Привет, меня зовут Морозов Дмитрий, я действующий директор по маркетингу с 13-летним стажем, а также я провожу аудиты отделов маркетинга и продаж. А это новый выпуск кейсов, подкаста, в котором нет ведущего и каждый раз меняются гости, рассказывая о своих историях. В этот раз таким кейсом делиться с вами буду я. Поехали!
Кейс называется «предиктивная модель». Ко мне обратился клиент с базой из более чем 50 тысяч клиентов. Эта база была распределена на 9 отделов продаж, естественно неравномерно, и проблема была очевидна. Менеджеры тратили до 20% рабочего времени на ручной анализ своей клиентской базы. Более того, зачастую они конкурировали за клиентов, потому что была разная история продаж в один момент. Один менеджер продал клиенту, в другой момент другой менеджер и так далее. Поэтому постоянно возникали конфликты.
Что нужно было сделать? Нужно было сделать так, чтобы планирование и распределение усилий между отделами основалось не на интуиции, как есть сейчас, а чтобы это было оцифровано и чтобы не возникало конфликта с ситуацией. Цель создать алгоритм.
Во-первых, распределение, во-вторых, прогнозирование. Для того, чтобы это реализовать, была выбрана RFM-система. И ниже я расскажу несколько подробнее, как это работало.
Что нужно было сделать. Первое, оптимизировать работу отделов продаж. Второе, повысить конверсии повторных продаж. Третье, снизить время на подготовку планов продаж. И четвертое, сделать прогнозирование системным и масштабированным.
С чем я столкнулся на входе в проект, то есть какие были основные сложности. Первый, это большой объем данных, база из более чем 50 тысяч клиентов, с историей покупок в несколько лет. Во-первых, требовалось все это причесать, во-вторых, распределить, в-четвертых, сделать так, чтобы все эти данные были читаемы и обрабатываемы. То есть, разная структура данных в отделах, когда каждая команда хранила данные по-своему, усложняла сама по себе обработку этих данных. Следующая – неоднородность клиентских сегментов. Разные отделы работали с разными типами клиентов. То есть кто-то с випами, кто-то с средним сегментом, кто-то с низким сегментом. И более того, распределение это было достаточно интуитивно. Опять второй раз мы уже наталкиваемся на то, что распределение производилось не цифровым способом, а просто на основе ощущений. Четвертое. Отсутствие единых KPI по повторным продажам. Перед внедрением алгоритма менжи по разным отделам оценивали успех по разным метрикам. Это усложняло проверку точности прогноза. Интеграция с рабочими процессами отделов — это пятая сложность. Алгоритм должен был быть понятен менеджером и легко интегрироваться в их текущие dashboard-ы и инструменты.
Итак, моя роль – это разработка алгоритма прогнозирования с нуля, включая все формулы и логику расчета вероятности покупки. Составление технического задания на проект для интеграции с 1S, для интеграции с внутренними системами, для того, чтобы IT отдел мог это реализовать в короткие сроки. И третье – это настройка RFM-сегментации клиентов. Напомню, RFM-сегментация дает 27 статусов клиентов, каждый из которых должен обрабатываться самостоятельно. У него должен быть свой CJM, свой путь клиента и путь его развития. Какие были сделаны шаги? Первая сбор и подготовка данных – это история покупок клиентов за последние 24 месяца, а в некоторых случаях мы шли более того на 48 месяцев. Статусы клиентов активный, спящий и вип, и дополнительные данные по сезонности, по категориям товаров и по распределению в регионах.
Анализ RFM. Напомню, RFM – это система, в которой мы определяем статус клиента по трем статусам. Это частота покупок, это объем покупок и это дата последней покупки. Таким образом, мы понимаем, в какой пропорции, какое количество клиентов у нас есть по компании в целом, в каждом отделе продаж и у каждого менеджера по продажам персонально.
Следующая, разработка алгоритмного прогнозирования. Для каждого клиента рассчитывается вероятность следующей покупки в конкретном месяце, выраженная коэффициентом от нуля до единицы. То есть единица это когда у нас 100% должен купить в этом месяце, ноль когда по всем статистическим данным у нас не должен приобретать в этом месяце. Само распределение, сами коэффициенты могли быть и 75%, и 33%, то есть у нас получались градации того, насколько вероятно покупка клиента в этом месяце. Прогностическая модель учитывает RFM-показатели, статусы клиента и сезонные колебания. Алгоритм проверялся на исторических данных с точностью прогнозирования до 85%. Коэффициент позволял отделам продаж приоритизировать клиентов по потенциалу доходов, выделяя тех, кто с наибольшей вероятностью совершит покупку. Тем самым он направлял усилия менеджера в сторону тех клиентов, которым нужно больше всего внимания, которые с большей вероятностью купят.
Тем самым мы смогли увеличить продажи.
Если говорить о результате, то конверсия повторных продаж выросла на 11%, И время на анализ клиентской базы у нас сократилось на 24%. При том, что мы смогли сегментировать в 100% базы, мы смогли распределить пропорционально тип клиентов между всеми отделами продаж и всеми менеджерами. И исходя из этого, оставалось сделать последний шаг. Это разработать дашборды и таблицы, где менеджер видит клиентов с высоким потенциалом покупок, прогнозные продажи на месяц и приоритетные сегменты для работы. Сами руками они ничего не делали, они в начале месяца получали агрегированные данные и с помощью этих данных расставляли приоритет в своей работе.
Таким образом, после внедрения этого алгоритма сотрудники отделов продаж смогли сфокусироваться на ключевых клиентов, Прогнозирование стало системным и масштабируемым. То есть, если будут появляться новые отделы продаж, не возникнет никаких сложностей к тому, чтобы внедрить систему и для них. И алгоритм легко адаптируется под новых клиентов с их историей покупок. Сам проект показал, что персонализированный подход к прогнозированию продаж на основе RFM и статуса данных клиентов позволяет компаниям работать эффективнее, увеличить конверсию в повторных продаж, сокращать трудозатраты сотрудников и иметь прозрачные масштабируемый процесс планирования.
Ну, а если хотите внедрить подобную систему, провести аудит отделов продаж или разработать индивидуальный алгоритм, обязательно приходите по ссылке в описании и, конечно же, слушайте подкаст кейсы. Всем спасибо, всем пока.
Сайт Дмитрия: https://dumorozov.ru/
Телеграм-канал: https://t.me/proMeMarketing
Телеграм Дмитрия: https://t.me/MDproM
Реклама
ИНН: 773013498689
Erid: 2VtzqvMfEaw
