case study/strategie

Jak může práce s daty zefektivnit prodejní kampaň

Case study

Běžná zakázka v oblasti telesales má standardní parametry. Zadavatel zadá produkt/službu, kterou by call centrum mělo prodávat, a většinou dodá i databázi kontaktů, kterou by call centrum s nabídkou mělo oslovit. Call centrum nedostává ovšem zaplaceno za to, že všem zavolá a nabídne jim zákazníkovu službu. Odměna call centra je v naprosté většině případů vázána jen na počet úspěšných prodejů.

Jedna cesta, jak se k tomuto zdánlivému rozporu postavit, je obvolat všechny a neutratit přitom mnoho peněz. Ušetřit na odměně operátorů, ušetřit na kvalitním a detailním tréninku operátorů a tím držet náklady na každý jeden hovor rozumně nízko.
Druhý, sofistikovanější přístup nabízí využití data miningu a předchozího testování vzorku databáze. V principu jde o to nevolat všem, ale vybrat jen ty, u nichž je vyšší pravděpodobnost, že na naši nabídku bude reagovat pozitivně. Ušetřené prostředky za čas operátorů a telekomunikační náklady lze použít k lepšímu proškolení a vyšší motivaci prodejního týmu.

Funguje to - příklad z praxe

Od klienta jsme získali k zakázce komerčně zakoupenou databázi s telefonními čísly potenciálních klientů. Databáze byla vybrána běžným způsobem - podle stanovené cílové skupiny produktu. Jednalo se o specifický pojistný produkt, a tak byly vybrány kontakty s určitými zadanými demografickými charakteristikami (věk, bydliště, příjem...). Při opakovaném testování využití databáze v prodeji jsme dosáhli úspěšnosti kolem 3 %. Podle všeho osoby splňovaly přesně zadaná demografická kritéria (byla koupena „správná“ databáze), ale většinou již pojištění měli nebo neměli zájem o tento produkt či způsob nabídky. Pokračování v takové prodejní kampani s takovou úspěšností by bylo v dané situaci neekonomické.
Rozhodli jsme se pro jiný přístup. Požádali jsme klienta o databáze z předchozích prodejních kampaní. Nyní přišly na řadu dataminingové metody. Některé z nich nepotřebují nutně ke svému fungování formulovat nějaká sofistikovaná pravidla/ hypotézy. Není potřeba analýzou dat o úspěšných prodejích zjišťovat něco jako - nejlepší jsou muži ve věku 45-55 let, z měst mezi 10-20 000 obyvateli, kterým se volá mezi 16:30 a 19:30 v úterý a čtvrtek.
Použitá metoda vlastně řeší úplně jiné zadání: Tady je databáze lidí, kteří si dříve po telefonu podobný produkt koupili, a tohle je, co o nich víme. A tady je jiná databáze všech možných lidí a tohle je to, co o nich víme. Vyber mi prosím z druhé databáze ty, kteří by si mohli produkt koupit.
Výstupem není tedy nějaké pravidlo, ale výběr z velké databáze, o kterých si analytická metoda myslí, že by mohl být dobrý pro náš účel.
A jak to dopadlo? Prodejní úspěšnost vybrané databáze byla 7 %. Rozdíl mezi 3 % a 7 % jen zdánlivě nevypadá velký, ale je to hodně, úspěšnost je více než dvojnásobná!
Za těchto podmínek má smysl v prodeji po telefonu pokračovat. Vyšší úspěšnost samozřejmě znamená větší výnosnost celé zakázky pro call centrum a hlavně splnění prodejních cílů pro klienta. Vysoká úspěšnost navíc přináší i další motivaci operátorům v call centru. Je určitě lepší zaznamenat úspěch každou hodinu než jen 2x za den. Jak jsme se poučili z tohoto konkrétního případu?
Změna našeho přístupu k zakázkám v telesales: * Primárně „nevěříme“ zadání o cílové skupině; * Kampaně testujeme na menších vzorcích; * Podle výsledků vybereme správnou množinu kontaktů, kterou oslovíme s nabídkou.

Data mining Pojmem „data mining“ se označuje vyhledávání zajímavých údajů a souvislostí z rozsáhlých databází. Využívá se množství statistických metod, databázových aplikací a technik umělé inteligence, které jsou podporovány dnešním dostatečným a dostupným počítačový vývojem. Časté aplikace jsou především v oblastech přímého marketingu (výběr klientů pro oslovení), finančnictví (např. odhadování rizika, hledání podvodů), maloobchodního prodeje (analýza nákupních košíků aj.), telekomunikací (segmentace klientů, prodej programů aj.) a internetového prodeje (analýza přechodů mezi stránkami, efektivity reklamy apod.).

16.6.2011    Strategie   
Jakub Ouhrabka, ComGate Interactive     

str. 82    Data a databáze , článek ke stažení v PDF