Upload
mediamakers2016
View
178
Download
2
Embed Size (px)
Citation preview
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 [email protected] 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