Cinco formas en que el equipo de ciclo de vida de Square utiliza las cohortes

Para el Cómo lo hago en Amplitude de hoy, nos acompaña Anas Farah, científico de datos de ciclo de vida de Square. En Square, con más de 70 productos en su suite de productos, las oportunidades de venta cruzada son una increíble palanca de crecimiento para el equipo.

Pero, como ocurre con cualquier oferta contextual, el momento oportuno y el público objetivo lo son todo.

En este episodio de How I Amplitude, Anas nos guía a través de cinco ejemplos reales que muestran cómo la transición del equipo de ciclo de vida de Square a la analítica de autoservicio ha potenciado enormemente su segmentación de ventas cruzadas.

Su equipo trabaja en estrecha colaboración con el equipo de marketing de producto para identificar con qué público probar ofertas específicas, desde cuando solo disponen de datos cualitativos hasta cómo alimentan sus modelos de aprendizaje automático (ML) y cohortes predictivas.

Nuestro mandato: PMM de autoservicio

Llegué a Square en 2022 con una misión específica: lograr que el equipo de más de 100 gerentes de marketing de productos, y que seguía creciendo, fuera autosuficiente a la hora de segmentar públicos.

El objetivo

Nuestro equipo de PMM trabaja para guiar a los vendedores hacia todos los productos de la suite de Square que podrían satisfacer sus necesidades particulares: desde el producto estrella de punto de venta hasta la reserva de citas, la gestión de nóminas, la banca y mucho más. Ofrecer al cliente correcto la oferta correcta en el momento correcto implica una segmentación receptiva.

La situación (y cómo eso dificultaba la vida)

En ese momento, los PMM dependían en gran medida de los científicos de datos para crear segmentos de público, un proceso lento y que requería muchos recursos, lo cual no era ideal para ninguna de las personas involucradas. Y sin duda, esto dificultó las pruebas rápidas y la creación de ciclos de retroalimentación.

La solución

Pasé aproximadamente un año trabajando estrechamente con gerentes de marketing de producto en sus necesidades de creación de público y promoviendo los programas de Amplitude. Los capacité en nuestro stack tecnológico de martech, el diccionario de eventos y los procesos de instrumentación para ayudar a cerrar la brecha entre ellos y los equipos de ingeniería.

¿Funcionó?

Respuesta corta: Sí. Los PMM de Square pasaron de depender por completo del equipo de datos a convertirse en usuarios avanzados independientes y seguros de sí mismos, capaces de armar cohortes de público para cualquier campaña de marketing con total facilidad.

Respuesta larga: Sí, Y los ejemplos que se muestran aquí ilustran nuestro enfoque de autoservicio en acción, que abarca desde campañas de anuncios sencillas hasta una segmentación conductual sofisticada que combina el ML con la experiencia de los PMM.

Caso 1: enviar un anuncio rápido

Cuando lanzamos la Tarjeta Square en el Reino Unido, nuestros PMM querían enviar un mensaje a todos los vendedores activos en Gran Bretaña para anunciar el lanzamiento.

Antes de usar Amplitude, mandar un simple comunicado masivo requería que el equipo de ciencia de datos escribiera consultas en SQL para poder sincronizar los públicos a través de nuestra herramienta interna de ETL inversa. Si bien estas solicitudes requerían un esfuerzo mínimo del equipo de datos, por lo general eran de baja prioridad y podían tardar de una a dos semanas en completarse.

Con Amplitude, los PMM pudieron crear estos públicos de forma independiente en minutos definiendo una cohorte de público como:

• propiedades básicas de usuario (country_code = GB) y
• Criterios estándar de vendedor activo de Square:
  • al menos un pago completado en los últimos 91 días y
  • sin estado bloqueado o desactivado

¡Sincronizamos la cohorte directamente con nuestra plataforma de campañas y la publicamos!

Si bien es sencilla, esta función de autoservicio redujo el tiempo de espera para los anuncios y ayudó a que los gerentes de producto se familiarizaran con el uso de los grupos de Amplitude de forma independiente. Y lo que es más importante, el equipo de PMM tuvo mucha más libertad para realizar más pruebas y aumentar su propio ritmo de experimentación.

