¿Vale la Pena la Personalización de Cold Emails con IA? Un Análisis Más Allá del Hype
¿Vale la Pena la Personalización de Cold Emails con IA? Un Análisis Más Allá del Hype
Aprovechando el poder de la IA para personalizar Cold Emails
Como fundador de una agencia de generación de leads B2B impulsada por tecnología, he visto de primera mano cómo la inteligencia artificial está transformando el marketing B2B. Con modelos de lenguaje avanzados como GPT-4, ahora accesibles a través de simples API calls, las posibilidades de personalización son infinitas. Sin embargo, simplemente tener acceso a una tecnología innovadora no garantiza resultados. La clave es saber cómo probar y validar el uso de la IA dentro de las campañas para asegurarnos de que realmente contribuya a lo que más importa en una campaña de cold email: generar más citas.
Definición de las métricas de campañas de cold email exitosas
Con demasiada frecuencia, las agencias de marketing hablan de métricas superficiales como los open rates o los reply rates para demostrar el éxito de sus campañas, pero la realidad es que estas métricas son solo ruido.
Hoy en día, cualquier persona que haya hecho email warmup y tenga bien configurados sus records DNS puede tener open rates de 70%. Por otro lado, de nada sirve tener una tasa de respuestas de 10% si esas respuestas son personas pidiendo ser eliminadas de tu lista.
La estrella norte para cualquier campaña de cold email es el contact-to-lead ratio, el cual define la cantidad de contactos únicos a los cuales les tienes que mandar un mensaje para generar una cita. No me estoy refiriendo al número de emails que mandas, sino al número de personas únicas en esa campaña.
Por ejemplo, si en una campaña le mandaste mensaje a 500 personas y generaste 3 citas, entonces tu contact-to-lead ratio es de 1 cita por cada 166.6 contactos.
Esta métrica la aprendí de uno de mis mentores, Nick Abraham de Leadbird.io, quien dirige la agencia de generación de leads B2B más exitosa que conozco, con más de 150 clientes en Estados Unidos.
Durante mi carrera, he concluido que el tamaño de muestra ideal para poder hacer un análisis estadísticamente significativo de una campaña de cold email en LATAM es de al menos 500 contactos. Y siempre espero al menos 4 semanas para revisar las métricas de cualquier campaña, ya que si la analizas antes de que pasen 4 semanas vas a tener una imagen incompleta.
Basándonos en esto, la personalización con IA solo debe hacerse si y solo si mejora tu contact-to-lead ratio. Generar más respuestas no sirve de nada si no te da más citas
Cuidado con la "personalización con IA": Exponiendo malas prácticas.
Cuando la mayoría de la gente escucha el término "personalización con IA" en relación con el cold email, suelen pensar en usar la inteligencia artificial para crear cumplidos genéricos basados en los perfiles de LinkedIn y la actividad reciente de los clientes potenciales.
Es posible que hayas visto a personas compartiendo sus prompts para felicitar a personas por eventos como aniversarios de trabajo, promociones recientes o el lugar donde estudiaron. Otros pueden comentar o hacer preguntas sobre las últimas publicaciones de LinkedIn de una persona.
Si bien tales tácticas incorporan cierto grado de personalización y procesamiento de lenguaje natural, están desaprovechando por completo la capacidad de razonamiento de LLMs como GPT-4. Hacer esta personalización ni siquiera requiere de IA; de hecho, la puedes lograr con técnicas básicas de web scraping en Python.
Además, el gran defecto de esta personalización es que no tiene relevancia para la propuesta de valor central de la campaña.
Decirle a alguien: "Felicidades por haber estudiado en el Tec de Monterrey" no va a hacer que mágicamente se interese por tus servicios.
La verdadera personalización impulsada por IA
En lugar de centrarse en detalles superficiales, he descubierto a través de pruebas continuas que la personalización de IA funciona mejor cuando se relaciona con el mensaje de tu campaña.
Eric Nowoslawski de Growth Engine X, que al igual que yo ofrece servicios de generación de leads B2B, es un excelente ejemplo de esto. En su agencia están usando IA para analizar la descripción de una empresa y, en base a esto, el modelo puede determinar cuáles son los puestos de trabajo a los que la empresa le vende para luego usarlos en el copy. Por ejemplo, si le mandan mensajes a una empresa de IT, le pueden decir que probablemente buscan tener citas con CTOs, IT Managers, etc. Esta campaña es realmente efectiva porque la personalización se relaciona con los servicios que vende Eric.
Otro ejemplo de esto es una campaña que estamos haciendo para un cliente que vende servicios de marketing a tiendas de e-commerce. Nuestro modelo de IA analiza la descripción de una empresa para identificar cuáles son los productos principales que vende. Luego, la IA puede generar un CTA personalizado para esta persona.
Por ejemplo, si le mandamos mensaje a una tienda de suplementos, nuestro CTA dice: "Estaba viendo que ustedes se dedican a vender suplementos y se me ocurrieron un par de ideas de contenido pagado para TikTok que podrían ser efectivas para tu audiencia. ¿Te interesaría abrir un espacio para platicar para que te las compartiera?"
Este nivel de personalización con IA nos ha llevado a tener contact-to-lead ratios tan bajos como lograr generar una reunión por cada 16 personas contactadas.
El Test Definitivo de la Personalización con IA: Sal de la Oficina
Aunque a simple vista parece que la IA va a mejorar los resultados de nuestras campañas de cold email, siempre recomiendo probar rigurosamente su desempeño en el mundo real antes de implementarla a escala.
Para determinar si usar IA realmente beneficia a una campaña de cold email, lo que nosotros hacemos es lo siguiente:
Primero, creamos una campaña de cold email con al menos 500 contactos donde no usamos IA para personalizar. Luego, después de que han transcurrido 4 semanas, hacemos un análisis de la campaña, específicamente cuál es el contact-to-lead-ratio para establecer nuestro baseline.
Una vez que contamos con este contact-to-lead ratio base, lo que hacemos es crear otra campaña con exactamente el mismo mensaje y también un sample size de al menos 500 personas, pero agregando elementos de personalización con IA al script.
El objetivo de esto es aislar el impacto de la personalización con IA comparando el contact-to-lead ratio de ambas campañas para determinar si realmente tiene sentido usarla.
Si la personalización no mejora tu contact-to-lead ratio, de nada sirve usarla solo por querer sonar cool en LinkedIn y recibir likes.
En varias ocasiones, me ha pasado que un concepto de personalización con IA suena prometedor en teoría, pero a la hora de probarlo no mejora los resultados.
El Verdadero uso de AI requiere conocimientos avanzados
Para concluir: sigo viendo a muchos autoproclamados "expertos en prospección con IA" en LATAM que venden grandes promesas pero ni siquiera tienen una idea de cómo usar Python.
Construir una agencia realmente impulsada por inteligencia artificial requiere ir mucho más allá de usar prompts básicos en la versión web de ChatGPT e implica:
- Construir modelos de machine learning propios para mejorar la segmentación de un cliente cuando sea necesario.
- Ejecutar campañas a escala creando programas en Python que aprovechen la API de OpenAI para personalizar cold emails.
- Conocer los fundamentos de data science y cómo manipular grandes datasets.
- Poder hacer fine tuning de LLMs para mejorar los resultados de un modelo de IA.
- Saber los fundamentos de prompt engineering para desarrolladores y poder determinar cuándo usar chain of thought reasoning y cuándo utilizar prompt chaining para una tarea.
