Войти в систему
Войти с помощью соц. сетей:
Х. Джеймс Уилсон, Нарендра Мулани и Аллан Олтер
Мы живем в мире, наполненном данными, и многие наши взаимодействия с другими людьми осуществляются в интернете. Вполне естественно, что один из самых распространенных видов человеческой деятельности — торговля — в настоящее время переживает цифровой Ренессанс. Хотя функция продаж опиралась на количественные показатели с древнейших времен, сегодня повсюду накапливаются огромные массивы информации, связанной с продажами, и эти данные гораздо богаче, чем когда-либо раньше. Они поступают из социальных сетей, с сайтов, из A/B-тестов, и это еще далеко не все каналы.
Чтобы разобраться во всех имеющихся данных, повысить эффективность и результативность продаж, организации обращаются к машинному обучению. Умные механизмы становятся доверенными помощниками в отделах продаж, поскольку они делают непрозрачные процессы более открытыми, обеспечивают анализ данных для информированного принятия решений и самостоятельно справляются с определенными небольшими задачами.
В нашем опросе приняли участие руководители 168 крупных компаний с годовым доходом не менее 500 млн долл. 76% респондентов заявили, что они планируют увеличить рост продаж с помощью машинного обучения. В этом помогает программное обеспечение на уровне искусственного интеллекта, который постоянно учится, анализируя большие массивы данных, и оптимизирует рекомендации для торгового персонала в режиме реального времени. Более 40% представителей опрошенных компаний уже ввели машинное обучение в сфере продаж и маркетинга.
Наши исследования показывают, что в сфере продаж крупные компании используют машинное обучение по трем направлениям. Каждое из них прибавляет к человеческому интеллекту и интуиции алгоритмическую строгость, создавая тем самым новую динамичную формулу. Руководители надеются, что этот способ позволит им увеличить продажи. Первое направление использует научный подход (базируется на имеющихся данных и прозрачных процессах) при взаимодействиях в ходе продаж. Второе дает возможность проводить эксперименты на основе имеющихся данных и маркетинга. Третье направление использует достижения науки, чтобы высвободить больше времени собственно для продаж за счет автоматизации выполнения административных заданий. Зачастую именно эта рутина мешает непосредственной работе с клиентами, поиску потенциальных клиентов и закрытию сделок. При использовании любого из этих вариантов появляется возможность разработать и внедрить быстрые и научно обоснованные процессы для получения более высоких доходов.
До появления машинного обучения решения принимались на основе изучения статических баз данных, анализа статистики за прошлые периоды, а также опыта и интуиции управленцев — с постепенным, поэтапным повышением производительности. Благодаря новым технологиям управление может осуществляться непрерывно на основе данных, обрабатываемых в режиме реального времени. Появляется возможность быстро формулировать, проверять и пересматривать гипотезы — так возникает новый тип рабочего процесса, который может оказаться значительно более эффективным. В ходе нашего опроса 38% респондентов отметили машинное обучение как перспективный метод улучшения ключевых показателей эффективности продаж (выявление новых возможностей, продажи сопутствующих товаров и услуг, изменение времени торгового цикла) в два раза или даже больше, а еще 41% — в пять и более раз.
Издавна в сфере продаж местный представитель фирмы мог встречаться с потенциальными клиентами лицом к лицу и считывать невербальные сигналы, например одобрительные кивки или хмурые взгляды. На основании этой информации он определял свои следующие шаги. Но в цифровом мире, где физические неформальные сигналы считывать невозможно, продажи становятся непрозрачным процессом — его трудно разложить на отдельные составляющие. И если планы срываются, поиск ошибок, которые можно было бы исправить при последующих попытках, сильно затрудняется.
Так что хорошо было бы помочь продавцу уверенно определять момент, когда потенциальный покупатель готов совершить покупку. И вот теперь компания под названием 6sense («Шестое чувство») предлагает на рынке продукт, который формирует цифровые прогностические сигналы в отношении покупки. Эта технология помогает специалистам по продажам определять оптимальное время для обращения к потенциальным покупателям. Путем анализа онлайн-поведения посетителей сайта клиента, а также данных из различных общедоступных источников, включая социальные сети, 6sense предоставляет клиенту панораму интересов потенциальных покупателей и информацию о сроках готовности того или иного клиента к покупке (если ее вообще стоит ожидать).
Компания анализирует большие массивы информации с сайтов, используя машинное обучение для повышения точности своих прогнозов. Обладая точными данными, команды продавцов могут быстрее определять перспективы, а определение целевой аудитории выполняется быстро и с высокой вероятностью успеха. Большие объемы данных о потенциальных покупателях позволяют специалистам по продажам тестировать различные подходы, тратя больше времени на тонкую настройку, вместо того чтобы пытаться реализовать призрачные возможности.
