Инновации

ML-система управления маркетинговыми лидами для продаж

Мы применяем технологии машинного обучения для того, чтобы понять, насколько тот или иной лид хороший. Для обучения машины нужны данные, много данных.

Качественный лид

Продавцы и маркетологи всегда спорят: что есть качественный лид. Каждый понимает по-своему. Хочется иметь 1 параметр, по которому сравнить. Например: это целевая профессия для этого продукта или нет? Вовлечен человек был или нет? Но жизнь многогранная. И одного фактора бывает недостаточно, важна их комбинация.

Важные точки

Мы разметили важные точки наших сайтов специальными событиями и собираем историю этих событий по всем авторизованным пользователям. Например, посещал страницу с ценами, брал демодоступ, приходил на вебинар, прочитал X статей, провел Y минут в демо и т. д. Всего таких событий более 100. Из событий получаются и дополнительные данные по каждому пользователю. Сколько раз были те или иные события, как давно, доля каких событий была больше, и итого все комбинации сроков, долей и событий нам дают более 11 тыс. переменных.

Профиль человека

Кроме поведения, профиль человека имеет тоже большой вклад. Нам важны: пол, возраст, должность, отрасль компании, где человек работает, размер этой компании, регион. Продуктов в Актионе более 100, и для каждого продукта это свой набор целевых показателей профиля.

Конечно, мы собираем и изучаем данные по взаимодействию продавцов с данным потенциальным Клиентом: какой результат каждого звонка, какой длины был каждый разговор, был ли выставлен счет и как. В случае с событиями важны дополнительные данные, которые являются производными: как часто мы разговаривали с этим клиентом, как давно, доли длинных разговоров, доли счетов и доли отказов. Так как у нас много продуктов, то мы изучаем все параметры как по целевому продукту, так и по этому типу продуктов (справочная система это или это, например, онлайн-школа) и в целом по всем контактам.

История покупок тоже важный параметр. Что покупал этот клиент, на какую сумму и по какой акции, сумма всех покупок, сумма максимальной покупки и, конечно, как давно это было. Столько параметров, и все они влияют. Но наша задача — получить один параметр, чтобы ответить на вопрос: хороший лид в итоге всех этих параметров или нет.

Главное: устойчивая модель

У нас работает команда аналитиков, которые используют технологии машинного обучения для того, чтобы построить скорринговые модели по всем. В своей работе мы используем Pythonи SAS. Изучаем, какие параметры были у тех, кто купил тот или иной продукт, и у тех, кто не купил. Каждая модель обязательно делится на 2 части (обычно 70 на 30): на одной части мы обучаем модель, на другой — проверяем. Если результаты схожие, то модель — устойчивая. По итогам модель может предсказать вероятность покупки этим человеком этого продукта и сумму этой покупки. Эту сумму мы дополняем формулой LTV, которая учитывает всю сумму, которую клиент заплатит с учетом повторных покупок. В итоге получили параметр — потенциальный LTV, по нему мы и оцениваем, хороший лид или плохой.