Антон Капаев, заместитель генерального директора Медиагруппы Актион-МЦФЭР. «Использование Big Data в продажах цифровых продуктов»
1. Использование Big Data в продажах
цифровых продуктов.
Антон Капаев, заместитель генерального
директора Медиагруппы Актион-МЦФЭР
2. Кто такие Актион-МЦФЭР
2
49%Доля цифровой
выручки
95%Доходов - это
подписка
502
Тысячи платных
подписчиков
112Журналов (печатных
и электронных)
17Справочных
систем
23
Сервисов
3. Как росли цифровые подписчики
3
116135
142218
166894
217819
0
50000
100000
150000
200000
250000
2013 год 2014 год 2015 год Сейчас
+22%
+17%
+31%
4. Динамика лидов и трафика
• В 2-м полугодии 2014 года мы начали
следить за всеми авторизованными
посетителями и писать лог.
• В 1-м полугодии 2015 года мы включили
автоматическое создание поводов для
звонков, параллельно работали над ростом
трафика и долей авторизованных
• В 2-м полугодии 2015 года мы
захлебнулись в потоке лидов и поняли, что
нужны приоритеты, кому звонить первому,
а кому не звонить совсем
• В 1 м полугодии 2016 мы перешли на
предиктивную модель, по которой
рассчитали рейтинг каждого лида
• Сейчас мы трудимся над качеством лидов
и системой продаж
4
313
500
912
1 324
1 473 1 493
-
200
400
600
800
1 000
1 200
1 400
1 600
I-2014 II-2014 I-2015 II-2015 I-2016 II-2016
15 021
15 912
21 869
25 084
30 854
27 764
Посетителей, тыс.
Лидов, тыс.
5. Набор параметров
• Url регистрации, рубрика и как давно была
регистрация этого пользователя
• Посещал страницу подписки (цены), сколько раз и
как давно
• Скачивал счет, сколько раз и как давно
• Смотрел X статьей целевых рубрик за Y дней
• Наткнулся на пэйвол (достиг лимита материалов за
месяц), сколько раз за последний год
• Пользовался поиском на сайте
• Посмотрел страницу «О продукте»
• Брал демодоступ на это издание, как к нам попал
(utm источник), сколько времени провел в демо,
сколько страниц прочитал, сколько раз брал демо
ранее
• Брал демо-доступ на любое другое издание или
сервис, сколько раз и как давно
• Записывался на бесплатные профессиональные
семинары и вэбинары, сколько раз, как давно
• Сколько раз мы делали с попытку продать ему
подписку ранее, какие результаты были этих
попыток (статусы звонков)
• Была ли у этого пользователя ранее подписка
(на этот продукт/на любой продукт), сколько раз
он покупал, как давно закончилась
• Была ли у организации в которой работает
пользователь подписка на любое наше издание,
сколько раз и на сколько изданий (есть ли сейчас)
• Должность пользователя
• Пол и возраст пользователя
• Выручка организации
• Количество сотрудников организации
• Отрасль организации
• Дебиторская и кредиторская задолженность
организации
• Количество изменений в ЕГРЮЛ за последние
2 года в организации
• Количество судов в год у/с организацией
• и т.д.
5
6. Итоговый рейтинг
• 3,2 млн. потенциальных клиентов (учетных записей, по
которым пишется информация)
• 286 параметров и их комбинаций
• 130+ продуктов
• На выходе 1 предсказанный параметр, который назвали
доходность – сколько рублей мы получим если сегодня
позвоним этому клиенту и предложим этот продукт
Каждую ночь наша система производит перерасчет 200 тыс. залогиненных
пользователей пришедших на наши сайты в предыдущий день, выбирает 16 тыс.
лучших , кому мы не звонили 45 дней и более, присваивает параметр «доходность»,
распределяет на 162 кампании и 800 продавцов совершают попытку продать подписку.
