Close
Задать вопрос
Telegram
WhatsApp
Viber
Messenger
Skype
Mail
Phone
Как аналитика помогает поднять результативность продаж через колл-центр и активных продаж в целом
Пост о том, как при уже существующей и вполне эффективной системе отбора клиентов для активных продаж, мы смогли на треть увеличить эффективность работы колл-центра. Любая классификация всегда менее эффективна, чем сложные компьютерные алгоритмы.
Примененные в данном кейсе подходы актуальны для любых активных продаж, любым каналом, но особенно актуально это для колл-центров как самому дорогому каналу коммуникации.
Проблематика

Продажи через колл-центр, наверное, самый дорогой, но при правильной команде достаточно эффективный способ продаж. Причем, если речь идет об активных продажах, то тут особенно включается такой фактор как информационная нагрузка. Клиента компании надо еще и не завалить активностями, иначе он перестанет на них реагировать, а в случае с колл-центром это еще и раздражение и негатив по отношению к компании как результат.

Итак, давайте определим, что при активных продажах через колл-центр важно:
  1. Кому звонить
  2. Когда звонить
  3. Каким каналом или от какой торговой марки (если их несколько)
Цель инструмента

Именно с такой проблемой к нам обратилась компания, ведущая активные продажи по телефону. Перед нашей командой встала задача: выбрать клиентов, которые сегодня готовы сделать заказ и при этом у них не будет негатива по поводу получения очередного сообщения или звонка.

Кроме того, у компании существует несколько торговых линий, т.е. надо было еще определить от какой линии клиент вероятнее всего сделает заказ.

Учитывая, что количество клиентов компании ограничено, выжать больше, чем можно вряд ли получится. Основной расчет был на то, чтобы уменьшить усилия колл-центра для получения того же результата. При этом в компании уже была достаточно эффективная система отбора клиентов. Поэтому задача была не столько в исправлении, сколько в улучшении и так неплохо работающей системы.
Реализация

Для решения задачки нам потребовалось несколько алгоритмов:
  1. Первый алгоритм обучающий. Он обучает и переобучает модель для предсказания. Используются доступные поведенческие характеристики клиентов.
  2. Второй алгоритм, предсказывающий с кем из клиентов и от какой торговой линии сегодня надо контактировать с целью продажи.
Первый алгоритм переобучается раз в месяц. Второй работает каждый день – делает прогноз и распределяет клиентов с учетом того, какой линии имеет смысл работать с клиентом в данный момент.

Помимо этого, были разработаны алгоритмы, предсказывающие поведение клиентов, такие как:
  1. Ранее определение клиентов, которые потенциально станут ВИП
  2. Определение клиентов, которые пока еще активные, но есть вероятность, что они уйдут в отток
Результат

Применение описываемого решения дало заметный результат практически сразу. По итогам работы алгоритма результат оказался, как и предполагалось, не в значительном росте продаж – они выросли на 5%, а в существенном снижении усилий колл-центра для получения этого результата. В результате оптимизации выборок, колл-центр сделал на треть меньше усилий для достижения результата.

На графиках можно увидеть как изменилась динамика отклика и процента выкупа заказаов. А также изменение динамики количества звонков операторов клиентам.
Где можно применять

Применение данного решения не ограничивается только активными продажами через колл-центр как канал продаж. Другие каналы продаж также подпадают под данную логику. Да, возможно, эти каналы дешевле и вопрос оптимизации стоит менее остро. Однако вопрос «не заспамить» клиента стоит также, а то и более остро. Так что решение может аналогично применяться и к исходящей активности компании через такие каналы как СМС, электронная почта, чат-бот и т.п.
Made on
Tilda