Martin Lucký si nedávno v podcastu SalesBooster povídal s Petrem Sobotkou a Petrem Schwankem.

Nabízíme vám v přepisu jeho zkrácenou, redakčně upravenou verzi. Kompletní znění si můžete vyslechnout zde:

Co si pod pojmem data můžeme představit? 

To, čemu se věnujeme my, je sběr externích dat a signálů o firmách. Data mohou být statická: je ta firma velká nebo malá, co vyrábí? Nebo mohou být dynamická: změnilo se ve firmě něco, koupil ji někdo jiný nebo koupila si ta firma nové auto? Tato data se mění v čase. A potom existuje celý svět interních dat, která si zachytávají firmy samy skrz interakce jejich obchodních zástupců, přes vztahy se zákazníky anebo systematicky z online prostředí.

Odkud se berou data o firmách? Kde k nim přicházíte?

Některá data vznikají, protože vznikat musí. Firmy například mají ze zákona povinnost zveřejňovat výsledky podnikání do obchodního rejstříku. Všechny to sice nedělají, ale teoreticky tato povinnost existuje. To jsou regulatorní data. Dalším příkladem je registr vozidel u Ministerstva dopravy.

Dále jsou prezentační data, která si firmy vytvářejí vědomě s cílem o sobě informovat. Například údaje do katalogů, na webové stránky, v reklamě v rádiu, televizi nebo v novinách. 

A nakonec vznikají mimovolná data, neboli data vzniklá mimochodem. Například pracovní inzeráty. Mají velmi konkrétní záměr, ale v inzerátech se najdou data, která se dají použít pro mnoho jiných způsobů než pouze proto, že jsem kandidát a chtěl bych, aby mě ta firma zvážila na nábor.

Sbírají firmy vůbec data a vyhodnocují je?

Velice záleží, o jakou firmu jde. Například finanční instituce s firemními daty systematicky pracují, mají je zanesené ve svých modelech a procesech. Navíc jsou to typicky velké instituce, které mají vlastní analytické týmy a pro SME pár desítek až pár set obchodníků. To je extrém na jedné straně. 

Potom je extrém na druhé straně: většina a menších středních firem žádný analytický tým nemá a pokud data sbírá, jde o velice základní údaje. Například v situaci, kdy si jako obchodník chci ověřit, jestli je nějaká firma pro mě zajímavá jako potenciální lead, jestli je velká, jestli je relevantní vůči tomu, co dělám. Segmentace typicky začíná a končí u nalezení základních údajů: velikost firmy z hlediska počtu zaměstnanců, z hlediska obratu, informace o činnosti ze Statistického úřadu. To bohužel pro drtivou většinu obchodníků nestačí. Když například prodávám řídící systémy do obráběcích strojů, je jedno, jaký má firma obrat a kolik má zaměstnanců. Může to být základní kritérium, ale v principu potřebuji vědět, že firma má obráběcí stroje. 

Kolik potřebuji zákazníků, abych uměl odhalit společné znaky?

Záleží na tom, jaké společné znaky hledám. Pokud nemám alespoň 2000 zákazníků, dělá se to těžko. Ale i pokud mám zákazníků méně, dá se něco udělat: například si nevytvořím celkový pohled na trh, ale dívám se také na příbuzné segmenty. 

My třeba máme asi 450 zákazníků a víme, že jedna část z nich se pohybuje v automobilovém průmyslu. Když tedy zjistíme, že automotive je pro nás zajímavým segmentem, jsme schopni identifikovat další firmy ze sektoru. Jde o kombinaci selského rozumu a dat. Pokud bych jako obchodník chtěl třeba najít firmy, které mají obráběcí stroje, s normálními daty to nemám šanci zjistit. 

Se kterými daty tu šanci tedy mám?.

Často jsou to nestrukturovaná nebo polostrukturovaná data. Například webové stránky firem, veřejné zakázky, veřejné smlouvy a podobně. Například firma, která uzavřela veřejnou smlouvu, že pro Technickou univerzitu v Liberci opraví vstřikovací lis na plasty, bude mít se vstřikovacími lisy něco společného. Dále jsou to například inzeráty práce. Firmy v nich popisují roli člověka, kterého hledají a informace z těchto textů se dají krásně vytěžit. 

Abych to dobře pochopil. Například jdu prodávat nějaké zařízení určené pro zinkovny. Jak to tedy funguje? Jak mi pomůžeš podobné zinkovny najít?