Caso 2: uso de pistas de contexto para la venta cruzada

Una parte importante de nuestro trabajo en el equipo de ciclo de vida del cliente en Square consiste en la venta cruzada de nuevos productos y servicios a nuestros clientes actuales.

Si bien nuestros modelos de ML suelen proporcionar los mejores resultados de segmentación para estos esfuerzos, los lanzamientos de nuevos productos no suelen tener datos suficientes para crear modelos efectivos. En estos casos, los PMM recurren a dos enfoques alternativos:

• Venta cruzada contextual: utilizar la información que ya tenemos sobre un vendedor (como tamaño, ubicación o tipo de negocio) para determinar si un producto sería adecuado.
• Venta cruzada conductual: buscar acciones o patrones específicos en la forma en que los vendedores utilizan los productos existentes que puedan indicar que se beneficiarían de otro producto.

Un ejemplo claro de una venta cruzada contextual se produjo cuando lanzamos Square Shifts, un conjunto de herramientas de gestión de la fuerza laboral para vendedores. A fin de generar expectación antes del lanzamiento, los PMM querían enviar una venta cruzada contextual a los vendedores que tenían diez o más empleados.

El desafío era que no teníamos ninguna información registrada sobre el número de empleados de un vendedor en ninguno de nuestros campos de usuario. Sin embargo, al explorar los datos contextuales en Amplitude, el equipo de PMM encontró una medida indirecta: una pregunta opcional durante el proceso de incorporación que consulta a los vendedores sobre la cantidad de empleados que tienen. Esto se acercaba lo suficiente a los criterios que querían y, como existía en Amplitude, también podían segmentar fácilmente en función de ello. Así de fácil, ya tenían un cohorte de público al que contactar.

Además, programaron la campaña para que se lanzara 45 días después de que un vendedor se uniera inicialmente a este público, para darle tiempo a familiarizarse por completo con su primer producto antes de obtener la venta cruzada de este nuevo.

Caso 3: optimizar el momento de las ventas cruzadas con datos de comportamiento

Los PMM suelen progresar a lo largo de un recorrido de creciente sofisticación con Amplitude:

1. Primero, crean cohortes de anuncios básicas
2. Luego, experimentan con la segmentación contextual utilizando datos demográficos
3. Por último, pasan a crear cohortes de comportamiento basadas en señales y patrones de uso

Esta última etapa, la creación de cohortes de comportamiento, se convirtió en el uso más común y valioso de Amplitude para nuestros PMM.

Tomemos, por ejemplo, nuestro lanzamiento de Square Checking, un servicio de cuenta corriente para vendedores en los EE. UU.

Nuestro equipo de ciencia de datos bancarios descubrió que los vendedores que intentaron realizar tres o más transferencias instantáneas en un período de 30 días y que habían procesado al menos $10.000 en pagos totales durante el último año mostraron una fuerte propensión a adoptar Square Checking.

El equipo también descubrió que este comportamiento estaba más estrechamente relacionado con los vendedores de nuestra categoría de servicios, quienes mostraron la mayor probabilidad de adoptar Square Checking después de haber utilizado Square Instant Deposit.

Gracias al generador de cohortes de Amplitude, nuestros PMM ahora podían crear un público altamente segmentado de vendedores que:

• Completaron con éxito al menos 3 transferencias instantáneas en los últimos 30 días.
• Tenían su sede en el mercado estadounidense.
• Pertenecían a la categoría de público de servicios.
• Habían procesado $10.000 o más en pagos durante los últimos 365 días.
• Cumplían con los criterios estándar de vendedor activo de Square:
  • Tuvieron actividad de pago con tarjeta en los últimos 91 días.
  • No estaban bloqueados o desactivados en ese momento.

Caso 4: combinar modelos de ML con experiencia en PMM: un enfoque híbrido

Nuestros PMM a menudo quieren superponer su propia lógica de segmentación a nuestros modelos de ML.

Tomemos como ejemplo nuestra campaña de venta cruzada de Depósito instantáneo. Nuestro modelo de ML había identificado a los vendedores con probabilidades de adoptar el Depósito instantáneo, pero el responsable de marketing de Depósito instantáneo había descubierto, a través de su investigación, que los vendedores que adoptaban primero la Tarjeta Square tendían a no necesitarlo tanto, por lo que quiso agregar esa lógica a la campaña.

