Cómo Snowflake aumentó la adopción de funciones en un 19,5 % con inteligencia de cuentas basada en IA

Desde el fortalecimiento de operaciones de la cadena de suministro hasta la mejora de resultados en la dotación de personal sanitario y un ahorro del 54 % en costes, hemos visto cómo las herramientas de inteligencia artificial (IA) de Snowflake están transformando los resultados para nuestros clientes en todo el mundo. 

Ese mismo poder transformador también está en marcha en Snowflake. Por ejemplo, ¿qué pasaría si un profesional del marketing pudiera predecir cuáles de sus miles de clientes se beneficiarían de una función específica de un producto antes de que el cliente supiera que la necesitaba? Descubre cómo, en un trimestre (de febrero a abril de 2025), el equipo de marketing de Snowflake observó un aumento del 19,5 % en la adopción de funciones entre las cuentas focalizadas y un incremento de un 45 % en la tasa de conversión de reuniones del equipo de ventas mediante LLM y redes neuronales de grafos (GNN) con Kumo.ai. 

Información basada en IA para el marketing de clientes 

Todos los profesionales del marketing conocen el reto de dar prioridad a los mensajes de productos en el momento oportuno para el público correcto. En Snowflake, el equipo de marketing del ciclo de vida recurrió a la IA para ver cómo podían aprovechar sus propios datos para ayudar con la priorización de campañas, ejecutándolas de manera eficiente y a escala. 

Gracias a un esfuerzo realmente colaborativo, los equipos de gestión y marketing de productos, el equipo de experimentación y comercialización y una amplia organización de marketing trabajaron juntos para identificar desencadenantes e indicadores de productos que pudieran crear un modelo de éxito para predecir el próximo caso de uso de Snowflake para un cliente. 

El desafío: El escalado del marketing B2B personalizado

Al igual que ocurre con la mayoría de las empresas, el éxito de Snowflake no solo radica en aumentar el número de clientes, sino también en ayudarles a descubrir nuevos productos y funciones que respalden sus objetivos. El sistema de calificación de oportunidades de negocio tradicional de Snowflake indicaba al equipo quién podía comprar, pero no qué debía comprar a continuación, un punto ciego costoso en nuestra estrategia de expansión. Las herramientas tradicionales de inteligencia de cuentas analizaban los detalles a nivel de contacto y la calificación de oportunidades de negocio, centrándose principalmente en los negocios netos nuevos, no en la adopción de nuevos productos. 

“El sistema de calificación tradicional ofrece un sí o un no: ¿se convertirá en cliente o no se convertirá? Necesitábamos responder cuáles de nuestros casos de uso debería adoptar esta cuenta a continuación y en qué orden”, afirma Daniel Chow, Senior Data Scientist de Snowflake y miembro del Marketing AI Council. “Teníamos todos los indicadores —uso de productos, asistencia a eventos, exploración de funciones—, pero analizar manualmente los patrones de miles de cuentas en docenas de casos de uso potenciales no solo era complejo, sino imposible sin IA”.

Lo que el equipo quería crear para la inteligencia de clientes era más complejo, ya que incluía varias fuentes de datos, tipos de datos y herramientas de inteligencia de marketing. Ante los numerosos resultados distintos que había que predecir y los datos complejos que había que ingerir, el equipo de Snowflake aprovechó la red de Snowflake Native App y encontró una solución con Kumo AI, una empresa de modelos de IA centrada en datos relacionales. 

Solución: Del ML tradicional a las redes neuronales de grafos

Trabajar con una Snowflake Native App fue beneficioso por muchos motivos. Gracias a la integración instantánea y fluida, el equipo no tenía que preocuparse por el movimiento, la gobernanza ni la seguridad de los datos, y esto resultó en una relación más ágil con el departamento de adquisiciones. 

“La integración con Snowflake Native App nos permitió aprovechar nuestra infraestructura de Snowflake existente sin necesidad de mover datos”, afirma Syed Zaidi, Data Scientist Marketing Intelligence de Snowflake. “En un plazo de 48 horas teníamos predicciones de nuestras tablas que superaban en dos o tres meses el desarrollo de modelos tradicionales”. 

Se extrajeron datos de varios dominios con cientos de millones de registros de telemetría de productos y decenas de millones de registros de actividades de ventas. Todos esos datos, tanto estructurados como no estructurados, se ingerían en la GNN para la identificación de cuentas. Poder utilizar una cantidad de datos tan completa supuso un aumento significativo del rendimiento en comparación con los esfuerzos anteriores. 

Kumo también fue una gran opción para esta tarea debido a su uso de redes neuronales de grafos. Las GNN destacan en la búsqueda de patrones en datos conectados. En lugar de analizar el comportamiento de los clientes de forma aislada, como se hace en el aprendizaje automático (ML) tradicional, las GNN se fijan en las influencias y las características compartidas, aprendiendo a través de datos relacionales.  

“Lo que nos impresionó fue cómo la GNN gestionó la complejidad de nuestros datos. Le dimos patrones de consumo de créditos, uso de herramientas, respuestas a campañas, notas de ventas, comentarios y mucho más. Más de 100 millones de registros que habrían sido imposibles de gestionar manualmente por un ingeniero”, afirma Matt Loskamp, Senior Manager of Data Science de Snowflake. “El modelo descubrió patrones que nunca habríamos encontrado y, en última instancia, mejoró en un 20 % la priorización de cuentas en comparación con nuestros enfoques tradicionales”.

Gracias a la integración nativa en Snowflake, las predicciones se pueden actualizar a diario en lugar de trimestralmente. 

De proyecto piloto a éxito global

Armado con estos datos y con mensajes hiperfocalizados y generados por IA, el equipo de marketing del ciclo de vida lanzó campañas trimestrales para los clientes. A lo largo de los tres meses, los esfuerzos de refocalización se complementaron con campañas de correo electrónico por goteo, eventos de productos específicos, comunicaciones por parte de representantes de desarrollo de ventas (SDR) y mucho más. La campaña resultante registró una mejora en el compromiso con un aumento del 19,5 % en la adopción de funciones entre las cuentas focalizadas y un incremento del 45 % en la tasa de conversión de reuniones para nuestro equipo de ventas. El éxito de la campaña piloto se ha ampliado a una ejecución global en varios workloads y ha cambiado la forma en que abordamos el marketing de clientes en Snowflake. 

¿Deseas transformar tu propio marketing B2B con IA? Únete a nuestro webinar para profundizar en la implementación técnica, ver toda la progresión de la campaña y descubrir cómo puedes conseguir resultados similares con los datos de tus propios clientes.