Искусство данных.
Ранее я изучал, как использовать подход на основе данных для заключения торговых сделок с учетом таких атрибутов, как город, среда продаж, размер возможностей и итерация продаж.
В этой статье я воспользуюсь аналогичным подходом к оптимизации продаж B2B, на этот раз используя данные компании-разработчика программного обеспечения с 448 экземплярами, описанными 22 атрибутами, включая внимание к клиенту, ясность объема, стратегическую ценность и многое другое.
Как говорится, «в Рим ведет много дорог». Ваши данные о продажах могут выглядеть совершенно иначе, но это говорит о том, что для достижения одного и того же результата и построения точной модели для прогнозирования продаж можно использовать различные источники данных.
Данные
Как есть, наши данные разделяются точкой с запятой, а не запятыми (как в стандартном CSV или файле значений, разделенных запятыми). Мы можем исправить это с помощью однострочника Python:
import pandas, csv; pandas.read_csv('http://www.salvirt.com/wp-content/uploads/2016/08/Salvirt_B2B_ML_dataset.csv', sep=';').to_csv('data.csv', index=False,quoting=csv.QUOTE_NONE)
В остальном наши данные имеют правильный формат с атрибутами, описывающими KPI, Status. Вот небольшой образец данных:
Анализ
Теперь мы можем загрузить данные в Apteo для анализа. Во-первых, давайте взглянем на ключевые факторы или атрибуты, которые больше всего влияют на наши KPI.
Наиболее важным фактором является Up_sale, который описывает, является ли продажа обновлением существующего продукта или нет. Интуитивно это имеет смысл. Гораздо проще убедить кого-то, кому вы уже продали что-то (например, базовую версию программного обеспечения), обновить его, чем убедить кого-то, с кем вы никогда раньше не встречались, купить что-то.
Нажав на Up_sale, мы увидим, что это действительно так, поэтому апселлинг - это такая отличная стратегия: он с большей вероятностью сработает, чем закрытие «холодного» лида.
Еще один ключевой фактор - Product. Вникнув в детали, мы видим, что у некоторых продуктов коэффициент конверсии выше, чем у других, что также имеет интуитивный смысл. Практически в любой компании, выпускающей много продуктов, одни продукты будут любимы и рекомендованы многими, в то время как другие не достигнут успеха.
Говорят, что хороший продавец может «продать лед эскимосу», но лучше, если продукт будет просто отличным предложением.
Следующим по важности фактором является Client, или просто, является ли клиент новым или текущим клиентом. Это похоже на Up_sale, поскольку у вас есть определенные отношения с гораздо большей вероятностью конверсии.
Seller относится к продавцу. Продавцы с большим опытом, более глубокими знаниями о продукте, более тесными отношениями с отраслью или просто большим количеством талантов с большей вероятностью заключат сделки. На самом деле нет никаких универсальных идей, которые можно было бы извлечь из этих конкретных данных о продавце, кроме как нанять хороших продавцов.
Competitors - есть ли известные конкуренты в отношении этого лидерства. Как вы, возможно, догадались, у потенциальных клиентов без конкурентов гораздо больше шансов конвертироваться, но разница поразительная. В сделках с конкурентами процент выигрышей составлял около 20%, а в сделках без конкурентов - около 67%.
Наконец, давайте взглянем на Source (я не буду подробно останавливаться на всех 22 атрибутах, поэтому проверьте остальные, загрузив данные в Apteo).
Обратите внимание: поскольку существует много разных источников, количество экземпляров для каждой категории не так велико, поэтому мы не обязательно можем делать строгие суждения на основе этих данных.
Тем не менее, мы видим, что лиды из direct mail источников имели 100% процент проигрышей при 16 потерях, а лиды из referral источников имели 100% выигрыш при 13 победах. Если вам нужно было расставить приоритеты между двумя лидами, выбор очевиден.
Понимание на практике
Вооружившись этими идеями, пора применить их на практике и создать механизм продаж, основанный на данных.
Во-первых, мы можем легко предсказать, будет ли новая сделка выиграна или проиграна, и соответственно расставить приоритеты. Затем мы могли бы присвоить «баллы за лидерство» на основе вероятности заключения сделки.
Например, мы знаем, что текущие клиенты с дополнительными продажами, у которых нет конкурентов и которые изначально были привлечены по рекомендации, имеют очень высокую вероятность быть закрытыми, в то время как новые потенциальные клиенты с конкурентами, полученные из прямой почтовой рассылки и с помощью «решения» тип проекта имеет низкую вероятность быть закрытым.
Теперь можно соответственно расставить приоритеты для времени и усилий продавцов.
Чтобы узнать больше о продажах и маркетинге на основе данных, ознакомьтесь с моими статьями о интеллектуальном анализе данных для бизнес-аналитики и оптимизации коэффициента конверсии.
Получите доступ к экспертному обзору - Подпишитесь на DDI Intel
