Data science w sprzedaży – jak analityka pomoże zarobić więcej?
„Tanio, szybko lub dobrze” - wybierz tylko dwie z dostępnych opcji. Taka tabliczka znajduje się w pewnym punkcie usługowym. A obecny Klient stał się osobą wymagającą, świadomą i łatwo zmieniającą zwyczaje zakupowe - coraz częściej chce wszystkie trzy. Z drugiej strony - firmy produkujące i sprzedające dobra działają w konkurencyjnym środowisku oraz nasyconym w wielu obszarach rynku. Weźmy na przykład pod uwagę sektor telekomunikacyjny gdzie nasycenie telefonii komórkowej dawno już przekroczyło 100% (wg. raportu URE z 2017 r.). Mamy zatem dwa sprzeczne bieguny, które trzeba w jakiś sposób pogodzić. Przyjrzyjmy się dokładniej perspektywie Klienta, Sprzedawcy. Zobaczmy jak w tą relację możemy wpleść najnowsze technologie i analitykę, oraz kogo do tego przedsięwzięcia potrzebujemy.
Klient
Kupując produkt czy usługę, nasz Klient ma wiele możliwości zakupu. Sklep tradycyjny - gdzie możemy obejrzeć produkt na żywo, internet –możemy skorzystać z porównywarek cenowych i wybrać jeden z setek sklepów. Portal aliexpress – gdzie konkurencja cenowa względem lokalnych sklepów jest bezwględna. To na co się zdecydujemy warunkują różne czynniki – przywiązanie do marki, cena, marketing, opinie internautów czy rekomendacje znajomych. Jednak Klient ma wciąż ma te same zachowania zakupowe. Jest grupa klientów którzy regularnie wymieniają posiadane produkty (np. telefony) na nowe. Bardzo ważna klientów z punktu widzenia sprzedającego - regularność zakupów czy wybierane produkty (przeważnie nowości a więc sprzęt dość drogi). Druga grupa to Klienci którzy pod wpływem impulsu podejmują decyzję o zmianie dostawcy usług czy ulubionego sklepu. W przypadku tej grupy klientów często wystarczy małe potknięcie i mogą nigdy do nas w roli kupującego nie wrócić. W końcu są Klienci którzy podejmują decyzje przez długi czas – dla nich musimy przygotować wsparcie merytoryczne i doradztwo przy zakupie, tak żeby proces decyzyjny zakończył się zakupem w naszym sklepie.
Sprzedawca
Biorąc pod uwagę powyższe elementy - Sprzedawca nie ma lekko. Oczywiste jest że firmy muszą zarabiać. W większości przypadków dochodzi jeszcze dodatkowa presja na poprawę wyników – inwestorzy mają swoje oczekiwania. Sklepy tradycyjne tracą klientów na rzecz e-commerce. E-commerce – to konkurencja, walka ceną, odpowiednia logistyka. Ciągły rozwój sklepu internetowego – wprowadzanie nowości (chatboty, bitcoiny), innowacje. Każdy chce czymś się wyróżnić. A Klient jak nie odnajdzie się na naszym portalu po kilku sekundach zrezygnuje i najpewniej już nie wróci.
Technologia
Równolegle do omawianej ewolucji w obszarze Klienta oraz Sprzedawcy postępuje na szczęście technologia informatyczna – firmy mają możliwość zbierania danych pochodzących z wielu różnych miejsc, posiadających ogrmoną wartość informacyjną. Posiadane przez nich systemy informatyczne wykorzystywane do wsparcia bieżącej pracy to kopalnia wiedzy, która wzbogacona może zostać dodatkowo o inne, zewnętrzne dane pozwalające jeszcze szerzej spojrzeć na informację. Oczywiście tych danych jest dużo, pojawiają się w różnych cyklach (często online) i są zapisane na różne sposoby, ale tutaj również technologia sprawia, że radzimy sobie z tym obszarem całkiem dobrze. Już kilkanaście lat temu, dostawcy technologii odkryli potencjał drzemiący w posiadanych danych, została stworzona technologia Big Data, której rozwój trwa do dzisiaj. Dzięki takiemu podejściu wolumen danych czy prędkość przetwarzania przestają być problemem a do tego silna konkurencja pozwala na dostęp do tych rozwiązań w stosunkowo niskiej cenie.