Машинное обучение может также обеспечить более эффективное А/В-тестирование сайтов, устраняя узкие места, которые нередко обусловлены экспериментами в сфере продаж. Меньшее количество таких уязвимых точек означает более высокую скорость: примерно 30% респондентов в нашем опросе утверждали, что им удалось ускорить процессы продаж в два раза или даже больше, а еще 30% сообщили об увеличении не менее чем в пять раз. Одним из программных инструментов, позволяющих продавцам и маркетологам быстро модифицировать сайты для реализации множества тестов A/B, является Adobe Target. На основе данных, получаемых при взаимодействиях с сайтами, алгоритмы машинного обучения этой программы находят и предлагают оптимальный контент для настройки, а также помогают проверять предположения после разработки соответствующих тестов.
Стартап Optimizely использует машинное обучение для выполнения A/B-тестов ценовой стратегии. В эксперименте с маркетинговой фирмой Bizible компания Optimizely интегрировала свое экспериментальное программное обеспечение с системой компании Salesforce. В результате появилась панель мониторинга, отображающая экспериментальные переменные (первоначальные цены и тестовые цены), а также информацию о клиентах, контактные данные, сопутствующие обстоятельства и др. Это программное обеспечение также выполняло согласование цен по имеющемуся диапазону IP-адресов так, чтобы потенциальные клиенты видели одинаковые цены у компаний — участниц эксперимента. Тестирование длилось всего 30 дней, но результаты оказались убедительными. Новые, более высокие цены сужали диапазон возможностей, но эти возможности обеспечивали более высокую ценность, в среднем на 25%.
Интеллектуальная автоматизация научных исследований в пределах организаций позволяет тестировать новые действия и процессы для повышения роста доходов. Машинное обучение может оказывать помощь при лабораторных испытаниях, протоколировании и регистрации данных и разработке новых экспериментальных методик. Также оно «подсвечивает» ранее непрозрачные процессы и высвобождает время продавцов и маркетологов, чтобы они могли планировать собственные эксперименты с полной ясностью и уверенностью.
Машинное обучение также позволяет оптимизировать процессы, протекающие в реальном времени без участия человека. С этим согласились представители более 90% компаний в нашем опросе.
Благодаря использованию алгоритмов автоматизированные научные эксперименты с данными могут проводиться по мере необходимости без вмешательства человека. В сфере продаж машинное обучение может минимизировать время на решение административных задач и исключать действия, отвлекающие продавца от непосредственного взаимодействия с клиентами. Конечным результатом может стать значительное сокращение длительности времени сделки.
Исторически многие торговые и маркетинговые группы пытались повысить эффективность своей работы, используя одноразовые приемы, которые было трудно, а то и вообще невозможно воспроизвести или масштабировать. В качестве примера можно привести собственные макросы или персонализированные электронные таблицы. Между тем алгоритмы машинного обучения (иначе — «машинного осмысления»), автоматизирующие административные задачи или своевременно составляющие прогноз поведения клиентов, напротив, легко поддаются стандартизации. Поэтому они могут быть реализованы разными командами в различных ситуациях.
Компания Gainsight производит программное обеспечение для более эффективного управления продажами и обслуживанием клиентов. Она помогла службе онлайновых опросов SurveyMonkey создать систему автоматических оповещений, чтобы все члены команды были в курсе обновлений, выставления счетов и возможностей дополнительных продаж. Используя технологию Gainsight, SurveyMonkey сократила время обработки при отправке счетов примерно на треть.
Другая компания под названием Anaplan намерена помочь Hewlett-Packard сократить время сбора данных о продажах с месяца до трех дней, то есть фактически в 10 раз. Тогда вместо обращения к информации месячной давности отделы продаж смогут принимать решения на основании результатов анализа актуальных данных. Аналогично оператор машинного обучения Aviso, работающий с корпоративной облачной компанией Nutanix, сможет «ужать» двенадцатичасовое составление отчетов о продажах до четырех минут.
Но независимо от того, используется машинное обучение для облегчения анализа, экспериментов или автоматизации, оно приносит реальную пользу. Зачастую продавцы и маркетологи начинают понимать и уверенно использовать процессы, которые до этого были непрозрачными. Это позволяет внедрять более стандартизованные и последовательные подходы к взаимодействию с клиентами. В других случаях машинное обучение позволяет запускать эксперименты «за кулисами», опять же ускоряя процессы и позволяя продавцам уделять необходимое время решению более ценных задач. Пока мы только ищем подходы к внедрению машинного обучения в сфере продаж (и в других подразделениях организаций) и реализации его преимуществ в полной мере. Но уже сейчас ясно, что оно обладает большим потенциалом в плане поиска значительных скрытых доходов там, где ранее выгоды были весьма незначительными.
Войти с помощью соц. сетей: