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

info@DDM.center

Телефон: +380 67 341 7101

© 2017 DDM.center

Выиграем или проиграем сделку?

Такой вопрос возникает каждый день или несколько раз в день у рядового продавца, руководителя продающего подразделения и ТОП-менеджеров компании, потому что не будет продаж означает, что не будет и бизнеса (премии, зарплаты и т.п.). Если такой вопрос возникал и у Вас, то ниже будет короткий текст о том, как можно искать ответ на этот вопрос с помощью методов машинного обучения или нейронных сетей.

Мы уже анализировали воронку продаж в одной из публикаций, поэтому возьмем оттуда только одну диаграмму с деревом решений, чтобы напомнить исходные условия.

Имеется информация о сделках:

  • Канал продаж/регион

  • Товарная группа/ подгруппа

  • Масштаб клиента  по к-ву сотрудников/выручке

  • Наличие конкурента в продаже

  • Время на каждой стадии воронки продаж

  • К-во изменений стадии продаж

  • Выручка от клиента за последние два года

  • Сумма сделки и т.п.

Мы построили дерево решений и вывели правила классификации сделок.

 

Примеры правил классификации:

  1. Если выручка от клиента за последние два года больше 1,5 млн. и сделка длится менее 10 дней, то вероятность успеха 60%, если больше 10 дней, то 37%

  2. Если клиент ранее ничего не покупал, то вероятность успеха сделки 19%, длительность процесса роли не играет.

  3. Если сделка продолжается менее 38 дней и сумма предыдущих покупок больше 0, но меньше 400 тыс., то вероятность успеха 80%

  4. Если выручка от клиента за последние два года от 400 тыс. до 1,5 млн, и длительность менее 15 дней, то вероятность 73%, иначе 41%

  5. И т.п.

Дерево решений и правила позволяют нам сделать первичную оценку влияющих факторов и их взаимосвязи, но не дают ответ на вопросы:

  • Какие факторы влияют на успешность сделки?

  • Насколько и как влияет тот или иной фактор?

  • Будет ли выиграна конкретная сделка?

  • Какова вероятность выигрыша конкретной сделки?

  • Какие факторы и насколько влияют на выигрыш конкретной сделки?

Поэтому обратимся к методам машинного обучения. Можем использовать random forest или нейронную сеть. В первом случае меньше времени уйдет на подготовку данных, но результат может быть менее точным. Для нейронных сетей данные необходимо готовить дольше, но и результат может быть гораздо лучше.

 

Покажем, что можно получить, используя метод random forest.

 

Разделим набор данных на две части в пропорции 80:20. Первую (большую) часть будем использовать для тренировки нашей модели, а вторую для тестирования.

 

Построим модель из 500 деревьев и посмотрим на результаты ее обучения.

 Посчитаем матрицу неточностей (confusion matrix)

 

Как видим, точность модели в предсказании проигрыша сделки почти 88%, вигрыша - 73%. Неплохие показатели. 

Начнем отвечать на вопросы, обозначенные в самом начале публикации.

1. Какие факторы влияют на успешность сделки?

 Мы видим, что наибольшее влияние оказывает сумма денег, полученная от клиента за последние два года, а также факторы, связанные с длительностью сделки.

 

2. Насколько и как влияет тот или иной фактор?

Проведем корреляционный анализ и визуализируем результаты.

Перейдем теперь к конкретным сделкам.

Построим тепловую карту влияния параметров на сделки.

Мы видим наиболее значимые факторы, влияющие на успех конкретных сделок, например, №16 – вероятно будет выиграна:

•Новый клиент – снижает вероятность

•Прогноз завершения 65 дней – повышает вероятность

•Стадия идентификации больше 24 дней – снижает вероятность

•Изменение стадий продаж больше 3-х – повышает вероятность

•и т.п.

 

Для каждой сделки мы можем вывести такую диаграмму

Имея такие данные продавцу или руководителю будет проще работать с потенциальным клиентом потому, что в явном виде указаны риски и их величина. Например, мы видим, что главным барьером является новизна клиента. Значит необходимо в презентационных материалах уделить больше внимания вопросам надежности, квалификации, качества компании как поставщика. Предоставить клиенту больше фактических данных о качестве поставок, выполнения работ, качестве продаваемых товаров и т.п.

 

Такую же диаграмму можно построить по группе сделок (например, сгруппировав их по клиенту, или продавцу, или другому параметру)

И в самом конце мы можем вывести информацию по всем сделкам в фиде файла или передать ее в аналитическую систему, или систему отчетности или другую информационную систему.

 

Имея такие данные в информационной системе можно настраивать различные варианты бизнес-процессов и задач, которые будут зависеть от вероятности успеха сделки. 

 

Также такая информация будет полезна для более точной настройки процессов прогнозирования продаж. 

 

Как мы видим, использование методов машинного обучения для анализа и прогнозирования воронки продаж позволяет использовать полученные данные для улучшения уровня конверсии и точности прогноза продаж.

 

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

Уйдет или не уйдет?

March 23, 2018

1/4
Please reload

Недавние посты