Deal Scoring Predictivo: ML para Cerrar Más Ventas con Precisión

El lead scoring, como sabemos, clasifica los leads según su probabilidad de convertirse en clientes. Pero, ¿qué pasa con las oportunidades que ya están en el pipeline de ventas? Aquí es donde entra el deal scoring, una técnica más granular que evalúa la probabilidad de cierre de cada deal individual. En Buildations, nuestra misión es construir herramientas que potencien la eficiencia operativa, y el deal scoring predictivo es un componente clave de nuestra plataforma de inteligencia de ingresos (revenue intelligence). Este artículo detalla cómo hemos logrado una precisión del 80% en la predicción de cierres, desglosando las características que impulsan nuestro modelo y las herramientas que utilizamos para construirlo. No buscamos soluciones "listas para usar", sino entender el proceso para poder replicarlo y adaptarlo a las necesidades específicas de cada equipo.

Características Clave para un Deal Scoring Predictivo

La construcción de un modelo de deal scoring efectivo depende de la identificación de características predictivas. No todas las características tienen el mismo peso, y la importancia relativa puede variar según la industria y el modelo de negocio. Sin embargo, algunas características se han demostrado consistentemente relevantes en nuestra experiencia:

Engagement del Cliente: Métricas como el número de correos electrónicos enviados y recibidos, el tiempo dedicado a las demostraciones, la frecuencia de las llamadas y las interacciones en el portal del cliente son indicadores fuertes. Un bajo engagement, especialmente después de una fase inicial positiva, es una señal de alerta. Aquí, es crucial tener una forma consistente de registrar y rastrear estas interacciones, idealmente automatizada con herramientas como n8n para integrar datos de múltiples fuentes (CRM, correo electrónico, calendario). Valor del Deal: El tamaño del contrato potencial es, obviamente, un factor importante. Deals más grandes suelen tener más complejidad y, por lo tanto, una mayor probabilidad de retraso o cancelación. También es relevante la rentabilidad del deal; un deal con márgenes bajos puede ser menos prioritario, incluso si el valor nominal es alto. Fase del Proceso de Ventas: El tiempo que un deal ha permanecido en una fase específica es un indicador de su progreso. Deals estancados en fases críticas (por ejemplo, revisión legal) requieren una atención especial.

Extracción de Características a partir del Lenguaje Natural

Más allá de las métricas cuantitativas, el análisis del lenguaje natural (NLP) ofrece una valiosa fuente de información. El sentimiento expresado en las comunicaciones con el cliente (correos electrónicos, transcripciones de llamadas) puede revelar preocupaciones subyacentes o entusiasmo, que no se capturan fácilmente con las métricas tradicionales.

Para este fin, utilizamos modelos de lenguaje como los disponibles a través de Ollama, que nos permiten ejecutar modelos de lenguaje grandes (LLMs) localmente, lo que nos da más control sobre la privacidad de los datos y los costes operativos. Con LangGraph, podemos orquestar estos modelos para extraer información específica, como el sentimiento general del cliente y la mención de objeciones o preocupaciones. Por ejemplo, una consulta podría ser: "Extrae el sentimiento general expresado en este correo electrónico y lista cualquier objeción o preocupación mencionada." La información resultante se convierte en una característica adicional para el modelo de deal scoring.

Implementación Técnica: Arquitectura y Componentes

La arquitectura para el Deal Scoring Predictivo se basa en un flujo de datos robusto y modular, diseñado para la escalabilidad y la mantenibilidad. La columna vertebral es un pipeline de procesamiento de datos que extrae información relevante de diversas fuentes, la transforma y la alimenta a un modelo de Machine Learning.

El proceso comienza con la extracción de datos desde nuestro CRM (Salesforce en este caso) y otras fuentes como comunicaciones por correo electrónico, interacciones en redes sociales, y datos de comportamiento en el sitio web. Esta extracción se realiza utilizando conectores personalizados y, en algunos casos, n8n para automatizar la transferencia de datos entre sistemas dispares. La integración con n8n nos permite manejar transformaciones complejas de datos que no son triviales con los conectores nativos de Salesforce.

Una vez extraídos, los datos se someten a limpieza, transformación y enriquecimiento. Esto incluye el manejo de valores faltantes, la normalización de datos categóricos y la creación de nuevas características (feature engineering) basadas en el conocimiento del dominio. Por ejemplo, podemos derivar una característica que represente el número de reuniones realizadas por un contacto en un plazo determinado, o la frecuencia de interacción con contenido específico.

El conjunto de datos transformado se indexa en Qdrant, un motor de vectores que nos permite realizar búsquedas semánticas eficientes. Esto es crucial para identificar patrones y relaciones complejas entre los datos, especialmente cuando trabajamos con datos de texto no estructurados, como correos electrónicos y transcripciones de llamadas. Qdrant facilita la búsqueda de deals similares basándose en sus características vectoriales, lo que puede ayudar a identificar outliers o deals que requieren atención especial.

El modelo de Machine Learning, entrenado con datos históricos de deals ganados y perdidos, se despliega utilizando Ollama, que permite ejecutar modelos de lenguaje grandes localmente. Esto nos brinda control total sobre el modelo y sus datos, además de minimizar la latencia en la inferencia. El modelo asigna una puntuación de probabilidad a cada deal, indicando la probabilidad de que se cierre con éxito. LangGraph se utiliza para orquestar el flujo de trabajo de inferencia, permitiendo la integración con otros componentes del sistema y la definición de workflows más complejos, como la generación de explicaciones para las predicciones del modelo.

Desafíos y Consideraciones Futuras

La implementación de un sistema de Deal Scoring Predictivo no está exenta de desafíos. La calidad de los datos es fundamental para el éxito del modelo; datos incompletos o inexactos pueden llevar a predicciones erróneas. La ingeniería de características es un proceso iterativo que requiere un profundo conocimiento del negocio y la experimentación constante. Además, la deriva del modelo (model drift) es un problema común en sistemas de Machine Learning; a medida que los datos cambian con el tiempo, la precisión del modelo puede disminuir, requiriendo un reentrenamiento periódico.

En el futuro, planeamos explorar técnicas de aprendizaje por refuerzo para optimizar el modelo de Deal Scoring en función de las acciones tomadas por el equipo de ventas y sus resultados. También estamos investigando la posibilidad de integrar el Deal Scoring Predictivo con otras herramientas de inteligencia de ventas, como sistemas de análisis de sentimiento y plataformas de generación de contenido. La incorporación de modelos de lenguaje grandes (LLMs) para el análisis de texto y la generación de resúmenes de deals también es una prioridad. Finalmente, estamos evaluando la implementación de un sistema de monitorización automatizada para detectar y corregir la deriva del modelo en tiempo real.

Conclusión

El sistema de Deal Scoring Predictivo ha demostrado ser una herramienta valiosa para mejorar la eficiencia del equipo de ventas y aumentar la tasa de cierre de deals. La arquitectura modular y basada en tecnologías como Qdrant, Ollama y n8n permite la escalabilidad y la mantenibilidad del sistema. Aunque existen desafíos, como la calidad de los datos y la deriva del modelo, estamos comprometidos con la mejora continua del sistema para maximizar su impacto en el negocio. La precisión en la predicción de deals se traduce directamente en una mejor asignación de recursos y una mayor productividad del equipo.