НАВИГАЦИЯ
КОНТАКТЫ
  • LinkedIn - White Circle
  • Facebook - White Circle
  • Twitter - White Circle

info@DDM.center

Телефон: +380 67 341 7101

© 2017 DDM.center

Анализ воронки продаж. Кого уволить, кого наградить?

 Если вы двано работаете в продажах, то наверняка видели на одном из тренингов этот фрагмент. И вы можете использовать такие методы для мотивации своей команды продаж. Но что будет, когда количество сделок будет составлять несколько десятков или сотен тысяч? Как тогда собрать продавцов из различных каналов продаж, со всей страны и объяснить им, что они уволены?

 

Сегодня, наверное, недостаточно только лишь эмоционально "накачивать" своих продавцов. Требуются более тонкие и точные рациональные настройки. О некоторых таких инструментах и постараемся рассказать в этой статье.

 

Итак, представим себе героя Алека Болдуина через четверть века (фильм вышел в 1992 году) приехавшего в департамент продаж крупной компании. Его задача не уволить нерадивых продавцов, а разобраться с причинами существующей эффективности в продажах и подготовить план действий по изменению ситуации.

 

Безусловно, встречи с персоналом еще будут впереди, но к ним надо готовиться более тщательно, чем написать на доске "A- always B - be C - closing"  и кроме эмоций предоставить сотрудникам также аналитику и рекомендации. 

 

Начнем разбираться с цифрами.

 

У нас есть набор данных о продажах, которые включает в себя информацию о сделках (результат сделки, характеристики клиента, продолжительность сделки, канал продаж, территорию, группу товаров и т.п.) 

 

У вас может быть намного больше информации, но большинство CRM-систем позволяет собрать для анализа данные, которые мы будем использовать. Чем больше у вас будет качественной информации, тем более тонкий анализ можно проводить и находить новые возможности для роста бизнеса.

 

Всего в нашем наборе 78 025 сделок, из них более 75% проиграны.

 

Не очень удовлетворительная для нас картина с эффективностью. Поэтому сформулируем несколько вопросов, ответы на которые позволят разобраться с причинами таких результатов.

 

  • Какие каналы продаж и регионы дают наибольшее количество сделок?

  • Как распределяются сделки по основным стадиям продаж?

  • Как влияет продолжительность сделки на результат?

  • Как влияет на результат история  сотрудничества и сумма ранее потраченных средств?

  • Как влияет на результат категория товаров?

  • Как влияет на результат сумма сделки?

  • Как влияет на результат масштаб клиента?

  • Как влияет на результат наличие конкурента в закупке?

И, пожалуй, главный вопрос - что необходимо изменить, чтобы повысить эффективность продаж?

 

Посмотрим на каналы продаж и регионы.

 

Два канала продаж: прямые продажи и реселлеры - приносят львиную долю сделок. Причем последний также приносит больше выигранных сделок. Среди регионов нет такого явного различия, но тоже выделяются два региона: Midwest и Pacific.  Они отличаются по количеству недорогих сделок, но в целом распределения по регионам очень похожи.

 В отличие от регионов, распределения сделок по каналам существенно отличаются не только по количеству, но и по форме кривой распределения плотности сделок. Так мы видим в канале прямых продаж пик сделок с суммой 100 тыс. долл. возможно речь идет о каких-то типовых предложениях для клиентов. В то же время, в канале реселлеров распределение между проигранными и выиграными сделками более равномерное, хотя и средняя сумма сделки  (чуть больше 25 тыс.) примерно в 4 раза меньше, чем в прямых продажах (100 тыс.).

 

Построим тепловую карту доли выигранных сделок в разрезе каналов продаж и ценового уровня сделки.

 Действительно, канал реселлеров дает нам наиболее равномерное распределение уровня выигранных сделок по всем ценовым категориям. Возможно, продавцы реселлеров более опытные и лучше умеют продавать.

 

Рассмотрим теперь сколько времени каждая сделка находится на той или иной стадии продажи.

 В нашем случае есть данные о четырех стадиях продажи: идентификация, валидация, квалификация, закрытие. Соответственно, мы имеем 3 промежутка - время пребывания сделки на стадии до ее перехода на следующую. 

По нашим правилам сделки не обязательно должны переходить из стадии на стадию последовательно.

Отметив на графике выигранные и проигранные сделки цветом, а также усреднив время пребывания на стадии, мы видим, что выиграшные сделки находятся на стадии меньшее время, а значит закрываются быстрее.

Построим распределение сделок по результату: выиграна или проиграна и длительности сделки.

 

Действительно, мы видим пики закрытия проигранных сделок близко к 24 дням, а медианные значения выборок отличаются почти в 3 раза: 6 дней - выигранные сделки; 18 дней - проигранные.

Если у вас есть данные по активности продавцов, то хорошо также соотнести количество действий и результативность сделок. Тогда можно сделать вывод о причинах того, что проигранные сделки тянуться дольше. Сейчас мы можем говорить лишь о корреляции этих переменных, но не о причинах.

Это хорошо видно на следующем графике. Доля проигранных сделок очень резко увеличивается почти до 100% буквально за 20-30 дней.

 

 На основе этой информации можем сделать вывод, что чем дольше продолжается сделка, тем меньше вероятность ее успешной продажи.

 

 Исследуем теперь вопрос влияния предыдущих покупок на вероятность успешного завершения сделки. Так как у нас нет данных о частоте покупок, а есть только информация о сумме, потраченной клиентом за предыдущеи два года, то будет отталкиваться от этих данных. Для простоты обозначения будем считать клиентов, которые ранее ничего не покупали у нас новыми, хотя мы и могли пробовать продать им что-то.

Построим стандартное распределение. 

