Блог

Антон Капаев
Заместитель гендиректора

Построить крутую аналитическую модель недостаточно

Мы перешли на скоринговые технологии для определения качества лидов. Это банковские технологии, по которым обычно рассчитывается вероятность возврата кредита исходя из многочисленных параметров и их комбинаций. Так поступили и мы. Проанализировали влияние на продажу более 300 параметров по каждому потенциальному покупателю. Мы давно следим за тем, что делают на наших сайтах потенциальные Клиенты, поэтому данных предостаточно.

Например, посещение определенных точек сайта, таких как url регистрации (страница, где Пользователь зарегистрировался), смотрел страницу подписки, посмотрел счет, статьи определенных рубрик, наткнулся на пэйвол, пользовался поиском на сайте, посмотрел страницу «О продукте» или прайс-лист, брал демодоступ на это издание/на любое издание, сколько времени провел в демо, сколько страниц прочитал во время действия демо. Все эти параметры насыщаются допданными: сколько раз и как давно (в днях) было то или иное событие. Также учитываются свойства профиля: должность, размер организации, регион, сколько попыток продать этому клиенту мы делали по этому продукту/вообще по любому нашему продукту и как давно. Была ли у этого клиента ранее подписка (на этот продукт/на любой продукт), сколько раз он покупал, как давно закончилась и т. д.

Мы получили прекрасную модель, которая на основе комбинаций всех параметров предсказывает конверсии и деньги по каждому лиду. Но при применении модели мы обнаружили одну серьезную проблему: предиктивная модель, построенная на большом количестве параметров и их комбинаций, не дает большого ускорения в продажах. Можно только с ходу убрать 10% заведомо неконверсионных лидов, и количество высококонверсионных лидов от этого не растет. Например, из условных 10 000 потенциальных Клиентов в день мы имели 1500 хороших, 1000 плохих и 7500 средних. Первое, что мы сделали, это очередь в колл-листе исходя из скоринга. Но как у нас было 1500 хороших лидов, так и осталось. Да, модель хорошо разделяет хороших и плохих, но модель не сможет сделать больше хороших потенциальных Клиентов. Это могут сделать люди.

Чтобы увеличить количество хороших лидов, придется осознать модель и влияние всех параметров и их комбинаций своим мозгом, понять, что это значит в реальном мире, потом понять источники появления хороших лидов и пытаться их развивать. Когда у тебя 1 параметр, все просто, когда комбинация из 2-х влияющих параметров, уже сложнее, но еще можно удержать в голове варианты/комбинации, но когда их 3 сотни – нереально, а когда это еще надо сделать по 152 продуктам одновременно, задача это понять превращается в невыполнимую миссию.

Для решения задачи мы решили выделять 2 параметра, которые дают самый большой вес (скор балл), и поставили себе задачу сосредоточиться на них. В нашем случае для одних продуктов – это должность+последние 2 события (посещения определенных урлов), для других продуктов – это размер организации и 2 последних события, для третьих  – должность и время, проведенное в демодоступе. При этом реальный скоринг учитывает все параметры, которые положительно или отрицательно влияют на продажи, и очередь в колл-листе формируется по всем параметрам.

Сделали мы для каждого продукта вот такие таблички, где по горизонтали – один параметр,
по вертикали – другой параметр, на пересечении – количество лидов такой комбинации.

Управленческим решением разделили эту матрицу на 3 категории: красные, желтые и зеленые. Маркетологи получили в KPI новый параметр – количество зеленых лидов. Каждая цифра в этом отчете кликабельна, можно кликнуть и посмотреть, кто эти Клиенты, откуда они появились. Этим теперь можно управлять.

Теперь каждую неделю по каждому изданию подводится итог: сколько было зеленых лидов, какова их доля, какие наши действия привлекают конверсионные лиды и что планируем делать, чтобы их увеличить. Увеличивая зеленые, мы постепенно отказываемся от действий, привлекающих желтую категорию. Итоговое качество лидов заметно улучшилось за последние 3 месяца, количество зеленых (высокодоходных) лидов выросло на 50%.