa y el scoring de cuentas: cuanto más estrictos sean los criterios de segmentación, mejores serán los resultados en términos de respuestas y reuniones de calidad con un volumen reducido de correos electrónicos. Segundo, el manejo estratégico del volumen de contactos es esencial para evitar quemar tu mercado y garantizar un flujo constante de citas a lo largo del tiempo.