Первоначально опубликовано на www.neuralfizz.com.

Задумывались ли вы как руководитель отдела продаж, насколько точны мои прогнозы? У вас есть опасения по поводу согласованности прогнозов между вашими торговыми представителями, которые могут иметь очень разные уровни навыков, опыта и мотивации? Вы когда-нибудь хотели, чтобы вы могли сравнить все прогнозы с какой-то метрикой, основанной на данных, что дало бы вам ориентир того, где на самом деле находятся ваши представители?

Искусственный интеллект и Машинное обучение — идеальный инструмент для создания именно таких KPI на основе данных для ваших отделов продаж.

В первой части этой серии статей я собираюсь обсудить деловую сторону вопроса: может ли машинное обучение делать прогнозы лучше, чем мои отделы продаж? я расскажу, как лучше всего использовать такую ​​метрику. руководителем отдела продаж, управляемого данными. Во второй части обсуждаются детали и более глубокое техническое обсуждение того, как вы могли бы реализовать такую ​​метрику, напрямую интегрируя SalesForce.com и машинное обучение с использованием таких инструментов, как Python и SKLearn.

Если вам не терпится перейти к техническим деталям, я разместил Jupyter Notebook, показывающий, как реализовать эти функции, в моей учетной записи github, здесь.

Зачем мне использовать машинное обучение для прогнозирования?

Поэтому, как руководитель отдела продаж, вы можете задаться вопросом, зачем использовать искусственный интеллект для прогнозирования, а не более традиционное использование прогнозов непосредственно на месте? Как прогнозы машинного обучения соотносятся с этими прогнозами на местах, лучше они или хуже? Какое место этот KPI занимает в моей еженедельной/ежемесячной/ежеквартальной частоте обзоров продаж?

Прежде всего, давайте немного поговорим о том, на что способна модель автоматического прогнозирования, как она настраивается и в чем ее ценность. Важно отметить, что этот тип модели будет работать лучше всего, когда у вас будет достаточно данных для алгоритмов, чтобы узнать, какие переменные предсказывают возможности, которые конвертируются в закрыто-выигранные. Обычно вам нужно как минимум пару тысяч точек данных. Под этим я подразумеваю пару тысяч возможностей, которые закончились либо закрытой выигранной, либо закрытой проигрышной.

Точки данных, которые оценивает алгоритм машинного обучения, часто называют признаками. Принцип работы машинного обучения заключается в том, чтобы взять большой подмножество данных (представьте их как строки в электронной таблице Excel) и узнать, какие функции (столбцы в электронной таблице) с наибольшей вероятностью предсказывают определенный результат в данном случае. дело закрыто выиграно или закрыто проиграно.

Эти функции могут быть любыми: от стадии возможности, общего времени на стадии, суммы дохода, которую приносит возможность, региона, вертикального рынка аккаунта, возраста и т. д. Целью Модели является выяснить, какие функции и ценности наиболее вероятно соответствуют с закрытыми выигранными возможностями, а затем иметь возможность посмотреть на воронку продаж и сообщить вам с некоторой степенью уверенности, какие из них, скорее всего, в конечном итоге будут закрыты выигранным.

Самое замечательное в машинном обучении заключается в том, что вы можете создать эту модель, а затем понять, насколько точны прогнозы, запустив ее на наборе тестовых данных, ответы на которые вы уже знаете.

Итак, теперь, когда у вас есть прогнозы, что вы с ними делаете?

Один из способов взглянуть на эти прогнозы — рассматривать их как еще один сигнал прогноза возможности. Например, представьте, что вы подходите к концу квартала, и запустите свои прогнозы. Затем вы сравниваете, какие возможности, которые предсказывает модель, будут закрыты с теми, которые предсказывает ваша команда по продажам. Разрыв между этими прогнозами может заключаться в том, на что вы и команда менеджеров тратите время и фокусируетесь. Например, если торговый представитель предсказывает, что в этом квартале будет закрыт крупный счет, но алгоритм машинного обучения говорит, что этого не произойдет, почему? Знает ли торговый представитель что-то, что не отражено в SalesForce? Правильно ли заполнены этапы, ценности, продукты, суммы и взаимодействия? Они прогнозируют «закрыто-выиграно» из-за фактов или потому, что им нужно это, чтобы закрыть этот квартал? Модель позволяет вам свериться с прогнозами вашей выездной группы и сделать более точное суждение о точности. Модель становится KPI, управляемым данными, который затем можно использовать для проверки работоспособности информации, поступающей с поля.

Этот показатель также играет роль в коучинге. Например, новые торговые представители могут не так хорошо понимать, какие сделки имеют наилучшие перспективы для закрытия. Показывая им, какие возможности имеют наибольшие шансы на успех, вы можете научить их тому, как лучше прогнозировать свои собственные возможности. Что еще более важно, они быстрее узнают, на какие аккаунты тратить свое время и какие факторы наиболее важны для продвижения аккаунта через процесс продаж. Модель машинного обучения может помочь командам начать сосредотачивать свое время и энергию на учетных записях, которые с наибольшей вероятностью приведут к конверсии, и убрать часть эмоций из процесса прогнозирования.

