Эта запись первоначально появилась в блоге Atrium. Автор Пол Хармон.

Машинное обучение, аналитические инструменты визуализации данных и продвинутый ИИ меняют пространство CRM от того, что традиционно было сосредоточено исключительно на хранении данных и минимальном участии, к чему-то новому: полномасштабным системам аналитики. Организации, смотрящие в будущее, хотят использовать свои исторические данные для создания точных и действенных прогнозов.

Нет недостатка в готовых инструментах для прогнозирования, но многие из них являются дорогостоящими и требуют от пользователей изучения дополнительных систем поверх их инфраструктуры CRM. В идеале организации могли бы интегрировать точные, действенные прогнозы в свои фронт-офисы, чтобы информация могла быть обнаружена и использована в системе, которую они уже используют каждый день.

К счастью, Salesforce предоставляет основу для двух эффективных методов прогнозирования, которые можно использовать по отдельности или в сочетании друг с другом для разработки эффективных методов прогнозирования. Прогнозирование «сверху вниз» и прогнозирование «снизу вверх» могут дать ответы на важные вопросы о будущем, но они требуют разных данных и могут использоваться для ответа на разные вопросы бизнеса.

Прогнозы сверху вниз

Что такое нисходящие прогнозы? Подумайте об этом так: бейсбольной команде «Сан-Франциско Джайентс» может быть интересно предсказать, сколько игр они выиграют в следующем году. Они могли бы использовать информацию из прошлогодних итоговых показателей сезона (общее количество хоум-ранов, забитых ранов и т. д.), чтобы предсказать общее количество побед в следующем году, а с данными за несколько предыдущих сезонов они потенциально могли бы предсказать свой рекорд на несколько лет. в будущее.

Этот тип прогноза называется подходом «сверху вниз», потому что он использует информацию на агрегированном уровне — и прогноз, и данные, используемые для его создания, составляются для всего сезона. Этот прогноз не особенно полезен, если я делаю ставку в 20 долларов с другом на завтрашнюю игру «Джайентс» против «Ред Сокс», но, безусловно, был бы полезен, если бы я хотел определить, смогут ли «Джайентс» выйти в плей-офф в следующем году.

Организации по продажам и маркетингу, возможно, не озабочены попаданием в очередь или выходом в плей-офф в следующем году, но у них во многом схожие потребности в прогнозировании. Возможность генерировать рыночные прогнозы на высшем уровне полезна для прогнозирования потребительского спроса, эффективного распределения внутренних ресурсов и упреждающего решения потенциальных проблем в будущем.

Прогнозы снизу вверх
Вернемся к примеру с SF Giants. Может быть, нам интересно узнать, что может произойти в каждой игре, в которую они играют. В этом случае знание общего количества хоум-ранов в течение сезона не будет столь полезным — чтобы сделать точный прогноз относительно следующей игры, нам нужны данные на уровне игры. Кто здоров? Кто стартовый питчер? Игра ведется дома или в гостях? Ответы на эти вопросы имеют решающее значение для точного прогноза следующей игры гигантов.

Этот тип прогноза называется прогнозом «снизу вверх» или «сводным прогнозом», потому что прогнозы делаются для каждой игры на основе вероятности победы «Гигантов» в каждом матче. Чтобы получить прогнозируемый рекорд на сезон, каждую отдельную игру необходимо «свернуть» или объединить в течение всего сезона.

Точно так же организации, отслеживающие свои возможности, могут использовать свои данные вместе с такими инструментами, как Salesforce Einstein Discovery, для оценки прогнозов выигрышных сделок, конверсии потенциальных клиентов и т. д. для каждой записи в своем наборе данных. Эти типы информации полезны для торговых представителей, работающих на уровне земли, определяя ключевые факторы и выделяя действия, которые могут помочь совершить сделку. Тем не менее, они обладают еще большей мощью, когда объединены для создания прогнозов для команд, регионов или даже всей организации.

Методы реализации нисходящих прогнозов
Модели машинного обучения, такие как нейронные сети, машины опорных векторов и т. д., очень популярны в сфере автоматизированного ИИ. Однако для нисходящего прогнозирования эти методы могут потерпеть неудачу. Фактически, многие традиционные статистические методы могут превзойти высокотехнологичные алгоритмы искусственного интеллекта.

Это связано с тем, что многие модели машинного обучения не учитывают явление, называемое автокорреляцией, то есть тот факт, что наблюдения, сделанные в близкие моменты времени, более тесно связаны, чем наблюдения, сделанные в более отдаленные моменты времени. Чтобы проиллюстрировать эту концепцию на нашем примере с бейсболом, давайте подумаем о ставке в 20 долларов на следующую игру, в которую сыграют гиганты. Какая информация будет наиболее полезной? Часто важно знать об их последних играх. Например, если звездный слаггер команды получил травму в предыдущей игре, это с большей вероятностью повлияет на исход следующей игры «Гигантов», чем на исход игр, сыгранных через месяц. Или, возможно, команда находится в середине полосы неудач или в долгом путешествии. Все эти краткосрочные факторы влияют на игры, близкие друг к другу по времени, но этот эффект ослабевает в течение сезона. Поэтому имеет смысл учитывать эту автокорреляцию при построении моделей прогнозирования. Многие стандартные статистические инструменты предполагают, что наблюдения во времени независимы, поэтому использование стандартной модели для данных, демонстрирующих эту временную корреляцию, может привести к вводящим в заблуждение результатам.

