Кейс по внедрению скоринга Клиента

Кейс
Внедрение скоринга Клиентов

Проблема

Отсутствие приоритетов

Сфера: B2B-логистика

В базе компании в CRM находится более 20000 компаний.

Время и усилия менеджеров должны быть вложены только в те компании, которые гарантируют стабильную маржинальную прибыль — это основа грамотного управления капиталом и временем.

Но на практике происходит иначе: менеджер, принимающий решения в одиночку, выбирает не самые выгодные, а более «приятные» для работы компании.

Нужно создать автоматическое решение, которое оцифрует потенциал компании-клиента и позволит сфокусировать усилия только на целевых Клиентах.

Чтобы расставить приоритеты, был разработан автоматический скоринг клиента. Он собирает данные из CRM-системы и выдает цифровую оценку потенциала в диапазоне от 0 до 100 баллов.

Продажи и маркетинг принимают решения на основании этой оценки.

Высокий приоритет

Обычная компания

100

Низкий приоритет

ТОП

Это "человекочитаемое" описание скоринга, которому обучали менеджеров по продажам. Сам скоринг в CRM подсчитывался автоматически

Параметры скоринга формировались с помощью машинного обучения (модель RandomForest). На весь объем данных по сделкам по предыдущим годам (более 20 000 сделок) была запущена модель, которая самостоятельно предложила список параметров, по которым можно было прогнозировать успех. Часть критериев оказалась для нас совершенно новой.

Автоматизации для CRM

Были внедрены несколько нетипичных автоматизаций

Стоимость грузов

После трех успешных сделок с компанией CRM самостоятельно парсила прикрепленные сделки, вытаскивала оттуда стоимость груза, усредняла, делила на вес и выдавала среднюю стоимость килограмма груза, который перевозит Клиент.

Логика:
Чем дороже груз, тем менее чувствителен к цене Клиент. Ему важнее такие качества как безопасность и скорость доставки, а значит стартовая цена должна быть выше.
Разнообразие маршрутов

После трех рейсов с компаний CRM начинала учитывать длину маршрутов, высчитывать стандартное отклонение длины маршрутов и добавлять этот параметр в скоринг.

Логика:
а) Чем выше стандартное отклонение — тем выше шанс, что компания каждый раз работает с разными по длине маршрутами.
б) То есть Клиент каждый раз отправляет груза в разные точки России.
в) Значит бюджет по маршрутам не сформирован.
г) А значит Клиенту важна не низкая цена, а скорость доставки и гарантии. А это важный признак целевого для нашей компании Клиента.

Сложности

При реализации проекта я столкнулся со следующими препятствиями:

Непонятные критерии оценки

До момента создания скоринга не было единых точных критериев, и потенциал компании определялся интуитивно.
Разработка для Битрикс24

Привлекли стороннего разработчика, который создал необходимые процессы и автоматизации
Некачественные данные

Сотрудники часто вносили данные наобум, поэтому перед использованием машинного обучения данные из CRM пришлось очищать и подготавливать.
Скептическое отношение продажников

Не все быстро перестроились и направили свое внимание на те компании, которые подсказывает скоринг.

Итоги проекта

Предсказательная сила

Скоринг предсказывает потенциал Клиента. Фактически мы определяем, насколько запросы и бизнес-модель Клиента подходят к тому продукту и УТП, который предоставляет компания.
Положительная корелляция

Цифры скоринга коррелируют и с суммой продаж, и с оттоком. Чем выше скоринг - тем выше продажи и ниже отток.
Финансовые результаты

После введения скоринг компания прибавила ~450млн выручки за 2 года.
Оптимизация процессов

Единый способ оценки потенциала позволил упростить процессы и регламенты.