Каталог курсов
Демо-курс по цифровизации ритейла
Определение клиентов торговой компании с более высоким потенциалом дохода в сравнении текущими расходами
кейс1
Источник изображения: PxHere, CC0 Public Domain
Общая информация
- Компания/Заказчик: Британский B2B-поставщик инструмента
- Консалтер/Интегратор: Applied Data Science Partners (ADSP)
- География: Великобритания
- Период проекта: Проект был выполнен менее чем за 2 месяца.
- Отрасли: Торговля
- Области управления бизнеса: маркетинг, продажи
- Решаемые бизнес-задачи: Оценка, Сегментирование клиентов
- Идеологические платформы и тренды: Машинное обучение
Исходная проблема, вызов, идея
Клиентом Applied Data Science Partners (ADSP) была B2B-компания с многочисленными филиалами по всей Великобритании, поставляющая инструменты для широкого спектра отраслей промышленности.
Она хотела оптимизировать территориальное управление, отойдя от модели, основанной на "текущих продажах" филиала.
В рамках проекта требовалось определить клиентов компании с более высоким потенциалом дохода, чем предполагают их текущие расходы, чтобы отдел продаж мог эффективно расставлять приоритеты.
Модель должна была быть интерпретируемой, чтобы продавцы могли соответствующим образом использовать полученные данные.
Принцип решения
Использование машинного обучения
Описание кейса
На начальном этапе проекта было проведено изучение различных доступных источников данных, которые мог предоставить клиент, затем определены сторонние источники, которые можно было использовать для обогащения этих данных. В частности был создан парсер для онлайн данных Companies House (регистратор компаний Соединенного Королевства ) и включен в конвейеры обработки данных клиента для очистки и агрегирования счетов клиентов и оценки их потенциала.
Затем была обучена модель Python LightGBM для прогнозирования расходов с учетом только тех характеристик каждого клиента, которые не были напрямую связаны с его текущими расходами. Была использована библиотека SHAP для оценки влияния на прогноз каждой переменной для отдельных записей, чтобы результаты могли быть интерпретируемыми и отдел продаж мог понять причину выставленных оценок.
Также была доблавлена возможность корректировки оценок пользователями, т.ч. модель учится и на этих корректировках.
Результат
Отдель продаж закзачика получил список клиентов с оценками, который помогает определить приоритетность последующих действий и возможностей для продаж. Модель включает в себя интеллектуальный цикл обратной связи, который позволяет пользователю корректировать оценку клиента, тем самым позволяя модели совершенствоваться с течением времени.
После внедрения решения было сообщено о удвоении числа квалифицированных лидов. 30 тысяч аккаунтов были отмечены как имеющие более высокий потенциал для отделов продаж.
Другие кейсы
