Вернуться назад

Рекомендательная система для отдела продаж

Рассказываем, как благодаря внедрению нашей рекомендательной системы в отдел продаж крупной машиностроительной компании, конверсия из звонка в продажу выросла на 38%.


Проблема


Особенностью бизнеса компании является большое количество вариантов коммерческих предложений (несколько десятков принципиально разных сделок (продажа, выкуп, трейд-ин, лизинг, продажа б/у, техобслуживание и др.))  и сотни моделей техники, которые можно предлагать. Потенциальных клиентов - несколько десятков тысяч.

С учётом того, что менеджеру необходимо прозванивать десятки клиентов в день, то подготовить персональное коммерческое предложение не представляется возможным. Поэтому при прозвонах вероятность сделки довольно низкая. 


Гипотеза для решения


Более половины продаж на крупных западных онлайн сервисах, например, Netflix и Amazon, совершаются благодаря персональным предложениям и рекомендательным системам. 

Была выдвинута гипотеза, что используя аналогичные алгоритмы, можно получить рекомендации, кому из клиентов какое коммерческое предложение делать, какую скидку предлагать, когда лучше звонить. 

Конечной задачей было получить список клиентов (ранжированных по вероятности сделки) и наиболее подходящие для него варианты коммерческого предложения, в частности какую модель техники предлагать, новую или б/у, вид финансирования.


Сложности разработки


Основными проблемами, которые следовало решить - это небольшое количество доступной информации о клиентах и слишком разнородные данные о них. 

Первая проблема была решена за счёт обогащения существующих данных о клиентах информацией из открытых источников, вторая - глубокой аналитикой и преобразованием одних типов данных в другие, нормированием, очисткой и применением других методов науке о данных.


Решение и проверка


В результате 5 недель работы было разработано две рекомендательные системы. Первая модель подсказывала какому клиенту какое КП сделать, а вторая говорила каким клиентам в первую очередь предлагать конкретные модели машин.

Более того была продемонстрирована логика, на основании которой программа делает подобные рекомендации. То есть было выявлено, что существенно для определения типа КП, а что нет. Эта информация показала определённые неочевидные закономерности, которые были полезны аналитикам, маркетологам и руководителям направлений.

Данные проверялись путём использования наших рекомендаций при звонках. Результат приятно удивил всех: конверсия из звонка в покупку выросла на 38% (плановое улучшение было 15%). Более того, выросла конверсия клиентов, заинтересовавшихся, но не сделавших покупку (возможно продажа будет позднее).


Дальнейшее улучшение


После получения первых положительных результатов, было принято решение продолжать работу. Модель была настроена таким образом, чтобы каждая последующая информация о сделках (совершённых и отклонённых) доучивала программу, увеличивая в дальнейшем точность работы. Также появилась возможность подключить дополнительные данные для обогащения модели.



Если вы также хотите увеличить эффективность своего отдела продаж за счёт внедрения рекомендательной системы, обращайтесь к нам, мы проконсультируем и предложим наиболее оптимальное для Вас решение.

 

Другие статьи по этой теме

Рекомендательные системы: как это работает

Обзор основных постановок и результатов

Цифровой двойник (Digital Twin)

Расскажем, что такое цифровой двойник и как эта технология помогает оптимизировать эффективность бизнеса

Контакты
ООО Селадо

г. Москва, метро Павелецкая, Павелецкая набережная д. 2 стр 3, офис 106, БЦ LoftVille

+7 (495) 003-91-37
Свяжитесь с нами: