898633556

Как с помощью нейронных сетей спрогнозировать результат сделки

Если вы давно работаете в продажах, то наверняка видели на одном из тренингов фрагмент фильма 1992 г. «Гленгарри Глен Росс» («Американцы»), в котором главные герои  – агенты по продаже недвижимости, работающие в компании Premier Properties. Для повышения эффективности их работы центральный офис присылает к ним мотивационного бизнес-тренера Блейка, которого играет Алек Болдуин. Блейк осыпает сотрудников оскорблениями за их плохую работу, после чего обещает, что лучший из четырех агентов получит в награду «Кадиллак», второй после него – набор кухонных ножей, а остальные два будут уволены.

И вы можете использовать такие методы для мотивации своей команды продаж. Но что будет, когда количество сделок  составит 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 лишь эмоционально «накачивать» своих продавцов. Для этого требуются более тонкие и точные рациональные настройки. О некоторых таких инструментах я хочу рассказать вам в этой статье.

Итак, представим себе героя Алека Болдуина, который через четверть века приехал 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  — be C – closing».И, кроме эмоций, предоставить сотрудникам также аналитику и рекомендации.

Начнем разбираться с исходными условиями и данными для нашей виртуальной компании.

После проведенного когортного анализа клиентской базы мы видим, что основной доход компания получает от клиентов, привлеченных несколько лет назад, а продаж новым клиентам практически нет (см. рис. 1).

ph1

Анализ воронки продаж показывает, что привлекается большое количество потенциальных клиентов, но закрывается при этом чуть более 20% сделок. Какие сделки проиграны, и как повысить эффективность работы?

Такой вопрос возникает практически по несколько раз в день у рядового продавца, руководителя продающего подразделения и топ-менеджеров компании, потому что отсутствие продаж означает, что не будет и бизнеса (премии, зарплаты и т. п.). Если же подобным  вопросом задавались и вы, то в этой статье пойдет речь о том, как можно искать на него ответ  с помощью методов машинного обучения или нейронных сетей.

Искуственный интеллект и нейронные сети сейчас в медиатренде, тем не менее в них волшебства нет большего, чем в математике. 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». Рассмотрим пример со сделками. Допустим, мы знаем два параметра сделки – продолжительность и сумму, которую ранее мог оставить у нас клиент. Если он 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?

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

Понятно, что для каждого случая что-то одно будет важнее. Точнее, у каждого параметра есть его уровень важности  – вес. Если умножить параметр на его вес, то получится «влияние продолжительности» и «влияние дохода».

И вот теперь ответ на ранее заданный вопрос звучит так: «Если «влияние продолжительности» и «влияние дохода» в сумме больше некоторого порогового значения (например, ожиданий клиента), то сделка будет выигрышной» (см. рис. 2). Это правило и есть нейрон.

ph2

 

Искусственный нейрон – функция, которая преобразует несколько входных фактов в один выходной. Настройкой весов этих фактов, а также порога возбуждения мы регулируем адекватность нейрона.

Наш нейрон пока еще живет в прамолинейном мире, где может быть только «да» или «нет». 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 прямолинейной на более сложную, например, сигмоид.

Теперь наше правило будет выглядеть, как на рис. 3.

ph3

 

И результат работы нейрона не будет уже черно-белым, а начнет показывать оттенки цвета. Конечно же, мы сможем добавлять количество параметров для нашего нейрона: канал продаж, продавца, категорию клиента или его масштаб, категорию товара, территорию продажи или любую другую информацию, имеющуюся в CRM-системах. Мы можем объединять нейроны между собой в сеть, чтобы более точно выполнять возложенные на него задачи. В итоге у нас может получаться примерно такая структура (см. рис. 4).

ph4

 

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). 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 раньше ничего не знала.

Перейдем теперь от теории к практике. Наш мотивационный тренер Блейк обнаружил в CRM-системе компании следующую информацию о сделках:

  • Канал продаж.
  • Регион.
  • Товарная группа/подгруппа.
  • Масштаб клиента по количеству сотрудников.
  • Масштаб клиента по выручке.
  • Наличие конкурента в сделке.
  • Время на каждой стадии воронки продаж.
  • Количество 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. Большую часть будем использовать для тренировки нашей модели, а меньшую – для тестирования.

Построим нашу сеть и проведем обучение. Проверим результат, визуализируем матрицу неточностей (confusion matrix), в которой отразим фактические значения выигрыша сделки и значения, предсказанные нейронной сетью. Мы видим, что нейронная сеть правильно предсказала проигрыш в 45503 сделках, а в 6365 спрогнозировала, что они будут проиграны, фактически же они были выиграны. То есть точность модели в предсказании проигрыша сделки – почти 88%, выигрыша – 73% (см. табл. 1).

ph5

 

Ответим на вопросы, поставленные Блейком.

  • Какие факторы влияют на успешность сделок?
  • Насколько и как влияет тот или иной фактор?

