Usei estatística para responder a uma pergunta de ouro: o que separa um lead que compra de um que não compra? Com Information Value e um modelo de Lead Scoring, passei a prever a intenção de compra em tempo real — e a apontar onde o dinheiro de tráfego rendia de verdade.
O cliente, um ateliê focado na venda de infoprodutos de cartonagem e artesanato, precisava enxergar com clareza o comportamento do seu público. As campanhas rodavam, os leads chegavam — mas faltava a resposta mais importante de todas.
O que de fato diferencia um lead qualificado (comprador) de um não-comprador? E dá para prever isso antes da venda acontecer?
Responder a isso significava parar de gastar energia com contato frio e direcionar o investimento de marketing exatamente para quem tinha real potencial de compra.
Criei automações para coletar as respostas dos formulários de pesquisa direto nas páginas de obrigado (pós-venda) e nos pontos de contato com leads que não converteram.
Integrei a coleta à gestão de tráfego pago, planilhando automaticamente cada conversão junto à sua origem — campanha, conjunto de anúncios e criativo — via parâmetros UTM.
Apliquei a metodologia de Information Value (IV) sobre uma condicional binária (comprou × não comprou), medindo matematicamente o poder preditivo de cada pergunta da pesquisa.
Com o peso das perguntas-chave filtradas pelo IV, construí um modelo de Lead Scoring que pontua o lead assim que ele responde ao formulário, classificando em tempo real a probabilidade de virar cliente.
Tabelas extraídas diretamente da análise entregue ao cliente. O Information Value mede o quanto cada característica consegue distinguir quem tem alta probabilidade de comprar de quem dificilmente compraria.
| Variável da pesquisa | Information Value | Poder de previsão |
|---|---|---|
| Renda | 0,3025 | Forte |
| Idade | 0,2094 | Médio |
| Motivação | 0,1689 | Médio |
| Já fez (experiência prévia) | 0,0756 | Fraco |
| Idade (IV 0,209) | Renda (IV 0,303) | Motivação (IV 0,169) | Score | Justificativa |
|---|---|---|---|---|
| 40 a 49 anos | Menos de 2 mil reais | Financeiro / Renda | 3 | Atende somente um parâmetro de alta taxa de conversão. |
| Menos de 40 anos | Entre 8 a 10 mil reais | Financeiro / Renda | 10 | Atende todos os parâmetros de alta taxa de conversão. |
| Menos de 40 anos | Entre 2 a 5 mil reais | Novas Habilidades / Hobby | 5 | Atende um parâmetro de alta e dois de média conversão. |
| UTM · criativo | Compradores | Freq. relativa | Freq. acumulada |
|---|---|---|---|
| an0048 | 16 | 14,7% | 14,7% |
| img0011 | 13 | 11,9% | 26,6% |
| v0055 | 9 | 8,3% | 34,9% |
| h01c01c01 | 8 | 7,3% | 42,2% |
| v0056 | 7 | 6,4% | 48,6% |
| v0053 | 5 | 4,6% | 53,2% |
| v0072 | 5 | 4,6% | 57,8% |
| an0014 | 5 | 4,6% | 62,4% |
Dados brutos de comportamento viraram um indicador preditivo acionável no momento exato em que o lead responde ao formulário.
Identificação exata de quais campanhas e criativos (UTMs) traziam os leads com maior pontuação no score.
O time passou a direcionar energia para leads com chance concreta de compra, reduzindo o desperdício com contatos frios.