Konverzió

Infer-példa egy fejezet végére.

———————————

Ezt a fejezetet a gyorsan szaporodó, számtalan területen megjelenő előrejelző, minősítő (scoring) indexek példáival kezdtük, és most fejezzük is be egy ilyennel. Az eljárás során bizonyos események bekövetkezésének valószínűségét jelző számok kerülnek a vizsgált alanyok neve mellé. Ha valaki például hitelt kér egy banknál, akkor az egy előrejelző modell segítségével megpróbálja megjósolni, hogy milyen valószínűséggel fogja rendben megfizetni a tartozásait, vagyis milyen mértékben, mekkora kockázat mellett tekinthető hitelképesnek[1]. A fogyasztói, ügyfélminősítési (customer scoring) indexek száma különösen gyorsan nő, ami nem meglepő, hiszen piacgazdaságban az értékesítés nehéz feladat.

Az értékesítés folyamatát gyakran egy fokozatosan szűkülő tölcsérrel szokták bemutatni. A tölcsér széles végén a vállalat potenciális vásárlói találhatók: azok, akiknek elvileg szüksége lehet az adott termékre vagy szolgáltatásra. A másik – többnyire jóval szűkebb – végére azok kerülnek, akik ténylegesen megvették a termékeket. A vállalat célja nyilván az, hogy minél több potenciális ügyfél váljon valóságos vásárlóvá. E két csoport egymáshoz viszonyított arányát konverziós rátának nevezzük, ami tehát azt mutatja, hogy a potenciális vevők hány százaléka vásárol ténylegesen. Minél magasabb a konverziós ráta, vagyis minél több potenciális ügyfelet tudnak „áthúzni” a tölcsér másik végébe, annál sikeresebb a vállalat értékesítési gépezete.

A konverziónak természetesen ára van: a potenciális vevők meggyőzése időt, pénzt, fáradságot igényel. A potenciális vevők nem egyforma valószínűséggel válnak értékes vásárlókká, visszatérő, sokat fizető ügyfelekké. Nem mindegy tehát, hogy a vállalat mire költi az értékesítési költségvetését, értékesítési szakemberei, ügynökei mivel töltik az idejüket, kikkel mennyit foglalkoznak.

Mivel sok potenciális ügyfél van, az értékesítési költségvetések és kapacitások pedig végesek, a felbukkanó potenciális ügyfeleket (az úgynevezett lead-eket) minősíteni kell: azokkal érdemes foglalkozni, akiknél magas a konverzió valószínűsége. Jogos az igény egy „lead scoring” rendszerre.

Pontosan ezzel foglalkozik egy Infer nevű fiatal vállalkozás. Alapítói a Google-nél, a Microsoftnál és a Yahoo-nál tanulták az adatelemzői szakmát. Elképzeléseik helyességéről olyan kockázati befektetőket[2] sikerült meggyőzniük, mint például a vállalkozó-veteránok által jegyzett Andreessen-Horowitz cég. A vállalkozás ötlete két alapvető felismerésre épült: (1) az adatrobbanás nem csak a nagyvállalatoknak hasznos, a Big Data jelenség fiatal vállalkozások számára is remek lehetőségeket nyit meg; (2) miközben a lead-ek minősítése rendkívül fontos feladat, azt sok helyen elavult módszerekkel és alacsony hatékonysággal végzik, ha foglalkoznak vele egyáltalán.

A számítógépek és az ügyfélkapcsolat-menedzsment (customer relationship management, CRM) alkalmazások elterjedése ellenére a minősítés többnyire az értékesítő ügynökök személyes feladata. Bár az ügyfél-adatbázisokba sok adatot betáplálnak, a minősítés leginkább az ügynökök tapasztalatán, megérzésein, szimatán múlik, akik gyakran a friss lead-ek irányában elfogultak: az éppen aktuális, újonnan felmerült lehetőségekkel, kapcsolatokkal foglalkoznak legtöbbet.