6
7. Проблема #1: Маркетологи не знают,
что с этим делать дальше
Сама крутая биг-дата дает очень мало, если она не
позволяет привести большее количество
высокодоходных клиентов
Пример: Система проанализировала выдала: вчера на сайтах было 1500 клиентов с
высокой доходностью, 10500 с средней, 2000 с низкой. 2000 за гранью рентабельности.
Решение которое можно принять: сначала звонить высокодоходным клиентам, 2 тыс. не
звонить совсем, и немного сэкономить – продаж больше не станет. И завтра не станет,
потому как было у нас 1500 высокодоходных клиентов, так и осталось.
Решение которое хочется принять: Дать маркетологу задание привести потенциальных
клиентов вот с такими 14562 комбинациями параметров, а вот с такими 63450
комбинациями в продажах не нужны. Но роботов не завезли, они живые люди.
7
8. Шаг назад #1
343 256 334
498 3487 856
946 348 844
8
Время на сайте
Низкое Среднее Высокое
Должность
ПлохаяСредняяЦелевая
По каждому изданию было выбрано
2 самых влияющих параметра, например:
Должность и время на сайте.
Какие разделы и статьи привлекают «зеленых»
клиентов, какие желтых и красных.
Какие рассылки открывают / кликают разные
категории клиентов, разные тригерные е-мэйл
цепочки по разным клиентам
Теперь для каждой из должностей пэйвол
разрешает читать разное кол-во материалов
(некоторым – безлимит)
№ недели /
клиентов
45 46 47
Количество
зеленых
1446 1807 2169
Количество
желтых
4674 4068 3595
Количество
красных
1792 1245 645
9. Проблема #2: Продавцы не верят
Сама крутая биг-дата модель может навредить, если менеджеры по
продажам не поверят в план продаж опирающийся на аналитику,
а не на прошлые усредненные результаты.
Мы решили, что работать надо по разному с разными категориями потенциальных клиентов.
• С высокодоходными – медленнее, внимательнее и с повышенным планом у продавца
• С среднедоходными – быстрее, перебирая клиентов в поисках продажи с средним планом у продавца
9
Пример: Мы разделили потенциальных клиентов на 2 потока: Высокодоходные и среднедоходные. Дали
разным группам продавцов и поставили разные планы, но нас ждал провал. Продавцы высокодоходных
групп не смогли принять план, который в 3 раза (как показала модель) отличался от обычных усредненных
результатов. Руководители групп продаж поставили разные планы, но они отличались на 30%, а не на 300%.
Высокодоходная группа немного перевыполнила план и остановилась, среднедоходная в середине месяца
поняла, что прежний план выполнить не могут и пошли заявления на увольнения и болезни.
10. Шаг назад #2
• Параметром который стал
определять нашу работу стала
разница в планах у продавцов,
к которой они уже адаптировались
например 1:1,3
• Лиды мы начали перемешивать
таким образом, что бы среднее
качество было в заданной
пропорции 1:1,3
• Каждый месяц разница в планах
будет увеличиваться, а качество
лидов в кампаниях будет меняться
чуть медленнее чем дельта планов
10
2593
3245
Не звоним /
не рента-
бельно
Средняя
ожидаемая
доходность
от 1 звонка
385
руб.500
руб.
Системабалансировкисредней
доходностикампаний
11. Персональное предложение
11
0
2
4
6
8
НДС
Налог на
прибыль
Проверки
Расчет
зарплаты
Отчетность
Отпускные
Декретные
Страховые
взносы
Полный вектор Оперативный вектор
Что читал за все
время наблюдения
Что читал за 4
последние недели
НДС
Счет-
фактура
НДС
НДС
Счет-
фактура
Книга
покупок
ID пользователя 345273
Мария Иванова
masha1978@mail.ru
21.11.2015
#НДС +1
#Отчетность +1
Мария Иванова
Мария Иванова получит рассылки и триггеры и звонок с анонсами
текущего номера исходя из оперативного интереса и номеров будущего
полугодия исходя из полного и оперативного вектора