Несколько вводных слов
MyJobNow существует меньше года. Но за это время мы многого достигли. Я работаю со стартапами / около них уже 5 лет, и за это время я часто приходил к тому, чтобы проводить широкое различие между технологическими стартапами и предприятиями, ориентированными на технологии. В первой категории можно найти компании, создающие технологическую ИС, а во второй - любой бизнес, использующий новые технологии для предложения более качественных или (и) более дешевых продуктов для устоявшихся потребностей рынка. Теперь я знаю, что это не очень точный набор определений, но мне всегда казалось, что люди, с которыми я разговаривал, понимали это и соглашались с этой моделью высокого уровня. Тем не менее, я действительно осознал это понятие технической поддержки с помощью MyJobNow. Оглядываясь назад, можно сказать, что, хотя наша траектория глубоко ориентирована на продукт, я пришел к выводу, что ›70% наших ресурсов были потрачены на продажи и маркетинг (и это справедливо). MyJobNow - это торговая площадка, и качество наших продуктов / услуг во многом зависит от наших пользователей. Я считаю, что многие стартапы ошибаются. Создание сложных и технологически сложных функций работает только в том случае, если они действительно нужны вашим пользователям. А понять, что нужно пользователям, - задача нетривиальная. Поэтому мы вложили огромные средства в то, чтобы MyJobNow работала эффективно, чтобы быстро получать, понимать и обрабатывать отзывы пользователей. Мы добились этого, правильно выполнив техническую поддержку.
Приоритезация лидов - отличный пример
Немного контекста
Я хотел бы поделиться нашим последним достижением с точки зрения использования технологий, как хороший пример того, как мы использовали современные методы и технологии в нашем стеке для оптимизации приоритезации торговых звонков для привлечения новых клиентов. Я собираюсь рассказать о технологиях / инструментах и о том, как мы использовали их для решения конкретной проблемы.
Наши лидеры - это владельцы бизнеса или сотрудники отдела кадров, которые хотят нанять людей. Мы предоставляем пробный период для нашего продукта, когда клиенты могут размещать 1 вакансию на нашей платформе, получать заявки от кандидатов и общаться с 1 кандидатом (они должны платить за больше). В настоящее время средний размер нашей покупки составляет ~ 40 евро, что делает создание группы продаж на местах очень сложной задачей. Поэтому у нас есть торговые представители, которые звонят лидам (во время пробного периода), чтобы конвертировать их. Вначале подход блицкрига был уместен, потому что наши процессы генерации лидов производили ровно столько лидов, чтобы несколько человек могли с ними справиться. За последние пару месяцев мы начали входить в фазу, когда входящих потенциальных клиентов становится слишком много (и не незначительная часть из них неактуальна), чтобы наша команда по продажам могла справиться с ними всеми. Поэтому мы начали расставлять приоритеты, используя системы на основе правил, такие как вызов потенциальных клиентов, которые находятся дальше по конвейеру в приоритете по сравнению с другими. Команда продаж начала выдвигать инициативы, которые, похоже, работают очень хорошо, оценивая использование и профиль каждого лида перед тем, как позвонить. Это сразу же дало отличные результаты, увеличив наши коэффициенты конверсии на 30% по предпринятым конверсиям. Однако с точки зрения пропускной способности ситуация замедлилась, поскольку перед попыткой звонка приходилось вручную оценивать каждое отдельное предложение. Таким образом, целью стала автоматическая приоритезация, чтобы снизить вероятность оценки плохого лида как можно ниже.
Наш стек
Здесь мы начинаем говорить о наших инструментах и о том, как мы использовали их для создания процесса продаж. Итак, по одному:
- Pipedrive CRM: Pipedrive - отличная и чрезвычайно настраиваемая CRM. Мы много сделали с этим, и потребуется время, чтобы перечислить все наши настройки. Однако самое важное, что нужно знать, это то, что мы использовали их API для создания воронки продаж с использованием наших производственных данных. Сделка / человек / организация автоматически создается при подключении нового пользователя, и его / ее этап в конвейере зависит от его / ее действий в продукте.
- Интерком: для обмена сообщениями и продажи билетов. Intercom - отличный инструмент, и мы много вложили в использование их SDK в наших приложениях, чтобы отслеживать все события, через которые проходят пользователи, что дает нам огромное пространство для оптимизированного и индивидуального обмена сообщениями.
- Blendo: мой любимый инструмент, blendo делает ETL чрезвычайно простым. Все наши CRM, Intercom, Adwords, реклама в Facebook и многие другие данные без проблем вводятся в базу данных, которую мы используем для аналитики и автоматизации.
- Python Pandas и sklearn: Python и sklearn позволяют нам создавать простые (и сложные) модели анализа на основе данных и машинного обучения с помощью пары строк кода.
Приоритезация лидов
Целью этой задачи было найти способ расставить приоритеты лидов по вероятности конверсии. Мы попытались выяснить, сможем ли мы предсказать вероятность конверсии потенциального клиента по следующим критериям:
- Профиль клиента (местоположение, отрасль и т. д.) - данные Pipedrive и производственной базы данных
- Усилия, вложенные ведущим (качество публикации вакансий) - производственная база данных и данные внутренней связи
- Значение, полученное во время его / ее испытания - данные производственной базы данных
- Данные о времени - данные Pipedrive
Модель, используемая для такой классификации, не так важна, как получение набора характеристик для обучения модели. На схеме ниже показано, как наш стек используется для сбора набора функций и создания продукта обученной модели.
Торговые представители могут просматривать и вводить данные через CRM, а Blendo отлично справляется со сбором всего в одном месте. Используя базу данных, заполненную Blendo, мы смогли менее чем за пару дней поиграть с данными и найти довольно приличную модель для использования.
Классификатор случайного леса был лучшим выбором для ~ 7000 вон / проигрыш сделок, используемых в качестве обучающего набора. На самом деле я был очень удивлен, насколько хорошо это сработало. Он дал точность ~ 76% и оценку f1 ~ 68%. Напоминание о прогнозировании конверсий было довольно низким, но, отрегулировав порог, я смог значительно улучшить его. Что было очень впечатляющим, так это соотношение прогнозируемой вероятности и коэффициента конверсии, как показано на рисунке ниже.
В результате мы использовали прогнозируемую вероятность в качестве функции оценки для определения приоритетности потенциальных клиентов.
Чтобы реализовать эту модель, мы создали сервис, который ранжирует все открытые сделки каждый час в соответствии с прогнозируемой вероятностью обученной модели и классифицирует их:
- A: лучшие 20% населения (по количеству баллов)
- B: 20–50% населения
- C: нижние 50% населения
Учитывая, что у нас коэффициент конверсии ~ 25%, казалось логичным использовать эти проценты. В итоге мы получаем простую классификацию A, B, C для всех открытых сделок. Торговые представители должны соответственно расставить приоритеты.
Это сработало?
Черт возьми, да! Вот несколько предварительных показателей конверсии по закрытым сделкам за последние 15 дней:
Класс лида / коэффициент конверсии
A : 42%
B : 21%
C : 7%
Более того, наши конверсии увеличились на ~ 15% за последние пару недель :)
Заключение
Мы сделали довольно много крутых вещей за последний год, и, возможно, я напишу о некоторых из них в будущем. В любом случае, я очень горжусь работой, которую мы проделали в MyJobNow до сих пор, и хотел бы поделиться некоторыми впечатлениями: Техническая поддержка сделана правильно.