Для этого проведем корреляционный анализ и визуализируем результаты (см. рис. 5).

ph5-1

С наибольшим влиянием способствуют выигрышу сделки такие факторы:

  • Сумма, полученная от клиента за последние два года, равна 50 тыс. грн.
  • Соотношение времени квалификации к общему времени сделки.
  • Канал продаж – реселлеры.
  • Отсутствие конкурента в сделке.
  • Категория сделок до 25 тыс. грн.
  • Товарная подгруппа – средства для ухода за автомобилем.
  • Регион – Средний Запад.

Наибольшее отрицательное влияние на выигрыш оказывают следующие факторы:

  • Продолжительность и время идентификации сделки.
  • Категория сделок 250 тыс. грн.
  • Категория сделок 100 тыс. грн.
  • Товарная подгруппа – аксессуары для интерьера.
  • Регион – Юго-Запад.
  • Канал продаж – дистанционные продажи.

На основании этого можно сделать вывод: чем больше сумма сделки, тем ниже вероятность успеха. Однако мы видим, что категория сделок 500 тыс. на рис. 5 имеет меньший коэффициент корреляции больше чем в два раза, по сравнению с категорией  250 тыс. Возможно, причина не в сумме, а в квалификации продавцов. На очень значимые сделки в категории 500 тыс. подключаются топ-менеджеры, поэтому такие сделки чаще успешные.

Еще хочется добавить, что наши собственные дистанционные продажи работают гораздо менее эффективно, чем реселлеры. Возможно, наш товар плохо продается дистанционно, а, может быть, проблема в сценариях разговоров и квалификации операторов.

Другими словами, у нашего мистера Блейка уже есть  о чем поговорить со своими продавцами и подготовлено много задач для проверки.

А мы пока продолжим отвечать на следующие вопросы:

  • С какой вероятностью может быть выиграна каждая конкретная сделка?
  • Какие факторы и насколько влияют на выигрыш конкретной сделки?

Перейдем теперь к конкретным примерам. Выберем несколько сделок одного продавца и построим тепловую карту влияния параметров на них.

ph6

Мы видим наиболее значимые факторы, влияющие на успех конкретных сделок, например, №16 – вероятно, будет выиграна:

  • Новый клиент – снижает вероятность.
  • Прогноз завершения 65 дней – повышает вероятность.
  • Стадия идентификации больше 24 дней – снижает вероятность.
  • Изменение стадий продаж больше 3-х – повышает вероятность.
  • Сумма сделки до 15 тыс. – повышает вероятность.
  • и т. п.

Для каждой сделки мы можем вывести детальную диаграмму, на которой будем видеть прогнозный результат – выиграем или проиграем, вероятность этого результата и факторы влияния. Например, посмотрим на ту же сделку №16.

Вероятность выигрыша – 71%. С помощью визуализации быстро идентифицируются факторы и их значимость для этой сделки.

Имея такие данные, продавцу или руководителю будет проще работать с потенциальным клиентом, потому что в явном виде указаны риски и их величина. Например, мы видим, что главным барьером является новизна клиента. Значит необходимо в презентационных материалах уделить больше внимания вопросам надежности, квалификации, качества компании как поставщика. Предоставить клиенту больше фактических данных о качестве поставок, выполнения работ, качестве продаваемых товаров и т. д. Необходимо добавить специальные фразы в сценарии общения с клиентом. Также мы видим, что положительное влияние пока еще оказывает продолжительность сделки. Значит необходимо контролировать скорость подготовки всех презентаций, предложений и переговоров.

И в самом конце можно вывести информацию по всем сделкам в виде файла или передать ее в аналитическую систему,  систему отчетности либо другую информационную систему.

Такие данные в информационной системе позволяют настраивать различные варианты бизнес-процессов и задач, которые будут зависеть от вероятности успеха сделки и более точно прогнозировать объемы продаж.

Надеемся, что наш Блейк эффективно распорядится полученной информацией. И после изменений некоторых процессов и материалов,  дополнительных тренингов продавцов объем продаж вырастет на 15-20% за счет лучшей конверсии по новым клиентам. Резерв для этого роста, как и все необходимые данные с инструментами, есть.

Аналогичные подходы можно использовать и в других вариантах продаж. Например, при продажах через сайт можно формировать воронку продаж с помощью таких этапов, как:

  • посещение сайта;
  • регистрация на сайте;
  • просмотр товаров;
  • помещение товара в корзину;
  • запрос счета;
  • оплата счета.

ph8

Собрав необходимые данные, можно строить модель предсказания вероятности покупки с каждым следующим шагом потенциального клиента, минимизируя риски неудачи прямо в режиме онлайн. Также с помощью нейронных сетей можно предсказывать вероятность ухода клиентов, выстраивая соответствующие модели.

Не всем и не всегда нужна такая прозрачность. Часто сотрудники уповают больше на личную харизму и искусство переговоров, а в случае неудач говорят о том, что у конкурентов дешевле, или конкуренты коррумпируют закупщиков у клиентов. Уверен, вы слышали гораздо больше разных вариантов. Нужна ли такая информация и такие аналитические инструменты для вашей компании, решать вам.

Игорь Филипенко, DDM.Center – data driven management