Хорошая новость заключается в том, что существует множество инструментов, которые обрабатывают эти типы данных. Модели экспоненциального сглаживания, модели скользящего среднего и сглаживающие сплайны — это лишь некоторые из методов, которые легко обрабатывают автокорреляцию и могут использоваться для создания нисходящих прогнозов. В Einstein Analytics функция временных рядов использует метод тройного экспоненциального сглаживания для создания надежных прогнозов, которые можно легко визуализировать на информационной панели.

Внедрение восходящих прогнозов в Einstein Discovery

Для реализации восходящих прогнозов в Salesforce лучше всего подходит Einstein Discovery. Обнаружение можно использовать для обучения моделей логистической регрессии на исторических данных, которые оценивают вероятность успеха для каждой записи в наборе данных. Объединив эту прогнозируемую склонность к успеху с размером каждой сделки/лида/возможности в данных, мы можем оценить ожидаемую ценность для каждой записи. Затем можно легко использовать Einstein Analytics для объединения всех записей в любой комбинации значимых способов — либо по команде, по региону, либо по другому методу.

Восходящий метод учитывает информацию, которая может помочь повысить эффективность процессов и расставить приоритеты в организации. Задумайтесь над вопросом: лучше отдать приоритет сделке А стоимостью 1000 долларов с вероятностью успеха 95% или сделке Б стоимостью 5000 долларов с вероятностью конверсии 50%? Рассчитав ожидаемую стоимость каждой сделки путем умножения вероятности успеха на общую стоимость каждой сделки, мы можем увидеть, что сделка А имеет ожидаемую стоимость 0,95 * 1000 = 950 долларов США по сравнению со сделкой Б, которая имеет ожидаемую стоимость 0,50 *. 5000 = 2500 долларов. Торговые представители могут использовать эту информацию, чтобы сосредоточиться либо на сделках с высокой вероятностью, либо на сделках с высокой стоимостью, либо (разумно) на сделках с наивысшей ожидаемой стоимостью. Затем весь прогнозируемый поток сделок A и B можно свернуть, чтобы получить оценку 950 долларов США + 2 500 долларов = 3 450 долларов США. С помощью Einstein Analytics и Discovery эти ожидаемые значения можно рассчитать, свести воедино и использовать для создания шагов действий, которые могут отображаться в системе, которую представители уже используют в рамках своего рабочего процесса.

Кроме того, Einstein Discovery помогает определить ключевые факторы, связанные с улучшением прогнозируемого результата — наша бейсбольная модель может определить, например, что изменение порядка ударов увеличивает вероятность победы в игре. Для нашей бейсбольной команды это могло бы информировать или улучшать то, как менеджер принимает решения в игре. Точно так же для торговой организации Discovery может определить, что скидка 5% увеличивает вероятность более существенно, чем скидка 4%, поэтому торговые представители могут максимизировать свою прогнозируемую сумму и лучше увеличить свой процент побед. Основываясь на этих факторах, организации могут направить усилия на повышение вероятности конвертации сделок с низкой вероятностью, в то же время делая точные прогнозы ожидаемой стоимости каждой сделки.

Дополните свою CRM функцией прогнозирования
Практически каждая крупная организация, занимающаяся продажами и маркетингом, использует CRM, но не все используют ее в полной мере. Настоящая интеллектуальная система сочетает в себе разумное использование анализа данных, моделей машинного обучения и бизнес-опыта, чтобы найти ответы на важные вопросы, выделить области для улучшения, внести изменения в процессы и предсказать, что может произойти в будущем.

Это включает в себя использование хорошо разработанных статистических инструментов для повышения эффективности ваших моделей прогнозирования — и в Salesforce эти инструменты доступны одним прикосновением ваших пальцев. Прогнозирование не решит всех ваших проблем, и вопросы о выводной статистике (информационные процессы и т. д.) должны решаться в несколько иной структуре с использованием таких инструментов, как Einstein Discovery. Однако, помогая добиться преобразующих воздействий и помогая организациям стать более ориентированными на данные, эти методы могут быстро повысить способность организации принимать разумные решения о будущем. Внедрение моделей, аналитики и аналогичных инструментов может помочь выявить недостатки в организационных данных и повысить качество данных, подпитывая благотворный цикл непрерывного совершенствования, который приводит к лучшим и более эффективным результатам.