Az Infer azt vállalja, hogy a szimatot, megérzést, bizonytalan értékű tapasztalatot adatelemzéssel, adatbányászati eszközökkel felépített minősítő-előrejelző modellel helyettesíti, vagyis adatok alapján, gépi tanulással felépített algoritmussal rendel minősítő értékeket az egyes lead-ek neve mellé, és ezt ráadásul folyamatosan teszi, hiszen a potenciális vásárlók köre dinamikusan változik, újabb és újabb lehetőségek jelennek meg a meglévők mellett, vagyis egy bővülő-változó mezőnyt kell rendszeresen értékelni.

Hogyan működik az Infer rendszere? Hogyan épül fel és működik egy okos kereskedelmi rendszer (2.2.1. ábra)?

A kiindulópont Az Infer szolgáltatását igénybe vevő vállalat meglévő ügyfél-adatbázisa, ahol általában már sokféle adat található, és az is kiderül belőle, hogy a múltban kikből váltak valódi vásárlók, vagyis kiknél volt sikeres a konverzió. A meglévőkhöz az Infer még sok más adatot tesz hozzá – forrás és adat rengeteg van. A teljes adatbázis lényegében a következő három elemből áll:

1)      alapadatok (basic signals), például a kérdéses potenciális ügyfél iparága, az az információ, hogy lead-ként melyik csatornán jelent meg;

2)      üzleti adatok (business metrics), például alkalmazotti létszám, bevétel, földrajzi hely, tulajdonosi kör, birtokolt márkák, szabadalmak, marketing platform, vállalati struktúra, használt informatikai alkalmazások;

3)      közösségi adatok (social data), például közösségi oldalara kitett állásajánlatok, sajtóhírek, közösségi oldalakon mutatott aktivitás, webes forgalom jellemzői, elektronikus kereskedelmi aktivitás.

Híradások szerint a minősítő rendszer 1913-ban 150 adatfajtát használt, és ez a szám azóta minden bizonnyal tovább nőtt. A példákból az is látható, hogy az adatok tömege mellett azok változatossága és a gyorsaság, naprakészség, folyamatos frissítés is számít (volume, variety, velocity – lásd az 1.2. sz. fejezetet).

Az előrejelző modell megépítésében az Infer szövetségese a Salesforce.com nevű, felhő alapú ügyfélkapcsolat-menedzsment szolgáltatást kínáló cég. A modellezéshez szükséges adatok innen származnak, az adatbányászati feladat pedig annak kiderítése, hogy milyen tényezőkkel és hogyan függ össze konverzió, miből és hogyan lehet arra következtetni, hogy egy lead ígéretes, a konverzió jó, a lehetőséget érdemes kiaknázni. A modell megépítése az alapítók szerint két évet vett igénybe.

Ha az Infer ügyfelei betáplálják a saját leadjeik adatait a modellbe, rendszeresen frissített rangsort kapnak. Az eredmények közvetlenül az értékesítők által használt informatikai alkalmazásokban, az értékesítési folyamatokba beépítve jelennek meg döntéstámogató információkként. A szolgáltatás megvásárlására fordított pénz akkor térül mg, ha a konverziós ráta érezhetően javul. A vállalkozás bevételei dinamikusan növekednek, bővülő referencialistája számos ismert nevet tartalmaz – mindezekből arra lehet következtetni, hogy a Big Data alapon, adatbányászati eszközökkel felépített minősítő-előrejelző rendszer valóban jobb, megbízhatóbb az emberi tapasztalatnál és megérzéseknél.

Az Infer tehát figyelemre méltó tagja a Big Data jelenség körül kialakult sokszereplős ökoszisztémának. Ugyanakkor azonos is érdemes lehet elgondolkodni, hogy vajon az értékesítési ügynökök, akiknek az intim ügyfélismeret az „életbiztosításuk”, mit szólnak az ilyen minősítő rendszerekhez, nyernek vagy veszítenek a megjelenésükkel, éreznek-e valamilyen veszélyt.


[1] A közelmúlt jelzáloghitel-válságának kitörése azt jelzi, hogy ez a minősítés sok helyen elmaradt, vagy a modell ajánlását egyszerűen nem vették figyelembe.

[2] A kockázati befektetők szerepével részletesebben foglalkozunk a 6. fejezetben.

Hozzászólás írása

Hiba az űrlap kitöltése során!

* A csillaggal jelölt mezők kitöltése kötelező

*
*
*
*