В последнем блоге я говорил об определении возможностей продаж и операций продаж. В этом блоге я подробно расскажу о некоторых примерах применения машинного обучения в Sales Enablement.

Машинное обучение в сфере продаж

Начнем с обеспечения продаж. Каждая продажа начинается со списка лидов. Некоторые из них становятся квалифицированными лидами, часть которых в конечном итоге превращается в клиентов. Часто компании покупают потенциальных клиентов у поставщиков списков, которые, в свою очередь, могут покупать потенциальных клиентов у других поставщиков и собирать их вместе. С этим подходом довольно много проблем:

  1. Любой может купить те же списки лидов, что и любой другой.
  2. Качество не всегда стабильно. Например, один из наших клиентов тратил от 120 000 до 150 000 долларов в год на покупку потенциальных клиентов у поставщика, но получал высокий показатель отказов в своих кампаниях по электронной почте. Кроме того, более 30% лидов не имели телефонных номеров или должностей в файле.
  3. Возможно, вы нарушаете законы о конфиденциальности, такие как CAN-SPAM, PIEDPA и GDPR. Представьте, если ваши потенциальные клиенты просят вас указать точное место и время, когда вы получили их контактную информацию, или было ли происхождение ваших данных или получение данных вашим поставщиком данных законным. Не могли бы вы ответить или подтвердить?
  4. Знаете ли вы больше об этих лидах, чем просто электронная почта, телефон, (частичные) имена? Без подробных данных вашей команде по маркетингу и продажам будет трудно сосредоточить свою энергию на потенциальных клиентах, которых в противном случае можно было бы легко конвертировать.
  5. Стоимость, стоимость, стоимость. Большинство из этих поставщиков списков потенциальных клиентов продают по годовой подписке, а некоторые из них даже запирают вас на длительный период времени. Хуже того, по закону вам может быть запрещено хранить данные на ваших серверах после окончания подписки.

Использование машинного обучения для привлечения потенциальных клиентов, уникальных для каждого клиента

Первое решение, которое мы разработали для наших клиентов, — это использование обученных программ Распознавание именованных объектов (NER) для сбора потенциальных клиентов с веб-сайтов потенциальных клиентов. Проще говоря, у нас есть боты, обученные распознавать имена, должности, контактную информацию и другие темы с веб-страниц потенциальных клиентов. В нашей последней доставке клиенту наши боты извлекли 700 000 телефонных номеров, 400 000 заголовков и 1,2 миллиона потенциальных клиентов с более чем 541 000 веб-сайтов. Боты также извлекали такую ​​информацию, как разработчик веб-сайтов, подключаемые модули веб-сайтов и т. д. Затем наши боты использовали поисковые системы, веб-сайты отраслевых ассоциаций и другие каналы для подтверждения контакта . информация. Затем мы используем разработанные пользовательские модели разрешения личности в сочетании с платформой данных клиентов (CDP), чтобы связать эти лиды с внешними данными, такими как учетные записи Twitter и LinkedIn. Затем наши боты проанализировали контент, чтобы извлечь ключевую информацию о том, о чем эти лиды говорили в социальных сетях.

Итак, что мы доставили? Мы разработали решение, отвечающее уникальным требованиям клиента и обеспечивающее подходящие лиды никакие другие организации не могут купить. Его также можно запускать снова и снова на территории клиента и обслуживать команда инженеров клиентов с подробной документацией и исходным кодом. Мы предоставили решение, которое гарантирует, что клиент соблюдает действующие правила конфиденциальности, с возможностью фильтрации данных, чтобы они могли легко соответствовать будущим правилам. Мы также значительно улучшили качество потенциальных клиентов, сократив количество отказов от звонков более чем на 80%.

Я кратко упомянул, что мы используем данные из нескольких источников (таких как поисковые системы, геокодирование, веб-сайты компаний, веб-сайты обзоров) для проверки контактной информации. Это единственный метод, который мы используем. Мы также используем кластеризацию для присвоения числовых значений, сигнализирующих о достоверности контактной информации. Наши модели машинного обучения делят лиды на несколько кластеров, а затем вычисляют расстояние между контактной информацией данного лида и кластером, который содержит наиболее достоверную контактную информацию. Эти числовые значения помогают отделам продаж сосредоточиться на нужном контакте и снизить показатель отказов в кампаниях.

Предоставление потенциальных клиентов с проверенной контактной информацией — это только один аспект обеспечения продаж. Отделам продаж крайне неэффективно ориентироваться на сотни тысяч лидов: им нужно расставить приоритеты лидов, чтобы достичь максимального коэффициента конверсии. Исторически сложилось так, что отделы продаж использовали предустановленные формулы, учитывающие размер фирмы, размер сделки и т. д., чтобы ранжировать потенциальных клиентов. Это грубо игнорировало уникальные характеристики отдельных отделов продаж. Нет двух одинаковых отделов продаж, и даже один и тот же отдел продаж со временем развивается. Клиенты также резко отличаются от команды к команде. Тот факт, что одна сделка стоит больше, не означает, что у нее больше шансов конвертироваться. Давайте воспользуемся базовой статистической концепцией ожидаемой стоимости для расчета доходности двух сделок:

  1. Сделка A стоит 500 000 долларов с вероятностью конвертации 5 %.
  2. Сделка B стоит 50 000 долларов с вероятностью конвертации 80 %.

Таким образом, ожидаемый доход от сделки А составляет 500 тысяч долларов x 5% = 25 тысяч долларов, а ожидаемый доход от сделки Б — 40 тысяч долларов.

Хорошо, так почему бы вам просто не использовать ожидаемые значения для сортировки сделок?

Потому что определение вероятности очень субъективно. Если у вас нет большого набора записей о транзакциях, вычисление вероятностей с малыми размерами выборки статистически незначимо.

