Нам нужно, чтобы маркетологи и лидеры продаж перестали думать о науке о данных как о чудовище, сложной, многогранной дисциплине, загруженной сложными алгоритмами, массивными наборами данных и ошеломляющим использованием статистических методов. Для работы с компьютером не требуется степень в области электроники, не так ли?

Вместо этого давайте изменим представление и рассмотрим, как компании могут использовать его для стимулирования продаж.

Квалификация ведущего

Часто отделы продаж тратят большую часть своих усилий на потенциальных клиентов, которые не дают положительных результатов. Имея ежедневно несколько потенциальных клиентов, маркетологи изо всех сил пытаются расставить приоритеты и часто в конечном итоге тратят время на "неправильные" лиды, которые нельзя правильно квалифицировать как потенциальные перспективы, в то время как реальные остаются в стороне.

Именно здесь наука о данных играет огромную роль, привнося то, что является эффективной ‘квалификацией лидера’. Квалификация лидера означает определение того, подходит ли кто-то, заинтересованный в ваших услугах, в качестве клиента.

Квалифицированные лиды имеют более высокий коэффициент конверсии и более высокую рентабельность инвестиций, что делает квалификацию лидов незаменимой. Наука о данных позволяет маркетологам оценивать "квалификацию потенциальных клиентов" с помощью PoC (вероятности конверсии), что помогает продажам расставлять приоритеты в отношении "правильных" потенциальных клиентов.

PoC (вероятность конверсии)

PoC, по сути, присваивает вероятности лидам на основе информации, собранной во время создания лидов.

Назначение вероятностей позволяет руководителям отдела маркетинга и продаж легко отличать потенциальных клиентов с более высоким коэффициентом конверсии от более низких коэффициентов конверсии. Что еще более важно, это помогает руководителям отдела продаж подготовиться к лучшему, чтобы они могли продавать больше.

Давайте подробно рассмотрим, как наука о данных используется для PoC и, следовательно, для квалификации потенциальных клиентов:

Сбор и анализ данных в PoC

Сбор и анализ данных - важнейший элемент PoC. Данные, собранные надлежащим образом и эффективно проанализированные, могут творить чудеса в определении вероятности конверсии различных потенциальных клиентов. Приведенный ниже пример лучше всего иллюстрирует это упражнение.

Данные, изучаемые в школе менеджмента, содержали около 9000 записей о потенциальных клиентах. Поля имели разные атрибуты лидов, как показано ниже:

Источник интереса – как создавался интерес, т.Е. Отправка целевой страницы, форма добавления интереса, Импорт интереса и т. Д.
Ведущий канал – как ведущий попал на сайт школы, например, в Google, в органическом поиске, На сайты прямых ссылок и т. Д.
Местоположение – текущий город лидера
Текущая профессия – текущая профессия ведущего
Возраст – возраст ведущего, желающего поступить в колледж
Результат лидирования – конечный результат убеждения лидов. “Лидирующий результат” является решающим фактором, который будет определять вероятность конверсии. Однако переменная была категориальной недихотомической. Таким образом, результат поиска был преобразован в двоичную переменную путем классификации результата в 0 или 1.

После детального анализа этих данных было обнаружено, что атрибуты лидов в 9000 записях демонстрируют значительную корреляцию с решающей переменной ‘Результат лидирования’.

Кроме того, было обнаружено, что возраст потенциального клиента оказывает значительное влияние на принятие решения о том, будет ли он преобразован в реальную возможность или нет.

Стоит отметить, что у потенциальных клиентов, которые не хотят указывать свой возраст, меньше шансов пройти отбор.

Приведенный выше анализ данных показывает критические взаимосвязи между различными атрибутами потенциальных клиентов и квалификацией потенциальных клиентов, тем самым подготавливая почву для определения PoC нескольких потенциальных клиентов. Модель PoC, приведенная ниже, более подробно описывает путь применения науки о данных в квалификации руководителей.
 
Применение модели PoC

Модель PoC использует важнейший элемент науки о данных, технологию машинного обучения, для прогнозирования вероятности конверсии каждого интереса. Когда взаимодействуют несколько атрибутов, использование возможностей машинного обучения становится неизбежным.

Сначала примените модель PoC

Для прогнозирования конверсии потенциальных клиентов используются типичные алгоритмы машинного обучения, включая случайные леса и логистическую регрессию.

В примере с лидами, рассмотренном в предыдущем разделе, поскольку зависимая переменная является двоичной (результат лидирования), когда мы хотим определить вероятность того, что лиды будут квалифицированы, логистическая регрессия (лучше всего используемая для зависимых переменных) идеально подходит.

Эта модель PoC, примененная к нашему ведущему примеру, дала точность 75%, которая достигается путем сравнения наблюдаемого сбоя (0) и прохождения (1) с прогнозируемым сбоем (0) и прохождением (1). Точность 75% может быть интерпретирована как из 100 полученных потенциальных клиентов, и модель может правильно предсказать для 75 потенциальных клиентов, следует ли их преследовать или игнорировать.

Во-вторых, проверьте точность модели PoC

Еще один способ проверить точность модели - посмотреть на кривую ROC (рабочие характеристики приемника). Чем больше площадь под кривой (AUC), тем лучше модель. На рисунке 4 показана кривая ROC для модели PoC, в которой AUC превышает 50% (обозначена оранжевой линией, разделяющей область графика на две половины).

Таким образом, с применением науки о данных в модели PoC можно эффективно рассчитать вероятность конверсии различных потенциальных клиентов. Давайте рассмотрим некоторые ключевые преимущества использования PoC для квалификации потенциальных клиентов.

Ключевые преимущества модели PoC

Прямая ощутимая выгода от использования модели PoC заключается в том, что она позволяет руководителям отдела продаж определять "правильные интересы", чтобы преследовать, обеспечивая более высокие показатели конверсии для предприятия.

Кроме того, нематериальные преимущества модели PoC во многом похожи:

Повышение операционной эффективности – когда руководители отдела продаж знают, на каких лидах следует сосредоточиться, они экономят время, отбрасывая "холодные" лиды
Лучшая отдача от инвестиций – когда руководители отдела продаж сосредотачиваются на правильных лидах с более высокой вероятностью увеличения бизнеса и доходов, организации видят более высокие темпы роста доходов при меньших инвестициях.
Удовлетворенность сотрудников - поскольку руководители отдела продаж сосредотачиваются на правильных лидах с более высокими шансами на конверсию, их моральный дух повышается, и они чувствуют себя мотивированными и уверенными на работе.

Заключительные мысли

Вероятность конверсии (PoC) - это критический метод, который может помочь маркетологам и лидерам продаж улучшить конвейер продаж и сосредоточиться на правильном наборе потенциальных клиентов.

Кроме того, преимущества PoC могут быть распространены на многие другие области, такие как розничная торговля, банковское дело, ИТ, телекоммуникации, где лидеры продаж обычно смотрят только на данные CRM, чтобы определить правильный набор атрибутов для потенциальных клиентов для достижения более высокого коэффициента конверсии.