Основной процесс по фреймворку CRISP-DM Этапы, в соответствии с методологией CRISP-DM Как определить точки роста конверсии продаж с помощью Big Data.
Метод обработки данных, полученных в процессе продажи людьми (звонки/встречи), с целью оптимизации воронки, сокращения цикла сделки и увеличения конверсии.
Это лучшая работа, которую я видел - очень все хорошо структурировано. И бизнес у вас суперинтересный. Надеюсь, у вас получится что-то сделать и на международном рынке. - Владимир Горовой, Yandex.Cloud, преподаватель Skillbox, дисциплина “Большие данные и AI в бизнесе”.
Звонки/встречи проводятся с подключением SalesAI. Интеграция с CRM системой позволяет собрать чистые и точные данные, которые можно анализировать инструментами Big Data: Process Mining, Spaghetti Diagram, Reverse Engineering и тд.
Если у нас сформирован качественный и объемный массив чистых данных, мы можем провести операцию Reverse Engineering для оптимизации процесса продаж, например, пересобрать воронку продаж или определить наиболее короткий процесс, или собрать наиболее эффективные тактические приемы/фразы, которые приводят к конверсии с высокой долей вероятности. Обратную задачу тоже можно решить: выявить эпик фейлы в процессе.
Рассказываем подробно, как это выглядит по шагам и какой результат от этого мы можем получить.
|
Этап
|
Цели этапа
|
Выход
|
Проблемы/риски
|
|
Business Understanding
|
Цель проекта - определить точки роста конверсии продаж. В зависимости от продуктов/регионов и др переменных, за счет глубокого анализа имеющихся внутренних данных. Второстепенная цель - определить внешние данные, которые необходимо учитывать для более точного результата.
|
Задачи: • Определить зоны роста • Определить зоны потерь • Описать новый эффективный процесс • Определить метрики эффективности процесса
|
Объем выборки может быть недостаточен для однозначных выводов. Хранение данных, возможность их получения. Отсутствие интересующих инсайтов для заказчика.
|
|
Data Understanding
|
В идеале, тк все диалоги пропущены через SalesAI и есть интеграция с CRM, то все необходимые данные хранятся в CRM: список событий по каждой сделке, Некоторые записи разговоров/встреч, Записи статусов сделки и связанных с ней объектов, Возможно протоколы встреч, Эл письма, Договоры/НДА, ТЗ, КП (все версии), пресейл документация и тд. Понять сильные и слабые стороны имеющегося набора документов.
|
Понимание общего объема и категорий данных, доступных для анализа. Обогащение данных с помощью сторонних источников. Определение начальных гипотез для анализа: Оценка: - достаточности данных - релевантности данных Рассчитаны описательные статистики данных (целевых метрик), построены их графики Корректировка бизнес целей исходя из состояния данных
|
Проблемы консистентности данных состоят в том, что может быть очень мало полного набора данных, объединенных одним ID сделки: нет исторических данных, данные в CRM с ошибками (90%), не полные, несвоевременно измененные, пропущенные кирпичики, не сохранились документы, или хранятся в разных местах, нечитабельные, коммуникация велась не в санкционированных каналах, которые не подлежат учету и тд. Основная проблема постфактум будет состоять в сборе полной цепочки событий по каждой сделке (Data Evidence). Иначе точность анализа будет слишком низкой. Именно поэтому сложно сделать ретроспективный анализ, потому что необходимо долго ковыряться в архивах, чтобы все найти. Для наиболее эффективного пути, сначала внедряется Политика управления Данными и SalesAI, потом собираются данные, затем проводится анализ по собранным данным.
|
|
Data Preparation
|
Допустим, у нас не сложные сделки, которые проводятся по телефону и нет долгих переписок и обменов документами. КП переделывается максимум один раз. Допустим, надо разобраться, что и как говорить по телефону менеджеру, чтобы конверсия росла сама. Тогда нам необходимо взять весь объем имеющихся записей звонков за последние 3-24 месяца и провести подготовительную работу.
