Использование Big Data в продажах цифровых продуктов. Антон Капаев, заместитель генерального директора Медиагруппы Актион-МЦФЭР

Кто такие Актион-МЦФЭР

2

49% Доля цифровой выручки

95% Доходов - это подписка

502 Тысячи платных подписчиков

112 Журналов (печатных и электронных)

17

Справочных систем

23

Сервисов

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%

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.

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

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

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

Шаг назад #1 343 256 334

498 3487 856

946 348 844

8

Время на сайте Низкое Среднее Высокое

До

лж

но

сть

П

ло

хая

С

ре

дн

яя

Це

ле

вая

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

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.

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

25

93

32

45

Не звоним / не рента- бельно

Средняя ожидаемая доходность от 1 звонка

385 руб. 500

руб.

Си

стем

а б

алан

сир

овк

и с

ред

не

й

до

ход

но

сти

кам

пан

ий

Персональное предложение

11

0

2

4

6

8НДС

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

Спасибо!

12