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

info@DDM.center

Телефон: +380 67 341 7101

© 2017 DDM.center

Со щитом или на щите?

В майском выпуске журнала Strategic Business Review вышла моя статья об использовании нейронных сетей для прогнозирования успеха сделки.

Здесь опубликуем пока сокращенный вариант.

 

Если вы давно работаете в продажах, то наверняка видели на одном из тренингов фрагмент фильма «Американцы» («Гленгарри Глен Росс»), в котором главные герои — агенты по продаже недвижимости, работающие в компании Premier Properties. Для повышения эффективности их работы центральный офис присылает к ним Блейка — мотивационного бизнес-тренера. Блейк осыпает сотрудников оскорблениями за их плохую работу, после чего обещает, что лучший из четырёх агентов получит в награду «Кадиллак», второй после него — набор кухонных ножей, а остальные два будут уволены.

 

Если вы не видели, или не помните этот эпизод, то ссылка на него есть в статье, посвященной анализу воронки продаж https://www.ddm.center/single-post/SalesFunnel

 

 

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 исходными условиями и данными для нашей виртуальной компании.

Мы провели когортный анализ клиентской базы и видим, что основной доход компания получает от клиентов, привлеченных несколько лет назад, а продаж новым клиентам практически нет.

 

 

Анализ воронки продаж показывает, что привлекается большое количество потенциальных клиентов, но выигрывается чуть больше 20% сделок.

 

 

Какие сделки мы проигрываем и как повысить эффективность работы?

 

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

 

Как устроены нейронные сети?

 

Искуственный интеллект и нейронные сети сейчас в медиа-тренде, тем не менее в них нет какого-то особого волшебства большего, чем волшебство математики. Это математическая модель воплощенная в программном или аппаратном обеспечении, работающая с данными.

 

По известному выражению Стивена Хокинга, "каждая формула в книге уменьшает количество читателей в два раза", поэтому обойдемся без формул и строгих математичсеких выкладок, чтобы объяснить принципы работы нейронных сетей и развеять флер волшебства и миф о «серебрянной пуле».

 

Возьмем наш пример со сделками. Допустим, мы знаем два параметра сделки – продолжительность и сумму, которую ранее тратил у нас клиент. Если клиент тратил много денег, то будем считать это единицей, если мало – нулем. Аналогично и для продолжительности. Если сделка короткая – единица, в противном случае – ноль.

 

Вопрос: какие сделки мы будем выигрывать?

 

Самое простое – если клиент тратит много и сделка длится недолго, то такие сделки мы будем выигрывать. Но жизнь не всегда такая контрастная. Что будет, если денег клиент потратил много, а сделка затягивается? Или сделка длится непродолжительное время, денег клиент тратил, но не так много?

 

Понятно, что для каждого случая что-то одно будет важнее. Точнее, у каждого параметра есть его уровень важности, или вернее сказать — вес. Если помножить параметр на его вес, то получится соответственно “влияние продолжительности” и «влияние дохода». 

 

 

И вот теперь ответ на наш вопрос будет звучать следующим образом: “Если «влияние продолжительности» и «влияние дохода» в сумме больше значения некоторого порогового значения (например ожиданий клиента), то сделка будет выиграна».

 

 

Собственно, это правило и есть нейрон.

 

Искусственный нейрон — это такая функция, которая преобразует несколько входных фактов в один выходной. Настройкой весов этих фактов, а также порога возбуждения — мы настраиваем адекватность нейрона.

 

Наш нейрон пока еще живет в прамолинейном мире, где только да или нет. Наш же реальный мир значительно богаче, да и для наших целей подходят значения «скорее всего выиграем сделку», или «мы проиграем эту сделку с вероятностью 75%».  Поэтому адаптируем его к реалиям, чтобы он мог выдавать не только ноль или единицу, но и дробные значения. Для этого сделаем замену нашей функции с прамолинейной на более сложную, например, сигмоид.

 

 

Теперь наше правило будет выглядеть примерно так.

 

 

 

И результат работы нейрона не будет уже чернобелым, а начнет показывать оттенки цвета.

Конечно же мы сможем добавлять количество параметров для нашего нейрона. Например, можем добавить канал продаж, можем продавца, можем категорию клиента или его масштаб, можем категорию товара, можем территорию продажи или любую другую информацию, которая есть в ваших CRM-системах.

 

Никто не мешает нам объединять нейроны между собой в сеть, чтобы более точно выполнять возложенные на него задачи. В итоге у нас может получаться примерно такая структура.

 

 

 

В нашем случае остался еще один вопрос – как определить вес каждого параметра, чтобы результат был наиболее точным? Для этого есть процесс обучения нейронной сети. Суть его проста. Наши исторические данные мы делим на две части (обычно в соотношении 80/20) и большую часть используем для тренировки сети, а меньшую для тестирования полученных резуьтатов.

 

По-сути, мы говорим нашим нейронам: вот есть значение целевой величины (выиграна или проиграна сделка) и значения параметров сделки (предикторов), необходимо подобрать оптимальные значения веса для каждого предиктора. После процесса подбора мы проверяем точность предсказаний на тестовой выборке данных, о которой нейронная сеть ранее ничего не знала.

 

Перейдем теперь от теории к практике.

 

Наш Блейк (герой Алека Болдуина) обнаружил в CRM-системе компании следующую информацию о сделках:

  • Канал продаж

  • Регион

  • Товарная группа/ подгруппа

  • Масштаб клиента  по к-ву сотрудников

  • Масштаб клиента  по выручке

  • Наличие конкурента в сделке

  • Время на каждой стадии воронки продаж

  • К-во изменений стадии продаж

  • Выручка от клиента за последние два года

  • Сумма сделки 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.

 

Также Блейк сформулировал ряд вопросов, ответы на которые помогут в разработке и принятии решений:

  • Какие факторы влияют на успешность сделок?

  • Насколько и как влияет тот или иной фактор?

  • С какой вероятностью может быть выиграна каждая конкретная сделка?

  • Какие факторы и насколько влияют на выигрыш конкретной сделки?

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

 

Построим нашу сеть и проведем обучение. Проверим результат, построив матрицу неточностей (confusion matrix), в которой отразим фактические значения выигрыша сделки и значения, предсказанные нашей нейронной сетью. Мы видим, что нейронная сеть правильно предсказала проигрыш в 45503 сделках и в 6365 сделках предсказала, что они будут проиграны, а фактически они были выиграны. Т.е. точность модели в предсказании проигрыша сделки почти 88%, вигрыша - 73%.

 

 

<<<<<========================================================================>>>>>

 

 

<<<<<========================================================================>>>>>

 

Подождем немного, пока статья будет опубликована полностью в электронной версии журнала, чтобы увидеть ответы на все вопросы, поставленные Блейком и даже больше.

 

Пока же Вы можете ознакомиться с тем, как с помощью нейронных сетей можно предсказывать уход клиентов или же 

 

свяжитесь с нами, чтобы сделать такой прогноз для Вашей компании и поднять уровень конверсии.

 

или подпишитесь на новости, чтобы не пропустить публикацию полной версии статьи

 

 

Share on Facebook
Share on Twitter
Please reload

Избранные посты

Уйдет или не уйдет?

March 23, 2018

1/4
Please reload

Недавние посты