|
Подготовка датасетов: 1. Выстраивание звонков (событий) в хронологические цепочки в привязке к каждому ID сделки, тк в рамках одной сделки у нас может быть несколько этапов переговоров. 2. Транскрибирование/распознавание голоса в текст. 3. Разметка данных этап 1. нам необходимо определить цель каждого звонка и каждому разговору присвоить лейбл. Если звонок был полезный. Например, у нас могут быть звонки с целью квалификации лида, могут быть с целью закрытия сделки и тд. Также инициатором звонка может быть клиент, или менеджер, это тоже нам необходимо отразить в свойствах. 4. Разметка данных этап 2, более глубокого уровня: разложить каждый звонок на элементы контекста, что происходило внутри. Здесь, возможно, придется использовать гипотезу, в рамках которой определить набор сущностей и разложить все в рамках заданного набора сущностей, либо набор гипотез и у каждой гипотезы будет свой набор сущностей. В дальнейшем можно будет определить, какая гипотеза оказалось наиболее успешной. 5. Провести Кластеризацию моделью и сравнить результаты с используемыми гипотезами.
|
• Качество распознавания • набор гипотез может быть ложным и дать фейковые срабатывания • выбор не тех сущностей и тд • мало неразорванных цепочек
|
|
Modeling
|
Визуализация данных и создание скоринговой модели
|
1. Определить репрезентативность выборки: Диаграмма Спагетти, которая позволит показать: • количество полных цепей • количество успешных цепей • кол-во разорванных цепей событий 2. Детализация успешных цепей: • цепочки событий на временном графике, которые увеличивали скоринг лида. С указанием скоринга • КФУ в каждом мейлстоуне • Детализация до ключевых фраз • Успешные фреймворки проведения переговоров 3. Аналогично по неуспешным цепям 4. Общие характеристики клиентов, с которыми сделки закрыты успехом: критерии квалификации. 5. Сколько сделок можно было бы закрыть на том массиве по новому процессу. 6. Как выглядит новый процесс на графике время/скор
|
Сложность сделать zoomin/zoomout процесса красиво
|
|
Evaluation
|
Оценка качества модели Проведение тестовой симуляции (ретроспективный анализ) или пилота в виде А/В-тестирования, например, сколько мы смогли бы продать в прошлом (на том же датасете), если бы применили новый процесс.
|
Определяем метрики эффективности нового процесса (возможно лучше: оценка эффективности нового процесса определенными заранее метриками) Разработан дизайн эксперимента в виде А/В-тестирования: - определен объем контрольной и целевой выборок - длительность проведения эксперимента - критерии остановки эксперимента - определены ресурсы и технологии, необходимые для проведения эксперимента. Запущен пилот Вносим еще итерацию изменений, если необходимо. Повторяем эксперимент, если необходимо, если результат достигнут (метрики изменились), то приступаем к внедрению
|
Влияние внешней среды Человеческий фактор Сезонность
|
|
Deployment
|
План внедрения: - Внедрение автоматизации сбора данных с помощью SalesAI. - Презентация команде результатов анализа. - Гиперболизация разницы: сколько потратили и сколько могли бы заработать, если бы работали по другому. - Объяснение, как теперь будет выглядеть новый процесс. - Какой рутины у них больше не будет - Подсказки сейлам в режиме реального времени.
|
Пайплайн сбора чистых данных и петля обратной связи, которая позволяет изменять элементы процесса и фактически адаптировать процесс под каждый сегмент клиентов или под каждого целевого клиента (ABM в действии).
|
Человеческий фактор/инстинкт самосохранения Привычки UI/UX Нежелание перестраиваться Изменения внешней среды Сезонность Кривая обучения
|
Процесс анализа данных в CRM по фреймворку CRISP-DM. Как проводить анализ звонков и встреч. Как определить точки роста конверсии продаж с помощью...
Расчет покрытия прогноза с помощью данных CRM. Автоматическое вычисление вероятности конверсии сделок по стадиям на основе качества ведения...
Как создать стратегию продаж на 2024: практическое руководство для директора по продажам. 3 ключевых элемента, 7 шагов внедрения. Cкачайте полное...