Zákazníkem je významná společnost obchodující s automobily v rámci B2B s působností v celé EU. Její rychle se rozvíjející podnikání generuje cenná data, která jsou přeměňována na nespornou konkurenční výhodu.
Obchodníci společnosti měli dříve omezené znalosti o B2B zákaznících, se kterými pracovali. Až na výjimky většinou vedou prodejní hovory na dálku. Rychle se měnící prostředí způsobuje také časté změny na pozicích account managementu. Když dříve pracovali se zákazníky podle svého nejlepšího úsudku, dosahovali průměrného příjmu na jeden prodejní hovor asi 13 EUR.
Připojili jsme se k datům o historii nákupů v systému ERP. Potom jsme vytvořili připojení k záznamům o délce hovorů v systému pobočkové ústředny. Museli jsme vyčistit telefonní čísla zaznamenaná v systému ERP. Bylo to poměrně náročné, protože formáty se lišily, byly často neúplné a obsahovaly mnoho různých dalších problémů s kvalitou dat. Na druhou stranu data z PBX byla velmi dobře standardizovaná. Bylo důležité spojit záznamy z obou systémů prostřednictvím telefonního čísla. Tímto způsobem jsme byli schopni zjistit okamžiky, kdy byl každý zákazník kontaktován někým z obchodního oddělení.
Existují čtyři úrovně zákazníků. Nejlepší úroveň má být kontaktována každý týden, zatímco čtvrté úrovni s nejnižší prioritou stačí, když je kontaktována jednou za měsíc. Vytvořili jsme model, který určuje prioritu četnosti kontaktů se zákazníky a také zohledňuje dobu od posledního známého kontaktu.
Nejdůležitější roli hrála Recence nákupu (tj. doba od poslední objednávky). O něco menší význam byl přisouzen celkové roční frekvenci nákupu. Třetí v pořadí byly roční Tržby. Pro někoho to může znít překvapivě. Ze zkušenosti však víme, že Recence a Frekvence výrazně více vypovídají o budoucí výkonnosti než Tržby. To byl tedy důvod. Do modelu jsme také “přimíchali” pokles Recence posledního kontaktu a celkový počet hovorů s kontaktem.
Náš model dále automaticky upřednostňuje zákazníky podle důležitosti a s ohledem na odstupňované cíle.
Aby byl výsledek použitelný v praxi, museli jsme zohlednit pracovní i nepracovní dny v týdnu. Proto bylo nutné vygenerovat odpovídající doporučený plán hovorů pro každého obchodníka. Plánovač byl nastaven tak, aby pro každého jednotlivého zákazníka v systému našel optimální termín, který je pracovním dnem v týdnu.
Všechny tyto informace se dostaly k jednotlivým prodejcům ve formě denních reportů a jako interaktivní dashboard. Klíčové vypočtené údaje o zákaznících byly rovněž integrovány do používaných systémů ERP a CRM.
Díky tomuto vedení se prodejci stali mnohem organizovanějšími než dříve.
Abychom přidali motivační faktor, vytvořili jsme “žebříček”. Jednotliví prodejci (a vedení) mohli vidět, jak si kdo vede, kdo je o něco napřed, kdo mírně pozadu a co je možné s kolika zákazníky.
Prediktivní model analyzuje chování zákazníků v minulosti a navrhuje až pět vozů, které si každý zákazník s největší pravděpodobností koupí.
Stejná prodejní historie, jak je popsána výše, byla použita k tvorbě a průběžnému “doučování” prediktivních modelů, které zohledňují příslušné značky, modely a další charakteristiky nabízených vozů.
K analýze “nákupního košíku” jsme použili algoritmus podobný tomu, který se používá v e-commerce.
Zajistili jsme viditelnost doporučení pro prodejce při obvolávání jednotlivých zákazníků.
Do zmíněného modelu pro doporučování vozidel k prodeji byly přimíchány aspekty stárnutí skladovaných vozů a blížící se doby do výroby. Bylo třeba najít rovnováhu mezi doporučením toho, co si zákazník s největší pravděpodobností koupí, a toho, čeho se stárnoucí sklad musí “zbavit” nejdříve.
Obchodníci začali denně dostávat naše doporučení založená na modelu.
Začali pracovat na základě skórovaných zákazníků a doporučených časů, kdy je kontaktovat.
Navzdory vysoké nepřesnosti seznamu kontaktů, a tedy kontaktování pouze každého druhého až třetího doporučení, se od té doby průměrný obrat z jednoho prodejního hovoru zvýšil na přibližně 21,60 EUR.
Veškeré příslušné zpracování dat a výpočty probíhají v noci ve specializovaném datovém skladu. Používáme Microsoft SQL Server Standard Edition. To nám umožňuje využívat jeho schopnost prediktivního modelování (pro doporučovací modely). Kromě výše zmíněné integrace s ERP a CRM používáme také Power BI pro interaktivní reporting a Microsoft SQL Server Reporting Services pro zasílání denních “pokynů” jednotlivým prodejcům.
Když se účinnost modelů ukázala v praxi, byly nejen přepracovány aspekty UX, aby bylo možné systém používat ještě plynuleji, ale doporučovací modely byly také integrovány do samoobslužného portálu pro online objednávání vozidel.
PERSONALIZACE E-COMMERCE: 75% zvýšení průměrné hodnoty objednávky
GAMING: Trojnásobný obrat z nových hráčů
VIRTUÁLNÍ TRŽIŠTĚ: O 46% zvýšený obrat
MÓDA: O 85% vyšší konverze
