Jakub Vraspír se rozpovídal o datových projektech v BizMachine

BizMachine znáte jako data powerhouse pro obchodníky v B2B. Věděli jste, že naše práce dodávkou dat často nekončí? 

Jakub Vraspír, který se před BizMachine několik let věnoval obchodu a řízení projektů, popisuje služby, které klientům nabízíme ve snaze rozvíjet a zefektivňovat jejich obchodní týmy. Za rok působení v BizMachine se Jakub věnoval projektům v oblasti médií, e-commerce, telekomunikací či farmacie.


Projekty pro klienty - od rychlých analýz až po několikaleté spolupráce

Naše projekty jsou nástavbou nad daty, která klientům poskytujeme. Tyto projekty jsou buď dlouhodobé (trvající až několik let), krátkodobé (například měsíční diagnostiky), případně jednorázové ad-hoc analýzy.

V dlouhodobých projektech pro klienty dodáváme nejen data, ale snažíme se pomoct s celým obchodním procesem a zajistit, aby obchodníci mohli data využívat co nejefektivněji. Zároveň si od nich bereme zpětnou vazbu, společně s klienty rosteme a učíme se. Když se zákazníkem žijeme například dva-tři roky, dokážeme vidět změny v dlouhodobém kontextu a na základě zkušenosti a dat celou spolupráci posunout na mnohem vyšší úroveň.

Objevují se také projekty krátkodobé a jednorázové - jsou to ad-hoc požadavky na různé analýzy, diagnostiky či segmentace podle konkrétního zadání.

V případě segmentací (či mikrosegmentací) se snažíme zejména spojit naše zkušenosti a datové know-how s klientovými znalostmi o jeho trhu. Na tomto základě se rozhodujeme, jaká data a které analýzy kombinovat, abychom se co nejefektivněji dostali k té správné skupině firem. Zde je hodně důležité myslet také na obchodníky či markeťáky, kteří s těmito příležitostmi budou nakonec pracovat a přetavit poskytnuté leady v reálné obchodní příležitosti. Proto jim musí být jasné, na jakém základě jsme firmy vybírali a proč jsou potenciálními zákazníky pro jejich služby či produkty. Díky našim datům obchodník ví, že se například chystá volat do firmy, která vlastní výrobní fabriku, má české majitele, o 50 % vyšší nábor než minulý rok, hledá kvalitáře do výroby a má tendence investovat do dražších technologií. Má tudíž k dispozici všechny klíčové informace a chápe, proč zrovna tato firmy by mohla mít zájem o nákup kamerových systémů analyzující kvalitu výroby.

Často vidíme, že firmy po obchodnících vyžadují manuální analytickou práci. Obchodníci si nejprve procházejí CRM, různé databáze a internet, aby si vytypovali potenciální zákazníky, následně si o nich hledají důležité informace a nakonec se je pokusí zobchodovat. Jde do velké míry o mrhání obchodníkova času. V BizMachine věříme, že je mnohem lepší obchodníkům každý měsíc či kvartál naservírovat relevantní leady, vybrané na základě kvalitní analýzy a zkušeností s trhem, a nechat ho se soustředit na obchod. 

Modely segmentace

Pro klienty, kteří přemýšlí o (mikro)segmentaci trhu a chtěli by svým obchodníkům zefektivnit jejich práci, případně také zjistit, zda není místo, které ještě na trhu neobsáhli, máme v nabídce v zásadě tři modely: Attractivity scoring, Similarity model a Potential-sizing regression model na základě fakturace. Každý model se hodí pro jiný případ a mnohdy tyto modely i vzájemně kombinujeme.

  1. Attractivity scoring je model, který je založen na hypotézách a předpokladu, že klient zná charakteristiku svého potenciálního zákazníka. Skládáme společně seznam jednotlivých signálů, které by daná firma měla splňovat. Například se chceme zaměřit na firmy, které vlastní e-shop, a pak mezi zkoumané parametry mohou patřit signály jako přítomnost na Heuréce nebo Zboží.cz, určitá výše obratu, pozitivní recenze a tak dále. Ke každému signálu následně přiřadíme skóre podle významnosti a následně model spustíme na daný trh. Firmy s nejvyšším skóre by pak měly mít největší potenciál. Jde o skvělý model například pro klienty, kteří vstupují na trh s novým produktem. Zároveň je velmi transparentní pro obchodníky a jednoduše upravitelný na základě zkušeností “z pole”.
  2. Similarity model hledá podobnosti. Klient identifikuje sadu “dobrých” zákazníků (ze zkušenosti či podle fakturace) a náš machine learning model identifikuje další podobné firmy na trhu a míru podobnosti vyčíslí. Tento model se opírá o reálná klientova data a může vést k objevení zajímavých signálů, na které bychom třeba v případě Attractivity scoringu nepřišli.
  3. Potential-sizing regression model je v mnoha ohledech nejpřesnějším, pokud má klient k dispozici dostatek dat o fakturaci a share of wallet zákazníků u konkrétního produktu nebo služby. Díky tomuto modelu můžeme nejen vymodelovat, jak vypadá “ideální” potenciální zákazník našeho klienta, ale také dokážeme vyčíslit, kolik by daný potenciální zákazník měl u našeho klienta utratit.

Pomoc obchodním týmům

Kromě čistě datové práce jsou projekty stále více zaměřené na “měkčí” oblasti, například organizaci obchodních týmů, správné nastavení motivační složky, systém práce atd. Radíme klientům, jak by měli být jejich obchodní týmy poskládané, jak s nástroji pracovat co nejefektivněji nebo jak obchodníky rozsegmentovat vůči trhu. Typicky pak s nimi sedíme na poradách a stáváme se součástí jejich obchodního týmu. Snažíme se využít naše zkušenosti a společně s nimi zlepšovat každou část jejich obchodního procesu, od správně zvoleného callscriptu při navolávání, přes implementace nástrojů, až po nastavení nových obchodních kanálů.

Radíme klientům, jak by měli být jejich obchodní týmy poskládané, jak s nástroji pracovat co nejefektivněji nebo jak obchodníky rozsegmentovat vůči trhu. Typicky pak s nimi sedíme na poradách a stáváme se součástí jejich obchodního týmu.