Data Driven Sales od Bisnode je jednoduše řečeno obchod řízený datovými toky. Díky propojení CRM systému zákazníka s daty Bisnode je možné uskutečnit podrobnou analýzu obchodních případů a najít vhodný algoritmus, jak a kdy oslovit nové zákazníky. Cílem je především maximální efektivita obchodu. „Model využívá strojového učení a dokáže sestavit seznam potenciálních klientů. Vybere jen firmy s velkým nákupním potenciálem, rizikovým firmám se naopak vyhne,“ přiblížil generální ředitel společnosti Bisnode Jiří Skopový.
Systém pracuje s historickými daty jako jsou leady, realizované obchody, nerealizované příležitosti, data o subjektu, charakteristiky leadu atd. Čím více dat má systém k dispozici, tím přesnější bude následný výstup. Ještě před zahájením procesu strojového učení dochází k odstranění nevhodných a rizikových subjektů. Po zpracování dat vzniká algoritmus, jehož výsledkem je seznam subjektů seřazených dle pravděpodobnosti a velikosti nákupu.
„Machine learning pracuje s vhledy do dat a vzájemnými souvislostmi. Využívá k tomu charakteristiky uskutečněných leadů a informace o zákaznících. Na základě zjištěných podrobností hledá další podobné subjekty s vysokým nákupním potenciálem,“ vysvětlil Skopový. Pokud strojové učení najde souvislost, vzniká model, který odráží vztah mezi matematickou pravděpodobností a vloženými daty. Ten je potom aplikován na nový seznam leadů. „Naši klienti dostanou seznam potenciálních zákazníků včetně doplňujících informací o všech subjektech. Díky tomu mohou lépe cílit marketingové kampaně a optimalizovat kanály, kterými je osloví. Výsledkem je mnohonásobně vyšší úspěšnost uzavřených obchodů,“ zdůraznil generální ředitel.
Princip strojového učení představuje multioborový proces, který je při správném nastavení velmi úspěšný. Už při pilotním nasazení v roce 2017 vzrostl počet uzavřených objednávek o 60 procent. Významnou roli v celém procesu hraje také marketing, který nastaví správné komunikační kanály vhodné pro daný typ produktu nebo zákazníka. Strojové učení dokáže odhalit potenciál v podobě dosud neznámých kombinací a najít klienty tam, kde by to samotné firmy nečekaly. Díky doplňujícím informacím navíc výrazně roste výkonnost následných marketingových kampaní a s tím i obchodní výsledky.
Do modelu strojového učení vstupují parametry jako je obor podnikání, finance, kupní síla, velikost podniku, čas, produktové portfolio, geografické riziko, ekonomické charakteristiky regionu, rizika dodavatelů a mnohé další. „Důležité je, že v rámci procesu strojového učení vytipujeme vždy ty kandidáty na oslovení, u kterých je nižší riziko platební neschopnosti. Firmy tak oslovují klientelu, která nejenže bude mít o produkty zájem, ale také si je bude moci dovolit koupit,“ uzavřel Skopový.
PŘEDPLATNÉ
ČLÁNKY DO MAILU