Jak wykryłem niskomarżowe leady na etapie ofertowania?

Wyzwanie biznesowe

Firma X to średnie przedsiębiorstwo produkcyjne wytwarzające niskoseryjne wyroby dla klientów przemysłowych. Ich dotychczasowy proces pozyskiwania potencjalnych klientów (leadów) był rozproszony i częściowo nieefektywny.

Źródła leadów opierały się na tradycyjnym prospectingu, raczkującym email marketingu oraz źle targetowanych kampaniach Google Ads. Mimo to treści na stronie docelowej skutecznie generowały konwersje poprzez zapytania ofertowe, proces ten prowadził do przeciążenia działu zakupów i działu handlowego.

Kluczowy problemem było spędzanie zbyt dużo czasu przez handlowców na ofertowaniu niskomarżowych klientów, którzy ostatecznie nie stanowili rentownego źródła współpracy. Jednocześnie liczba takich zamówień była dosyć spora w ciągu roku, co obniżało marżę operacyjną i wynik finansowy. By odciążyć dział handlowy planowano zatrudnić kolejnych handlowców, ale nie dość, że w krótkim okresie było niewykonalne, to nie rozwiązałoby to w ogóle problemu.

Wobec tego zostałem poproszony o pilne wdrożenie narzędzia, które pozwoliłoby automatycznie i precyzyjnie odsiać potencjalnie nierentowne zapytania ofertowe.

Cel projektu

Celem było wdrożenie zautomatyzowanego narzędzia do scoringu leadów B2B, który pozwoliłby handlowcom skupić się wyłącznie na ofertowaniu leadów tylko na odpowiednim poziomie marży (i oczywiście uwzględnieniu wysokiej gotowości do zakupu).

Stąd miernikiem sukcesu była redukcja liczby nieskomarżowych leadów z etapu kwalifikacji do ofertowania.

Realizacja

Wdrożenie narzędzia przebiegała w trzech krokach tj. audyt danych, budowa modelu i automatyzacja procesów decyzyjnych.

Krok 1: Audyt danych

W pierwszej kolejności musiałem dobrze zrozumieć bolączki osoby przeprowadzającej proces ofertowania. W wielu wypadkach ofertowane detale były mało powtarzalne i trudne do porównania między sobą. Tutaj z pomocą przyszło kilkunastoletnie doświadczenie handlowców, którzy mniej lub bardziej intuicyjnie byli w stanie wyczuć, czy dane zamówienie w ogóle opłaca się ofertować. Kryteria wskazane przez nich uwzględniłem do tworzenia modelu prognostycznego.

Następnie zapoznałem się z danymi historycznymi (w CRM, w ERP, w księgowości) i ustaliłem, co charakteryzowało klientów wysokomarżowych akceptujących wyceny.

Krok 2: Budowa modelu

Zbudowałem prosty model klasyfikacyjny oparty o regresję logistyczną, bazując na kryteriach handlowców i cech wysokomarżowych klientów. Samo trenowanie modelu było dosyć łatwe po żmudnym czyszczeniu danych.

Dane wejściowe - obejmowały informacje o kliencie, o zamówieniu oraz kilka innych parametrów zaciąganych z ERP.

Dane wyjściowe - obejmwały klasyfikację klienta jako wysokomarżowego, średniomarżowego, niskomarżowego lub nierentownego. Następnie obok każdego z tych parametrów wskazywano poziom prawdopodobieństwa na to, czy klient jest np. wysokomarżowy.

Dokładność modelu - świeżo po treningu dokładność wynosiła ok. 91%. Po jego faktycznym wdrożeniu i przetestowaniu przez kwartał dokładność klasyfikacji spadła do 88%, mimo ponownego treningu w oparciu o nowe dane wejściowe.

Krok 3: Automatyzacja procesów decyzyjnych

Ostatni etap był najtrudniejszy, bo zbudowany model trzeba było zintegrować z CRM. Jednocześnie model miał automatyzować decyzje, ale z uwzględnieniem czynnika ludzkiego. Na czym polegało?

Jeżeli sytuacja firmy X by się pogorszyła albo zmieniłaby się sytuacja na rynku (np. wzrosłyby ceny surowców), rezygnacja z niskomarżowych leadów mogłaby doprowadzić do utraty płynności finansowej. Wtedy handlowcy mogliby dostać odgórny przykaz, by ignrowoać prognozy i po prostu ofertować wszystkich.

Wraz z wewnętrznym działem IT wdrożyliśmy model na lokalnej infrastrukturze, który wykonywał w tle niezbędne obliczenia, pobierając niezbędne dane wejściowe i udostępniając dane wyjściowe. Następnie finalnie w CRM obok każdej oferty do wyceny była prezentowana prognoza.

Wyniki i rekomendacje

Wdrożenie systemu automatycznej kwalifikacji leadów przyniosło mierzalny wpływ nie tylko na ilość, ale przede wszystkim na jakość obsługiwanych kontaktów. Efekty są następujące:

• Odnotowano spadek czasu poświęcanego przez handlowców na analizę i ofertowanie niekwalifikowanych zapytania o 35%.
• Zwiększeno średniej marży z obsługiwanych kontraktów o 2 punkty procentowe.

Rekomendacja dla Twojego Biznesu

Nie wystarczy zbierać więcej danych – trzeba je poprawnie skategoryzować i nadać im wartość biznesową opartą na marży. Wdrożenie zaawansowanego systemu predykcji, który uwzględnia koszt obsługi oraz prognozę rentowności, jest kluczowe dla skalowania sprzedaży bez konieczności proporcjonalnego zwiększania zatrudnienia i minimalizowania ryzyka marnotrawstwa zasobów.