Mediante las cohortes de Amplitude, el PMM pudo crear un público que combinaba:

1. La predicción del modelo de ML para la adopción de Depósito instantáneo.
2. Su propia regla para excluir a los vendedores que habían interactuado con la tarjeta Square.
3. Criterios estándar como restricciones de país y estado de vendedor activo

Al combinar el amplio reconocimiento de patrones de nuestros modelos de ML con el conocimiento específico del producto de nuestros gerentes de marketing de producto, pudimos llevar a cabo una campaña de adopción exitosa que no desperdició recursos en un subsegmento de público que sabíamos que no sería fructífero.

El enfoque híbrido no solo es bueno para los resultados, sino que también ha sido una gran victoria para generar la confianza de los PMM en nuestros modelos de ML. El ML puede identificar de manera eficiente grandes cantidades de posibles adoptantes, pero PMM se mostró comprensiblemente escéptico ante la posibilidad de que los modelos superaran la calidad de su segmentación manual. Al permitir que los PMM superpongan sus propios criterios de segmentación, les resulta más fácil ver las ventajas del ML, y ahora sienten que el enfoque híbrido les ofrece lo mejor de ambos mundos.

Antes de permitir que los PMM agreguen sus propios criterios a las predicciones de ML, validamos que no perjudique el rendimiento. Pero si no observamos ninguna degradación en el rendimiento, estaremos encantados de que refinen la segmentación de esta manera. Es otro ejemplo de cómo intentamos ayudar a nuestros PMM sin socavar nuestros propios modelos de ML.

El elemento técnico clave que lo hace posible reside en cómo estructuramos nuestras puntuaciones de ML en Amplitude. A fin de simplificarles las cosas a los PMM, no les mostramos las puntuaciones en bruto, sino que utilizamos un umbral dinámico que cambia a diario. Cualquier vendedor que supere ese umbral se marca con un “1” para indicar que es probable que adopte el producto.

Luego sincronizamos este valor en Amplitude como propiedad de usuario que los PMM pueden usar con facilidad. No necesitan comprender la complejidad del modelo de ML; simplemente lo ven como otro interruptor que pueden usar para captar público.

Caso 5: vincular los datos web públicos con el marketing del ciclo de vida

Las cohortes de público también ayudan a nuestros PMM a realizar sus propios experimentos.

El equipo de Square Appointments quería realizar una prueba A/B ofreciendo un descuento del 20 % en hardware como forma de conseguir que nuevos usuarios se registraran en Appointments. La mitad de las personas que visitaron la página de inicio de Appointments vieron la oferta de descuento, mientras que la otra mitad no, asimismo, posteriormente recibieron el código de descuento por correo electrónico si se registraban.

El desafío aquí era instrumentar un evento que combinara nuestros datos del experimento de Optimizely (que dividiría al público 50/50) con nuestro seguimiento web público para los registros. Lograr que todo esto funcionara en conjunto habría requerido un tiempo de ingeniería significativo del que básicamente no disponíamos.

Pero encontramos una solución creativa a través de Amplitude. Todos nuestros datos de Optimizely ya fluyen a nuestra instancia de Amplitude, por lo que creamos una cohorte que hizo lo siguiente:

1. Primero, identificamos a todas las personas que vieron este experimento (utilizando el ID del experimento y el ID de la variación de Optimizely).
2. Luego filtramos a las personas que crearon una cuenta específicamente a través de la variante de Appointments dentro de los 14 días posteriores a ver el experimento.
3. Por último, esta cohorte recibiría un correo electrónico con un código para canjear su descuento del 20 % en hardware.

Lo valioso de este enfoque es que no tuvimos que crear ningún evento personalizado nuevo ni esperar a que llegaran los recursos de ingeniería. Pudimos aprovechar los datos de eventos existentes de una manera novedosa para permitir este enfoque experimental. Este es un gran ejemplo de cómo solemos trabajar con nuestros equipos web públicos para conectar sus experimentos con nuestros esfuerzos de marketing del ciclo de vida.