Что еще я могу сделать с машинным обучением?

Модели машинного обучения, обученные прогнозированию ваших возможностей, также могут дать вам более глубокое понимание, чем просто один KPI или показатель. Многие алгоритмы позволяют вам проверить и увидеть, какие функции наиболее важны при принятии решений. Они могут дать вам ранжированный список полей, в котором точно указано, какой процент от данного решения они составляют.

Этот тип информации может быть невероятно полезен как для отделов продаж, так и для отделов маркетинга. Понимание того, какие факторы (размер компании, вертикальный рынок, стек технологий, сумма продаж, регион и канал) оказывают наибольшее влияние на конверсию аккаунта, невероятно важно. Большинство отделов продаж и маркетинга в какой-то степени это понимают, но зачастую они основаны на интуиции и неофициальных свидетельствах. Просто подумайте о том, насколько мощным было бы участие в следующем ежеквартальном обзоре совета директоров и окончательное определение того, какие факторы являются наиболее важными при определении того, является ли возможность хорошей или плохой.

Пример

Чтобы проверить некоторые возможности машинного обучения для создания метрики прогноза на основе данных, я создал пример на основе большого набора данных о продажах, предоставленных IBM. Вы можете увидеть исходный набор данных здесь. В этом примере мы выполняем следующие действия.

  1. Вытягивайте данные напрямую из SalesForce.com
  2. Проанализируйте данные и лучше поймите функции и точки данных
  3. Создайте модель машинного обучения из данных
  4. Запустите тест модели на другом наборе данных, отложенном для тестирования.
  5. Просмотрите результаты (точность и другие ключевые показатели оценки)
  6. Выберите окончательную модель и используйте ее для будущих прогнозов.
  7. Получить набор данных из SalesForce, который не был спрогнозирован
  8. Делайте прогнозы и загружайте их прямо в поле на SalesForce.com.

В этом примере показан полный производственный конвейер для интеграции модели машинного обучения непосредственно в SalesForce.com и создания нового KPI. Для тех, кто технически подкован, вы можете дождаться второй части этого поста или сразу перейти на GitHub и посмотреть блокнот Jupyter здесь.

Набор данных, который я запускал, начинался с 78 тыс. строк, которые были сокращены до 2,5 тыс. и загружены в SalesForce.com в качестве возможностей. Было 2000 возможностей, которые были закрыты или потеряны. Остальные находились на более ранней стадии в конвейере возможностей. Каждая возможность имела ряд особенностей, которые учитывала наша модель. Некоторые из них включали классификацию клиентов, регион, продолжительность этапа, количество дней до закрытия, сумму дохода клиента и т. д. Всего при создании прогнозов использовалось 18 различных точек данных (функций) для каждой возможности.

Результаты

После построения, настройки и тестирования модели мы смогли получить точность более 82% и F-показатель 81%. Это означает, что если наша модель предсказывает, что учетная запись будет закрыта, мы имеем более 80% уверенности в том, что это произойдет. Я уверен, что с дополнительными данными и работой по настройке мы могли бы поднять эти цифры еще выше.

Но что это значит и как бы вы это использовали? На практике вы будете запускать прогнозы с некоторым регулярным интервалом, скажем, в конце каждой недели. Это подтолкнет к новому полю возможности SalesForce индикатор того, будет ли возможность закрываться. Затем, когда вы запускаете свои прогнозные отчеты, вы можете сравнить результат модели с прогнозами из поля. Вы знаете, что точность прогнозов Модели составляет около 80%+. Оттуда легко провести сравнения, чтобы увидеть, какие команды работают лучше или хуже, чем Модель. Какие люди дальше всего далеки от предсказаний моделей. Кто может иметь наибольший потенциал на квартал. Эта единственная метрика может изменить способность вашей команды сосредоточиться на правильных сделках в нужное время, повысив общую производительность команды.

Резюме

Использование ИИ для создания KPI для прогнозирования ваших возможностей не избавит ваши команды от необходимости понимать свою воронку продаж и хорошо прогнозировать. Однако это даст вам глубокий сигнал, который вы сможете использовать, чтобы лучше управлять отделами продаж и лучше прогнозировать работу на макроуровне. Это также даст вам возможность точно определить, где в вашей организации продаж у вас есть аномалии. Например, повторения таким образом превосходят или уступают норме. Это также даст вам возможность узнать, где в вашей организации вам нужно сосредоточить усилия на коучинге и обучении. KPI может помочь вам гораздо точнее прогнозировать деятельность организации в целом. Самое главное, это дает вам инструмент, который может помочь организации работать намного лучше.

Я не сомневаюсь, что в течение следующих пяти лет мы увидим, как команды начнут использовать метрики на основе ИИ для помощи в управлении своими командами. Сила неоспорима, вопрос в том, будут ли организации действительно готовы ею воспользоваться? Те, кто это делает, начнут превосходить тех, кто этого не делает.

Если вам понравилась эта история, дайте мне знать, похлопав несколько раз ниже!