Analityka
Rozwój technologii Big Data nierozerwalnie idzie w parze z rozwiązaniami analitycznymi, które pozwalają z naszego zbioru danych wydzielić istotną informację a następnie dalej z nią pracować. Zarówno w obszarze bieżącej analizy i raportowania (tradycyjne podejście Business Intelligence) jak również w obszarze analizy predykcyjnej – która ma za zadanie pomóc nam znaleźć odpowiedź na pytania związane z różnymi aspektami naszego biznesu w przyszłości. Analiza predykcyjna daje wymierne rezultaty w sytuacji, kiedy ma możliwość dowiedzieć się o panujących trendach w biznesie naszej organizacji w przeszłości. Dlatego tak ważny jest aspekt gromadzenia danych historycznych. Modele predykcyjne dają tym lepsze wyniki im więcej, dobrej jakości mają danych historycznych. Kiedy już zbudujemy miejsce dla naszych danych (najbardziej popularne są rozwiązania klasy hurtowni danych), potrzebujemy jeszcze dwóch rzeczy: zadania analitycznego oraz osób które zbudują modele analityczne. Analiza predykcyjna to dziedzina ściśle powiązana ze statystyką, matematyką – tworzenie odpowiednich modeli, wymaga mocnych podstaw w tym obszarze. Do tego dochodzi znajomość odpowiednich technologii informatycznych, ale o tym za chwilę. Zadanie analityczne, to model który chcemy zbudować do analizy konkretnego obszaru biznesowego. Może to być analiza sprzedaży i próba prognozowania trendu sprzedażowego na przestrzeni najbliższych miesięcy. Mogą to być modele związane z zwiększeniem sprzedaży, pozwalające prognozować produkty czy usługi które nasi klienci chętnie dokupią na podstawie zachowań historycznych podobnych grup klientów. Zadanie analityczne musi być powiązane z realną potrzebą biznesową oraz musi być mierzalne w kontekście weryfikacji wyników uzyskanych przez model. Pamietajmy, jeżeli umiejętnie i dość szczegółowo podzielimy naszych klientów na mniejsze grupy zachowania wśród nich będą często bardzo podobne. Dlatego ucząc się jak te zachowania wyglądały, jesteśmy w stanie przygotować modele analityczne które swoją wiedzę są w stanie wykorzystać w trakcie bieżących transakcji zakupowych – odpowiednio sklasyfikować klienta a następnie prowadzić go przez ścieżkę zakupową.
Zespół
Modelowanie predykcyjne to praca łącząca kompetencje z trzech obszarów – nauki matematyczne, technologia oraz umiejętność pracy z klientem biznesowym (komunikacja i analityczne myślenie). Firmy dla których analityka jest istotnym elementem wspierania przedsiębiorstwa coraz częściej budują własne zespoły Data science. Dużym atutem takiego podejścia jest fakt, że analitycy dysponują szeroką wiedzą biznesową z zakresu funkcjonowania firmy co daje odpowiednie przełożenie na budowane przez nich rozwiązania. Jednak większość korzysta z usług oferowanych przez dostawców IT, gdzie również powstają dedykowane komórki Data Science. W tym przypadku atutem jest podejście projektowe (co przekłada się na jednorazowy koszt przedsięwzięcia) oraz doświadczenie konsultantów z pracy z różnymi klientami i danymi.
Projekt
Projekty analityczne w porównaniu do innych przedsięwzięć informatycznych są relatywnie krótkie a tym samym koszt realizacji jest dość niski. Średni czas trwania takiego projektu w BitPeak, w ramach którego pracowaliśmy nad wdrożeniem konkretnego zadania analitycznego to niecałe 3 miesiące. Doświadczenie BitPeak w zakresie projektów analitycznych pokazuje, że najtrudniej zacząć, znaleźć ten pierwszy realny temat do analizy i osoby chętne się zaangażować w przedsięwzięcie. Jeśli jednak zaczniemy i co więcej, model predykcyjny będzie skuteczny i w sposób wymierny przełoży się na wyniki uzyskiwane przez firmę to potem kolejnych tematów będzie dużo. Analitykę predykcyjną możemy naprawdę wykorzystać w wielu miejscach procesów biznesowych funkcjonujących w przedsiębiorstwie.
Jak zacząć
Potrzebujemy 3 elementów – potrzeby biznesowej – która mam nadzieję ze po przeczytaniu tego artykułu udało się wykreować, technologii oraz partnera wdrożeniowego. Jeżeli organizacja ma problem z identyfikacją zadania analitycznego, BitPeak proponuje w ramach swojej metodyki wspólne warsztaty konsultingowe na których nasi konsultanci pomogą zebrać wymagania i ustalić realną potrzebę biznesową, do realizacji której możemy wybrać analitykę. W zakresie technologii dostępne są rozwiązania klasy Enterprise dedykowane dla przedsiębiorstw dojrzałych w obszarze analityki, dysponujących własnymi zespołami, których biznes intensywnie korzysta z dostarczanych przez analitykę wyników. Jednak w przypadku mniejszych rozwiązań, warto zainteresować się środowiskami dostępnymi w chmurze, czy też stworzyć rozwiązanie w oparciu o technologie open-source, które w obszarze analityki czy Big Data opanowały znaczną część rynku (HortonWorks, Cloudera czy język R).
Przykład
BitPeak Analytical Tool (BPAT) to stworzona przez BitPeak platforma analityczna pozwalająca szybko podłączyć się do ekosystemu informatycznego Twojej firmy i zbierać oraz wzbogacać dane na potrzeby prowadzenia analiz. Przygotowane wstępnie modele dają możliwość na działania w zakresie wsparcia sprzedaży oraz lojalności klienta zaraz po uruchomieniu platformy. BPAT skupia się na zebraniu jak największej ilości danych o każdym klienciei zbudowaniu jego pełnego profilu po uzupełnieniu o dane którymi system dysponuje z zewnątrz (GUS, dane demograficzne czy statystyczne). Na tak zebranych danych możemy uruchomić silnik rekomendacyjny BitPeak smartSale, który ma za zadanie dopasować akcje rekomendacyjne do zidentyfikowanych wzorców zakupowych. smartSales nie skupia się tylko na rekomendacjach zakupowych, ale również generuje akcje informacyjne czy lojalnościowe. Jednym z zadań silnika jest też monitorowanie zachowań klienta w zakresie jego skłonności do odejścia. W przypadku wykrycia niepokojących zachowań, BitPeak smartSale rekomenduje działania prewencyjne.
Sebastian kamiński
CEO, Head of Data Management w BitPeak