Llevar esto a la práctica

En Square pudimos realizar un trabajo increíblemente sofisticado con Amplitude; pero nuestro trabajo también demostró que no se necesitan modelos de ML ni equipos de datos para realizar una investigación eficaz sobre la segmentación de públicos. Para equipos más pequeños, puedes utilizar los mismos principios de segmentación del público de mis tres primeros ejemplos:

1. Empieza con una segmentación básica, como los usuarios activos en una región específica.
2. Agrega información contextual, como el tipo o el tamaño del negocio.
3. Agrega señales de comportamiento, como la frecuencia de ciertas acciones.

Al usar Cohorts, puedes probar diferentes combinaciones de estos criterios y así encontrar lo que funciona mejor para tu producto.

Si deseas profundizar en la analítica de autoservicio, te recomiendo que empieces por algo sencillo, con las campañas que ya tienes en marcha.

En lugar de enviar la próxima solicitud de público a tu equipo de datos, intenta crearla tú mismo. Luego, a medida que vayas ganando confianza, irás agregando gradualmente criterios más sofisticados. Observa a tus usuarios más avanzados y lo que los hace únicos: sus comportamientos habituales, la frecuencia con la que realizan ciertas acciones o las funciones que utilizan en conjunto.

Todo es un experimento, y ahora tienes las herramientas para llevarlos a cabo tú mismo.

Sección extra: ¿qué hay dentro de la máquina de ciclo de vida de Square?

Nuestro equipo gestiona todas las experiencias de mensajería dentro de la aplicación, por correo electrónico y mediante notificaciones push que reciben los vendedores desde el momento en que se unen a Square.

Además de nuestro producto estrella de punto de venta (TPV), ahora contamos con una completa gama de productos para nuestros vendedores, que incluye la reserva de citas, la gestión de nóminas y los servicios bancarios.

El objetivo de nuestro programa global de marketing del ciclo de vida es guiar a los vendedores a través de los diversos productos adicionales que pueden beneficiarlos en su etapa actual del ciclo de vida.

En el centro de nuestra operación se encuentra nuestra plataforma interna de datos de clientes, que incorpora datos de múltiples fuentes, entre las que se incluyen:

• Aplicaciones de Square para iOS y Android
• Actividad en el sitio web Squareup.com
• Experiencias en el panel de control con sesión iniciada
• Herramientas de terceros como Amplitude, Optimizely e Iterable
• Nuestro almacén de datos Snowflake

Una parte significativa de estos datos se introduce en Amplitude, donde se organizan en diferentes proyectos y se combinan en vistas cruzadas que se utilizan para el análisis, la creación y la sincronización de cohortes. En lugar de depender de una plataforma de datos de clientes (CDP) de terceros, Square creó una CDP interna para gestionar la resolución de identidad, garantizar la privacidad de los datos y mantener un control total sobre el procesamiento de eventos a gran escala.

P: ¿Por qué Square creó su propia CDP en lugar de usar una solución de terceros?

Teníamos necesidades específicas en cuanto a confiabilidad y escalabilidad: procesar miles de millones de eventos al día requiere un control preciso. Si bien nuestra plataforma de datos de clientes (CDP) está inspirada en la arquitectura de Segment, necesitábamos personalizarla en lo que respecta a la privacidad, la resolución de identidad y conectores específicos que no están disponibles en herramientas de terceros. La decisión de crear se redujo a tres factores principales:

• Control sobre las conexiones y la infraestructura
• Cumplimiento de nuestros requisitos específicos del acuerdo de nivel de servicio (SLA)
• Rentabilidad a nuestra escala de eventos

Dicho esto, las herramientas de terceros a menudo tienen mejores funciones de gobernanza, lo que sigue representando una brecha en nuestra solución personalizada. Es una compensación que seguimos evaluando.

P: ¿Cómo gestiona Square el marketing B2B a escala?

Nuestro modelo de autoservicio es técnicamente B2B, ya que nos dirigimos a empresas, pero dado que enviamos mensajes a millones de vendedores al año, a menudo utilizamos enfoques propios del B2C en la forma en que programamos y estructuramos las comunicaciones. Segmentamos en función del Volumen bruto de procesamiento (GPV); en ciertos umbrales, los vendedores pasan a una iniciativa separada, dirigida por ventas, utilizando diferentes herramientas como Marketo. Si bien esto genera cierta complejidad, nos permite brindar un servicio adecuado tanto a las pequeñas empresas como a las grandes corporaciones. Estamos trabajando para mejorar las sinergias entre estas dos estrategias.