Pokud prodáváš do zinkoven, tak už jich několik znáš. My si z naší databáze vezmeme všechna data, která k těmto zinkovnám máme k dispozici a s nějakými hypotézami se díváme na to, co mají společného. Například klíčová slova, fráze, typy zaměstnanců, které hledají, možná typy strojního vybavení, které mají. Ve zbytku univerza pak hledáme tyto společné znaky. A nedíváme se jen momentálně, ale se i v čase, například na poslední tři roky na firmy, které hledaly obsluhu do zinkovny. Zjistíme značky strojů, na kterých se služby zinkoven poskytují. 

Tam, kde společné znaky identifikujeme, se snažíme se kvantifikovat, jak moc důležité tyto signály jsou. Pokud má firma zinkovnu, ale tvoří například jen jedno procento její činnosti, pro dodavatele to nebude natolik zajímavé. Bude mě spíše zajímat firma, která tyto služby nabízí pravidelně a dělá to komerčně. 

Sběr dat je tedy investigativní práce

Má to dvě fáze. V první řadě jde o sběr dat, poctivý data engineering nebo coding. V momentě, kdy jsou data na jednom místě, může se na ně použít řada algoritmů, která data zpracují a hledají v nich společné znaky, případně vyhodnotí, jestli je tam něco důležitého. 

Kupříkladu z licence ERU se dá vyčíst, která firma má transformátory a jak jsou velké. Pro firmu, která prodává náhradní díly do transformátorů, je to velice užitečná informace. Na to, abych jako obchodník zjistil, která firma má licenci ERU, můžu to udělat ručně, což strašně bolí, anebo se to může dělat automatizovaně, což děláme my. Postavit automat ale stojí peníze. Pokud bych to jako firma dělal jen sám pro sebe, podobná investice nedává smysl.

Takto si můžu například ohodnotit, zda prospekt nebo lead splňuje požadavky, seřadíte je podle určité relevance…

Také jsme schopni do toho dostat i dynamickou část. Vrátím se ke příkladu s auty. Pokud jsem například dealerem Mercedesu, zajímají mě firmy, které si dříve koupily BMW. To, kdy vozový park budou obnovovat, se dá odhadnout (typicky je to po dvou až třech letech). Naše analýza ukáže nejen to, že některá firma má hodně BMW, ale i to, že si je koupily před rokem a půl, takže je možná teď dobrý čas na to je oslovit a zkusit jim napříště nabídnout, aby si koupily Mercedes. 

Takže jde i o to, abych tam nebyl moc brzo nebo moc pozdě. Když si někdo před půl rokem koupil deset nových BMW, nemá smysl, abychom tam teď chodili prodávat Mercedes. Ale můžu jim třeba přijít nabídnout nějaký originální olej.

Záleží přesně na tom, co prodáváte. Pokud jste servis nebo pneuservis a děláte firemní flotilu, je vám docela jedno, kdy to auto firma koupila, ale je důležité vědět, kdy přichází zimní sezóna a výměna gum. Věcí, které vám určují, kdy je ten správný čas, může být mnoho. Proto vždy pracujeme s našimi zákazníky, abychom jejich byznys pochopili a správně toto nastavili. To nám pak umožní zpracovat data, takovým způsobem, aby jejich obchodní a marketingové týmy s nimi reálně byly schopny pracovat dále a aby těm datům věřili. 

Stává se vám, že z dat vypadne něco úplně jiného, než jste na začátku očekávali?

Stává se to, ale ne zcela často. To kouzlo toho, že systematicky sbíráte a zpracováváte data, není nutně v tom, že objevíte něco, co by ten obchodník nebo marketér nevymyslel sám. 

Takže extrémní aha momenty nejsou časté?

Pro jednoho klienta, který se relativně hodně soustředí na Čechy a záleží jim hodně na tom, kolik provozoven firma má, jsme objevili, že na Moravě existuje maloobchodní síť Hruška, o které předtím neslyšel a teď je to pro ně obrovský zákazník. Není to tím, že je nikdy nenapadlo se dívat na maloobchodní řetězce. Jde o to, že jsme jim pomohli systematicky pokrýt celý trh, ušetřit marketérům a obchodníkům čas, protože místo hledání v Googlu to za ně zpracoval stroj. To, že se tam objevilo něco, co je předtím nenapadlo, je třešinka na dortu.