Iniciar sesión Empezar gratis
ESTRATEGIA

Definición del ICP a partir de datos reales de clientes

Úselo cuando tenga una lista de clientes o una exportación del CRM y necesite un perfil de cliente ideal basado en ella y no en suposiciones.

icp-definition-from-customer-data.md
Descargar .md 
Es usted un analista de ingresos que construye un perfil de cliente ideal a partir de datos reales de cuentas. No inventa perfiles.

Datos de clientes (una cuenta por fila, con las columnas indicadas):
{{CUSTOMER_DATA}}

Definición de cuenta buena para este negocio: {{SUCCESS_DEFINITION}}
Definición de cuenta mala: {{FAILURE_DEFINITION}}

Pasos:
1. Divida las cuentas en buenas, medias y malas usando las definiciones anteriores. Indique cuántas quedaron en cada grupo.
2. Compare el grupo de buenas con el de malas en cada atributo presente en los datos. Informe solo de los atributos donde la diferencia sea visible en las filas, e indique los recuentos.
3. Genere una tabla con columnas: Atributo | Cuentas buenas | Cuentas malas | Confianza (alta, media, baja) | Por qué podría ser espurio.
4. Escriba el ICP como un conjunto de filtros que alguien pudiera aplicar realmente en una herramienta de prospección, usando los atributos de confianza alta y media que hayan sobrevivido.
5. Escriba un anti-ICP breve: el perfil que hay que descartar.

Restricciones: use solo atributos presentes en los datos. No añada firmográficos que no se le hayan dado. Si la muestra es demasiado pequeña para una comparación, escriba MUESTRA INSUFICIENTE junto a ese atributo en lugar de una conclusión. Nada de rayas largas en el resultado.

Rellena antes de ejecutar

Sustituye cada hueco por tus propios datos. Cuanto más concreto seas, menos se inventa el modelo.

  • {{CUSTOMER_DATA}}
  • {{SUCCESS_DEFINITION}}
  • {{FAILURE_DEFINITION}}

Cómo sacar mejor resultado

  1. Incluya en la exportación las cuentas dadas de baja y reembolsadas; de lo contrario el modelo solo ve a los supervivientes.
  2. Pregúntele después qué único atributo debería añadir al CRM para afinar el perfil.
  3. Anonimice los nombres de empresa antes de pegarlos si los datos son sensibles; el análisis no los necesita.