по обработке и анализу данных в организации;
● смелость, чтобы говорить правду руководителям, коллегам и подчиненным;
● готовность углублять свои познания;
● стремление формулировать вопросы и ответы в доступной и понятной для других форме;
● понимание чрезвычайной важности соблюдения стандартов качества и внимание к деталям;
● возможность участвовать в совещаниях на уровне всей организации, не запрашивая разрешения.
И помните: можно попробовать развить навыки интерпретатора у специалиста, который уже работает у вас. Сделать это будет легче, если сформировать у сотрудников две важные коммуникативные привычки. К ним относится умение обращаться к лицам, принимающим решения, используя не утверждения, а вопросы. Особенно это касается скептически настроенных людей, принимающих решения: очень важно с самого начала не оказывать на них чрезмерного давления. Специалистам-аналитикам нужно задавать вопросы таким образом, чтобы у людей, принимающих решения, создавалось впечатление, что ответы они находят сами.
Также нужно научиться проводить аналогии со случаями, которые находят внутренний отклик у лиц, принимающих решения. Это могут быть, в частности, рассказы об успешных советах аналитиков. В мире спорта можно также поднимать, например, такие темы, как «никто не ожидал, что этот парень прыгнет так далеко, а он взял и прыгнул!», или «эта стратегия выглядела нелогичной, однако она сработала. И вот почему…».
Преодоление культурного разрыва между специалистами-отраслевиками и аналитиками, осуществляемое интерпретаторами данных, может положить начало устранению разрыва между декларируемыми и реальными преимуществами использования больших данных. Этот процесс начинается с осознания ограничений, присущих числам и интуиции, если они используются по отдельности.
III
Модернизация процессов
9
Обновление процессов продаж с помощью машинного обучения
Х. Джеймс Уилсон, Нарендра Мулани и Аллан Олтер
Мы живем в мире, наполненном данными, и многие наши взаимодействия с другими людьми осуществляются в интернете. Вполне естественно, что один из самых распространенных видов человеческой деятельности – торговля – в настоящее время переживает цифровой Ренессанс. Хотя функция продаж опиралась на количественные показатели с древнейших времен, сегодня повсюду накапливаются огромные массивы информации, связанной с продажами, и эти данные гораздо богаче, чем когда-либо раньше. Они поступают из социальных сетей, с сайтов, из A/B-тестов, и это еще далеко не все каналы.
Чтобы разобраться во всех имеющихся данных, повысить эффективность и результативность продаж, организации обращаются к машинному обучению. Умные механизмы становятся доверенными помощниками в отделах продаж, поскольку они делают непрозрачные процессы более открытыми, обеспечивают анализ данных для информированного принятия решений и самостоятельно справляются с определенными небольшими задачами.
В нашем опросе приняли участие руководители 168 крупных компаний с годовым доходом не менее 500 млн долл. 76 % респондентов заявили, что они планируют увеличить рост продаж с помощью машинного обучения. В этом помогает программное обеспечение на уровне искусственного интеллекта, который постоянно учится, анализируя большие массивы данных, и оптимизирует рекомендации для торгового персонала в режиме реального времени. Более 40 % представителей опрошенных компаний уже ввели машинное обучение в сфере продаж и маркетинга.
Наши исследования показывают, что в сфере продаж крупные компании используют машинное обучение по трем направлениям. Каждое из них прибавляет к человеческому интеллекту и интуиции алгоритмическую строгость, создавая тем самым новую динамичную формулу. Руководители надеются, что этот способ позволит им увеличить продажи. Первое направление использует научный подход (базируется на имеющихся данных и прозрачных процессах) при взаимодействиях в ходе продаж. Второе дает возможность проводить эксперименты на основе имеющихся данных и маркетинга. Третье направление использует достижения науки, чтобы высвободить больше времени собственно для продаж за счет автоматизации выполнения административных заданий. Зачастую именно эта рутина мешает непосредственной работе с клиентами, поиску потенциальных клиентов и закрытию сделок. При использовании любого из этих вариантов появляется возможность разработать и внедрить быстрые и научно обоснованные процессы для получения более высоких доходов.
До появления машинного обучения решения принимались на основе изучения статических баз данных, анализа статистики за прошлые периоды, а также опыта и интуиции управленцев – с постепенным, поэтапным повышением производительности. Благодаря новым технологиям управление может осуществляться непрерывно на основе данных, обрабатываемых в режиме реального времени. Появляется возможность быстро формулировать, проверять и пересматривать гипотезы – так возникает новый тип рабочего процесса, который может оказаться значительно более эффективным. В ходе нашего опроса 38 % респондентов отметили машинное обучение как перспективный метод улучшения ключевых показателей эффективности продаж (выявление новых возможностей, продажи сопутствующих товаров и услуг, изменение времени торгового цикла) в два раза или даже больше, а еще 41 % – в пять и более раз.
Использование научных достижений для анализа неформальных сигналов
Издавна в сфере продаж местный представитель фирмы мог встречаться с потенциальными клиентами лицом к лицу и считывать невербальные сигналы, например одобрительные кивки или хмурые взгляды. На основании этой информации он определял свои следующие шаги. Но в цифровом мире, где физические неформальные сигналы считывать невозможно, продажи становятся непрозрачным процессом – его трудно разложить на отдельные составляющие. И если планы срываются, поиск ошибок, которые можно было бы исправить при последующих попытках, сильно затрудняется.
Так что хорошо было бы помочь продавцу уверенно определять момент, когда потенциальный покупатель готов совершить покупку. И вот теперь компания под названием 6sense («Шестое чувство») предлагает на рынке продукт, который формирует цифровые прогностические сигналы в отношении покупки. Эта технология помогает специалистам по продажам определять оптимальное время для обращения к потенциальным покупателям. Путем анализа онлайн-поведения посетителей сайта клиента, а также данных из различных общедоступных источников, включая социальные сети, 6sense предоставляет клиенту панораму интересов потенциальных покупателей и информацию о сроках готовности того или иного клиента к покупке (если ее вообще стоит ожидать).
Компания анализирует большие массивы информации с сайтов, используя машинное обучение для повышения точности своих прогнозов. Обладая точными данными, команды продавцов могут быстрее определять перспективы, а определение целевой аудитории выполняется быстро и с высокой вероятностью успеха. Большие объемы данных о потенциальных покупателях позволяют специалистам по продажам тестировать различные подходы, тратя больше времени на тонкую настройку, вместо того чтобы пытаться реализовать призрачные возможности.
Эксперименты с продажами на основе больших данных
Машинное обучение может также обеспечить более эффективное А/В-тестирование сайтов, устраняя узкие места, которые нередко обусловлены экспериментами в сфере продаж. Меньшее количество таких уязвимых точек означает более высокую скорость: примерно 30 % респондентов в нашем опросе утверждали, что им удалось ускорить процессы продаж в два раза или даже больше, а еще 30 % сообщили об увеличении не менее чем в пять раз. Одним из программных инструментов, позволяющих продавцам и маркетологам быстро модифицировать сайты для реализации множества тестов A/B, является Adobe Target. На основе данных, получаемых при взаимодействиях