Несколько выводов:

  •  Средняя сумма сделки растет по мере роста портаченного за два года почти в 4 раза.

  • Видим активную работу с новыми клиентами, но даже пики стоимости предложений (10, 50, 100 тыс.) говорят о потенциально неправильном подходе - стандартном предложении потенциальным клиентам. Посмотрите на распределение сделок по каналам продаж. Прямые продажи имеют очень похожую конфигурацию.

Предварительный вывод - работа в прямом канале по новым клиентам продуктивна, но не эффективна.

 

 Построим еще один график.

Из него следует, что клиенты, которые ранее ничего не покупали у нас имеют самую низкую долю выигранных сделок, что понятно. Наибольшая доля выигранных сделок приходится на сегмент клиентов, потративших до 50 тыс. Дальше она уменьшается по мере роста потраченных сумм. Возможно, это объясняется тем, что более крупные сделки дольше длятся, а мы отмечали, что длительные сделки не наш конек. Исследуем эту связь.

Построим диаграмму, где покажем распределение сделок по времени и потраченным клиентом деньгами. Цветом отметим результат сделки: красный - проиграна, зеленый - выиграна.

 На графике хорошо видимо разделение между выигранными и проигранными сделками. Добавим линии плотности результатов на этот график.

 Хотя пересечения существуют, тем не менее наиболее плотные области находятся на некотором расстоянии друг от друга. Это говорит о том, что есть корелляция между успешностью завершения сделки и двумя факторами: продолжительность сделки и сумма потраченная за предыдущие два года. Можем предположить, что эти два фактора будут существенно влиять на вероятность успешного завершения сделки.

 

Для дальнейшего анализа и построения прогнозов воспользуемся средством для поддержки принятия решений, которое называется деревом решений 

Одно из достоинств этого инструмента - наглядность и простота понимания и легкость интерпретации. 

 

Чтобы классифицировать новый случай, надо спуститься по дереву до листа и выдать соответствующее значение. Подобные деревья решений широко используются в интеллектуальном анализе данных. Цель состоит в том, чтобы создать модель, которая предсказывает значение целевой переменной на основе нескольких переменных на входе.

Соответственно, имея параметры сделки, мы можем с некоторой вероятностью предсказать ее успешное или неудачное завершение.

 

В качестве целевой функции будем использовать результат сделки: выиграна или проиграна.

В качестве атрибутов от которых будет зависеть целевая функция возьмем перечень данных, описанных в вопросах в самом начале статьи:

  • Продолжительность сделки

  • К-во изменений стадий продаж

  • Сумма, которую клиент потратил за зва предыдущих года

  • Масштаб клиента

  • Ценовой сегмент сделки

  • Группа товаров

  • Канал продаж

Для построения дерева воспользуемся пакетом evtree. Математику и детали можно посмотреть в документации. Здесь приведем короткую цитату из описания. 

 

Commonly used classification and regression tree methods like the CART algorithm are recursive partitioning methods that build the model in a forward stepwise search. Although this approach is known to be an efficient heuristic, the results of recursive tree methods are only locally optimal, as splits are chosen to maximize homogeneity at the next step only. An alternative way to search over the parameter space of trees is to use global optimization methods like evolutionary algorithms. The 'evtree' package implements an evolutionary algorithm for learning globally optimal classification and regression trees in R.

 

После некоторого времени, пока все считалось, появилась вот такая диаграмма.

 Суть ее проста. В самом низу мы видим распределение выигранных или проигранных сделок с указанием к-ва сделок, а вверху путь к нему, который проходит через все наши переменные.

Как видим переменная, которая указывает на сумму, которую клиент потратил ранее одна из основных - она находится в самом верху. Также значимой является и наша вторая переменная - длительность сделки.

Выберем только их для построения нового дерева.

 

Какие выводы мы можем сделать из анализа дерева?

 

1. Вероятность успеха в первую очередь зависит от того, покупал ли клиент у нас что-то ранее или нет и на какую сумму покупал.

Мы видим, что если ранее покупок не было, то вероятность упешной продажи чуть ниже 20% (крайний слева прямоугольник и путь к нему)

2. Наибольшая вероятность (~80%) успеха в продаже будет в случае, когда клиент покупал ранее на сумму до 400 тыс. и сделка длилась не более 38 дней 

3. Почти 75% вероятность успеха при покупках от 400 тыс. до 1,5 млн.и длительностью продажи менее 15 дней.

4.  Если же клиент купил ранее у нас на сумму более 1,5 млн, то для успеха с вероятностью 60% надо завершать сделку менее, чем за 10 дней, в противном случае вероятность снижается почти вдвое.

 

Отсюда некоторые выводы:

1. Необходимо пересматривать технологию продаж новым клиентам (процесс, сценарии разговора, предложения и т.п.)

2. На подготовку предложений существующим клиентам выделять больше и более квалифицированных ресурсов, чтобы сократить время сделки. Возможно, потребуется пересмотр процесса утверждения или других регламентов, которые удлиняют сделку.

3. Необходимо поощрять продавцов из канала продаж - реселелры, перенимать у них опыт.

4. Необходимо модернизировать систему напоминаний, чтобы активно стимулировать продавцов закрывать сделки как можно быстрее.

 

Ваши выводы, предложения, замечания, как всегда приветстсвуются в комментариях.

 

О моделях машинного обучения и нейронных сетях скоро будет еще одна статья.

 

Подписывайтесь на обновления нашего блога, задавайте вопросы и назначайте встречу для консультации по вашим проектам.

 

Требуется консультация по увеличению продаж на основе анализа воронки продаж и клиентской базы? Напишите нам или назначьте встречу.

 

 

 

 

Share on Facebook
Share on Twitter
Please reload

Избранные посты