IMPLEMENTACIÓN SISTEMA G-LEADS PARA LA CATEGORIZACIÓN DE COTIZANTES EN LA INDUSTRIA INMOBILIARIA.

Abstract

El presente estudio nació de la necesidad de las inmobiliarias de aumentar sus ventas y optimizar los recursos, dada la alta competitividad del sector. La finalidad es que el área de ventas disminuya la atención en aquellos individuos que no están interesados en comprar y focalizar las estrategias en aquellos potenciales clientes que tienen alta orientación de compra. De esta forma G-Leads categoriza al cotizante en tres grupos: Leads Calientes (alta orientación de compra), Leads Tibios (media orientación de compra con problemas de financiamiento, programa, precio, comuna o tiempo) y Leads Fríos (baja o nula orientación de compra).Los primeros son enviados al departamento de ventas y los segundos al departamento de marketing con el objetivo de convertirlos en oportunidades para la empresa. El estudio se desarrolló en tres partes: la primera consistió en recopilar información sobre la industria inmobiliaria, la generación de Lead y la metodología BANT, la cual se adaptó para desarrollar el estudio. En esta parte, se comprendió que la generación de Lead es un tema poco estudiado en el sector inmobiliario, pero muy prometedor para las empresas. Estudios realizados en Norte América muestran que la tasa de conversión de Leads en el tiempo de respuesta es mejor dentro de las primeras ocho horas, que es el intervalo de tiempo que se utilizó para categorizar a los cotizantes. En la segunda parte se definió el modelo de categorización G-Leads y se implementó en cuatro proyectos inmobiliarios ubicados en la región de Valparaíso. La tasa de respuesta de los cotizantes es baja por la escasez de base de datos nuevas. Finalmente, la tercera consiste en corregir los parámetros teóricos a través de doce modelos distintos estimados por el método mínimos cuadrados ordinarios. El modelo final excluye a la variable Comuna del análisis y Programa es la que tiene más peso sobre la categorización de cotizantes. Es esta variable la que discrimina entre un cotizante Tibio y Frío, con una pendiente de 0,44. Ante inconvenientes en el modelo, se formuló la idea de medir nuevamente la variable dependiente, que pudo haber sido medida con mucho sesgo, lo que distorsiona los resultados. Si esto no funciona, se puede replantear el modelo completo, específicamente en la forma de puntuar las variables ordinales y trabajar con una escala de categorización más pequeña y no con rangos tan variables como se desarrolló (escalas de cero a cien).This study arose from the need of the real estateto increase sales and optimize resources, given the high competitiveness of the sector. The purpose is that the sales decrease attention to those individuals who are not interested in buying and strategies focus on the potential customers who have high purchasing orientation. In this way G-Leads categorization into three groups: Hot Leads (high orientation of purchase), Warm Leads (mean purchasing orientation with financing problem, program, pricing, commune or time) and Cold Leads (low or zero orientationof purchase).The first are sent to the sales department and the second to the marketing department with the goal of turn them into opportunities for the company.The study was conducted in three parts: the first was to collect information about the realestate industry, Lead generation and BANT methodology, which was adapted to develop the study. In this part, it was realized that Lead generation is a little studied topic in real estate, but very promising for companies. North American Studies show that the conversion rate Leads response time is better in the first eight hours, which is the time interval which was used to categorize contributors.In the second part we defined the categorization model G-Leads and implemented in four real estate projects located in the region of Valparaíso. The response rate is low by limited new data base. Finally, the third is to correct the theoretical parametersthrough twelve different models estimated by ordinary least squares method. The final model excluding the variable analysis Commune and Program is the one with more weight on the categorization of contributors. It is these variables that discriminate between warm and cold contributor, with a slope of 0.44. Faced with drawbacks in the model, was formulated the idea of measuringthe dependent variable again, that could have been measured with much slant, distorting the results. If this does not work, we propose to rethink the whole model, specifically in the form of rate ordinal variables and work with a smaller scale categorization ranges and not as developed as variables (scales from zero to one hundred).