Использование машинного обучения для квалификации потенциальных клиентов и определения их приоритетности

Наш опыт — это глубокое обучение (разновидность машинного обучения), которое превосходно учитывает большой набор функций (представьте себе таблицу Excel с сотнями или сотнями тысяч столбцов), прежде чем делать точные прогнозы. В случае нашего клиента наша модель глубокого обучения проанализировала такие данные, как:

  • настроение общения между торговыми представителями и потенциальными клиентами
  • текущий финансовый статус целевой фирмы
  • активность потенциальных клиентов в социальных сетях
  • количество и типы вакансий в целевых фирмах

Очевидно, что это слишком сложно для Excel. Мы используем возможности таких инструментов, как Pandas, Tensorflow/Keras, для разработки решений, которые могут легко делать прогнозы. Мы попробовали несколько методов, чтобы сделать прогнозы. Во-первых, мы использовали бинарный классификатор, чтобы классифицировать сделку как конвертировать или не конвертировать и видеть вероятность, близкую к границе отсечения. Затем вероятности становятся нашей основой для ранжирования сделок. Мы также попытались использовать алгоритмы кластеризации, чтобы спрогнозировать данную сделку в один из нескольких кластеров. Мы обнаружили, что разные методы дают разные результаты при изменении данных. Например, когда мы пытаемся расставить приоритеты для дополнительных продаж/продления, классификатор работает лучше всего; в то время как для новых лидов кластеризация работала лучше всего в системе нашего клиента.

Это еще одна причина, по которой мы заинтересованы в создании решений, а не продуктов. Как видите, когда данные меняются, инструменты/модели также должны меняться. В результате не существует универсального решения. Ваши данные (структура, количество и целостность) уникальны для вашей организации, и поэтому ваши модели прогнозирования также должны быть скорректированы, чтобы отразить их уникальный характер.

Отлично, теперь вы знаете, на какие лиды вам стоит потратить больше энергии.

Использование машинного обучения для персонализации покупательского опыта для ваших потенциальных клиентов

Когда вы в последний раз звонили, чтобы купить страховку или открыть счет в банке? Какие вопросы они вам задавали? Агенты засыпали вопросами, как роботы? Теперь давайте перенесем тот же опыт на более крупные сделки. Что почувствуют ваши покупатели, когда ваша команда по продажам начнет разговор на темы, связанные с интересами ваших покупателей, такие как рыбалка или езда на велосипеде? Ключевым моментом является персонализированный опыт, который подчеркивает, что ваша команда по продажам проделала домашнюю работу, чтобы понять ваших покупателей; это сигнализирует покупателям, что специалисты по продажам сделали все возможное, чтобы понять их потребности.

В то же время у вашего отдела продаж может не быть времени и ресурсов для проведения такого обширного исследования отдельных клиентов при сотнях звонков в день.

Принимая во внимание цель и ограничения, мы сначала разработали индивидуальное решение для расширения профиля пользователя (UPE). UPE, как следует из его названия, обеспечивает дополнительное обогащение данных профилей пользователей, которые иначе отсутствуют в существующем наборе данных. Например, вы можете знать только имя или адрес электронной почты человека. Цель UPE — добавить дополнительную информацию, такую ​​как «какие интересы у этого человека?», «в какой колледж этот человек ходил?» и т. д. Процесс относительно прост:

  1. Сначала мы получаем дополнительные ссылки на общедоступные социальные профили, такие как Twitter, используя обратный поиск по электронной почте/номеру телефона.
  2. Мы анализируем текст в этих общедоступных профилях, чтобы извлечь ключевую информацию, которая будет полезна для создания персонализированной книги по продажам для торговых представителей.

Часть (1) нашего решения для этого конкретного клиента использует наших собственных ботов, а также известную CDP для получения дополнительной информации. CDP обычно покупают данные у разных поставщиков и объединяют данные, чтобы сформировать более крупные изображения отдельных профилей. Некоторые известные CDP включают FullContact, Clearbit, LiveRamp и т. д. Все они предоставляют разные уровни детализации. Например, LiveRamp предоставляет информацию только на пакетном уровне, такую ​​как демографические данные, в то время как FullContact предоставляет ссылки на страницы профилей в социальных сетях. Для вас жизненно важно спланировать свои потребности и расходы, прежде чем принимать решение о покупке одной или нескольких услуг.

Как мы кратко упомянули в (2), мы используем технологии обработки естественного языка (NLP) (тип машинного обучения, который фокусируется на анализе человеческих языков) для извлечения ключевых идей людей:

НЛП само по себе является очень сложной темой для написания. Иногда я пишу технические блоги на нем. Вы также можете найти множество ссылок в Интернете, чтобы узнать больше. Конечным результатом использования NLP является сжатие больших объемов текстов (корпусов) в небольшие фрагменты, которые отделы продаж могут легко усвоить, чтобы им не приходилось тратить много времени на это самостоятельно.

Вот пример профиля потенциального клиента до обогащения:

  • Имя
  • Электронная почта/телефон

Вот пример профиля того же проспекта после обогащения

  • Имя
  • Изображение профиля
  • Электронная почта/телефон
  • Фирма
  • Заголовок
  • Школы закончили
  • Хобби
  • Темы последних твитов
  • Темы, которые часто обсуждают в социальных сетях
  • Предполагаемый доход фирмы
  • Последние раунды сбора средств
  • Последние новости фирмы
  • Количество сотрудников в фирме

Вооруженные богатым пониманием, подобным приведенному выше, торговые представители гораздо лучше подготовлены к индивидуальному разговору с потенциальными клиентами. Профили также совместно используются несколькими командами, чтобы гарантировать, что опыт всегда одинаков во всей компании.

Ждите Часть 3